2022年Gartner 重要技术趋势初探

甩棍

由于2020年新冠疫情的冲击，技术趋势发展出现较大变化，伴随今年新的技术成熟度曲线，多个全新技术趋势上榜，2022新兴战略技术趋势从以往的10个增加到12个（2021年为9个）。对于之前解释过的技术趋势就不再重复，这里直接引用之前的内容或链接，主要对新出现的几个技术趋势介绍一下。
注：由于目前只是放出一些消息，关于新上榜技术的资料不多，所以本文旨在初探和了解。



表：近年来Gartner重要战略技术趋势对比（消失、保留、新增）

其中消失的技术可能有两种情况，一种是真正消失，没有形成主流；另一种是进入稳步发展阶段，在其他专项成熟度曲线中进行跟踪。
本文只对这12项技术趋势进行一个初步的分析和介绍，个人见解，仅供参考。
Gartner从2020年开始为技术趋势设立主题并分类，2022年技术趋势的主题为工程化信任、塑造变化和加速增长。
Gartner在11月23日有一个针对2022重要战略技术趋势的Webinar，有兴趣的可以听一下，各趋势报告已发布，各位有账号的朋友可以自行阅读。
工程化信任

不可信的技术不适合企业发展。数字业务的核心是弹性和高效的IT基础。如果没有一个设计良好的底座，就无法低成本高效率地扩大规模。在互联网的世界里，IT要负责搭建其与前四个趋势相关的信任桥梁。
01.数据编织 Data Fabric
最早出现在Gartner 2018年的数据和分析领域十大技术趋势中，后来在2021新兴技术成熟曲线中再次出现，原本以为是传统的数据结构，就没有太在意，后来官方正式翻译叫做数据编织。
数据编织是一种新兴的数据管理设计，用于实现灵活和可重/复用的数据集成管道、服务和语义。数据编织支持跨多个部署和编排平台交付的各种运营和分析用例。数据编织支持不同数据集成风格的组合，并利用活动元数据、知识图、语义和ML来自动化并增强数据集成设计和交付。在读取元数据的内置分析中，数据结构能够了解哪些数据正在被使用。它的真正价值在于能够为更多的、不同的和更好的数据提出建议，减少70%的数据管理工作。
之前，数据结构的设计主要是静态基础设施，而在未来需要采用动态的数据网格方法全面重新设计。数据编织不是一个产品而是一种设计理念，是利用AI、机器学习和数据科学的功能，访问数据或支持数据动态整合，以发现可用数据之间独特的、与业务相关的关系。
不同于当前数据链接，要通过人工寻找数据。可以把数据编织想象成一张虚拟网（觉得可能是SD-WAN网络），但它不是点对点的连接网络，而是虚拟连接，每个节点都可以是不同的数据系统，不同系统上的数据在这张网上都可以被快速定位。其主要功能是把正确的数据，在正确的时间里，给到正确的人，而对的人可以从对的地点，在对的时间里，获取对的数据。实现数据寻找合适的人。
数据编织之所以被列入2022重要战略趋势，主要因为数据的重要性越来越受重视，现在数据已成为一种生产要素。当前，无论是“数据仓库”还是“数据湖”，数据利用都是集中式的，把数据聚集到一起，让数据分析师、商业智能分析师对数据进行分析。但在云计算时代，用户业务部署在多云、混合IT的环境下，要想在不同云上实现数据集中，成本可能过高且很复杂，于是去中心化、分布式架构就成为了选择（如分布式云、分布式企业）。（参考资料1）
应用案例
Turku city data 城市数据编织平台
数据管理上存在的差距阻碍了创新，通过整合零散的数据，能够复用数据，将所需时间缩短三分之二，并创建可盈利的数据编织。
Turku City帮助世界各地的城市整合碎片化数据，以此弥补为公民提供更好、可持续服务需求的差距。最佳实践方法基于智慧城市知识图谱(Smart City Knowledge Graph)，它将真实世界(如人、对象和位置)的可复用模型连接起来，作为持续展开事件的背景舞台。通过将可配置的人工智能框架和算法无缝集成到平台中，得到更加丰富的统一数据架构。
智慧城市知识图谱是城市的一个接近现实的数字模型，可以用于更好的优化决策，创建新的数字服务，并自动化城市工作流程。它将零散的城市数据连接成一个不断发展的、统一的数据集合，供市民、应用和AI使用。
利用n-bridges平台可轻松访问API，从数据获取到发布将整个价值链自动化。不受企业规模或数据成熟度影响，可以从最先进的人工智能方法中受益，探索和解决业务问题。相比花费大量时间收集和准备数据不同，城市现在可以专注于发现新的洞见，并通过有效利用其数据资产为公民提供价值服务。
Turku City的解决方案覆盖从战略规划到日常运营，基于人工智能的整个城市的自动化和决策支持。并为智慧城市提供不断增长、具有成本效益的智慧城市API集，以够加快数字化工作。（参考资料2）
Gartner预测，到2024年，数据编织将使数据利用效率提高4倍，同时将以人驱动的数据管理任务减少一半。
02.网络安全网格 Cybersecurity Mesh
关于这一趋势，之前有写过专门的分析，《带你了解Gartner的网络安全网格趋势》，这里不再重述。
Gartner预测，到2024年，采用网络安全网格架构组织会将安全工具整合成合作生态系统，对于单个安全事件的财务影响平均减少90%。
03.隐私增强计算 Privacy-Enhancing Computation
同样是近年来多次上榜的技术趋势，可以参考之前的介绍《聊聊Gartner 2021战略技术趋势——分布式云》附加部分。（参考资料3）
数据的真正价值不在于拥有它，而在于如何将其用于模型、分析和洞察。隐私增强计算（PEC）方法允许数据在整个生态系统中共享，创造价值的同时保护隐私。
方法种类很多，包括加密、拆分或预处理敏感数据，在不损害机密性的情况下对其进行处理。
隐私增强计算在数据处理和数据分析时用于保护数据的技术包括三种类型：

• 提供可处理或分析敏感数据的可信环境。它包括可信的第三方和可信的硬件执行环境(也称为机密计算)；
  
• 以分散的方式执行处理和分析，包括联邦机器学习和隐私感知机器学习；
  
• 在处理或分析之前转换数据和算法，包括差分隐私、同态加密、安全多方计算、零知识证明、私有数据集交集（Private Set intersection,PSI）和隐私信息检索。
  

Gartner预测，到2025年，60%的大型企业将在分析、商业智能或云计算中使用一种或多种增强隐私计算技术。
04.云原生平台 Cloud-Native Platform
云迁移的重点是获取遗留工作负载并将它们迁入云中。因为这些工作负载不是为云设计的，它们需要大量维护，并且不能从云环境中获得任何收益。对于这类遗留系统/资产，尽可能最小化其更新和迁移。优先投资于云原生平台，采用现代应用架构原则。
云原生平台使用云计算的弹性和可扩展性，以更快地实现价值。它们减少对基础设施的依赖，节省时间来关注应用的功能。
个人感觉，云原生平台并非新技术，但今年开始被普遍接受（因为企业对上云达成一种共识），需求也刚开始显现，这是一个必须经历的过程，而且全球也都在这么做。介于此，云原生必将成为未来企业的首选。
这个周期会持续多久，谁也说不好，就好比3G到4G再到5G，当年的诺基亚虽然也能有，但是已经无法适应现在的环境。也许，不久后会出现什么量子平台，提出量子原生的概念呢。
应用案例
其实，现在对于云原生并不陌生，部分企业已经开始基于云原生平台开发新系统和功能，所以，凡是基于云原生环境开发的产品都可以看做是案例。
Gartner预测，到2025年，超过95%的新数字计划将基于云原生平台，而2021年这一比例还不到40%。
塑造变化

有了可信的基础，下一个重点是使组织能够扩展其数字化工作技术。但IT行业仅靠自身无法跟上变革步伐。由IT和业务人员组成的融合团队将协作并推动创新，以迅速实现业务数字化。正如接下来的趋势那样，IT工作是提供工具，让融合团队能够塑造变化。
05.组装式应用 Composable Applications
第一眼看到这个趋势，首先联想到的就是去年的时候，Gartner发布的几项新兴技术，其中包括了“组装式架构”（当时我把Composite Architectures翻译成复合架构，官方最新中翻译是组合式架构，以此为准），感觉侧重场景不同，但理念应该是一致的。
组装式架构的定义是：由打包的业务功能组成，构建在灵活的数据结构上。使得企业能够真正快速地响应不断变化的业务需求。
组装式应用的描述是：由打包业务功能（Packaged-Business Capabilities, PBC）或软件定义的业务对象组成。PBC（如病人病例或数字孪生）创建可复用模块，融合团队可以自由组装这些模块以快速创建应用，从而缩短上市/线时间。
理念还是模块化自由组合，也就是当你积累了一定程度的功能库之后，后边推出产品或服务将不再重新根据需求来定制开发，而是利用已有的功能模块来搭建组合新的产品。
那，再通俗点说，售前和认证服务的应该很熟悉。就是当你做售前很多年之后，后边在遇到各种项目要写标书或方案，那只要从你的资料库里Ctrl+C、Ctrl+V就行了，大致改改一篇高大上的解决方案就诞生了。可组装应用也是这个思路，只是在应用场景上，模块要更全更细，落地方面要更加实用化。


Gartner预测，到2024年，新的SaaS和自定义应用设计口头禅将是“可组装API-first或API-only”，传统SaaS和自定义应用将被视为“老物”。
06.决策智能 Decision Intelligence
决策智能是一门通过运用社会科学、决策理论和管理科学中的理论知识来扩展数据科学的一门工程类学科。（来自维基的定义）


决策往往因大量经验和见解而得出，同时也因这些而受到影响，但在一个快速变化的世界里，企业必须做出更好、更快的决策。决策智能通过框架进行决策建模并以此来改进组织决策。融合团队可以在学习和反馈的基础上管理、评估和改进决策。整合数据、分析和人工智能，创建决策智能平台，支持、增强和自动化决策。以产品为中心的企业可以通过使用决策情报来分析竞争对手的战略并评估历史决策，从而在战略产品决策中创造竞争优势。应用案例1.企业决策管理系统（Enterprise Decision Management）企业涉及到很多决策过程，通常的做法是层层向上汇报，层层向下分任务执行，这样效率非常低下。EDM可以结合人类决策和机器决策，提高决策效率和决策效果。比如，员工上传调休，调班等请假意愿，如果基本符合流程的，系统会自动做出审批/驳回的决策。当系统无法判断或者情况复杂的时候，交由人继续审批。2.调度系统如滴滴打车，当某个乘客订单来了，系统做出决策匹配相应的司机，司机也可以决定是否接单，乘客决策是否进行修改。


当雨季来临，水位上升，水坝需要决策什么时候开闸放水，应该放多久以免下游水位较高，引发下游洪水。3.水资源管理技术公司Xylem通过决策智能解决方案进行水资源经济管理利用数字化和信息化的科技改变了实用经济体系和运营，提升水资源价值，节省成本，提升了经济效益。其中，包括6大策略：

• 减少不经济的水利用
  
• 积极的水资产管理
  
• 确保从源头到饮用水的水质
  
• 加强使用水的公平性
  
• 管理城市水环境
  
• 利用历史洪水数据，做好防洪
  

据悉，在使用先进的评估，监控和决策系统后，马里兰地区水管破损率减少73%，减少损失多达4200万美金。4.选址决策很多便利店，大型零售超市都需要很关注在哪里建商店的问题。需要结合考虑地理位置，市场，商店定位，产品定位，成本等各方面因素，进行选址。通过搭建模型可以初步选出大概的位置，但是最终要人选取确定的门店，并且搞定门面和装潢。比如，便利店的密度会比较大，分布在闹市，提供的产品数量相对于大型商超更少，产品多为日常需求稳定的产品，和一些零售饮品。大型商超一般密度比较小，分布在相对更远离市区的地方。提供的产品比较丰富，也可能提供送货上门的服务。（参考资料4）Gartner预测，到2023年，超过三分之一的大型组织将拥有从事决策智能（包括决策建模）的分析师。决策智能化其实并非什么新技术，多年以前大家早就开始讨论，不过是现在开始逐渐成熟，开始有落地产品。加之，近年来技术发展中最热门的两个关键词当属“数据”和“人工智能”，结合海量终端场景需求不断（如物联网、5G、边缘计算），因此，智能决策被推上重要技术趋势的榜单。
07.超自动化 Hyper automation
这是最近3年一直上榜的一个趋势，早在2020年十大重要战略技术趋势中被提出，可以参考本人之前的介绍（《Gartner：2020年十大战略技术趋势（上篇）》），这里不再重复。（参考资料5）
官方最新的描述如下：
对增长、数字化和卓越运营的日益关注，突出了对更好、更广泛的自动化需求。超自动化是一种业务驱动方法，用于尽可能多地识别、审查和自动化处理业务及IT流程。它需要协调使用多种技术工具和平台，包括RPA（Robotic Process Automation）、低代码平台和流程挖掘工具。
Gartner预测，到2024年，分散的超自动化支出将使总拥有成本增加40倍，使适应性治理成为企业绩效的差异化因素。
08.AI工程化 AI Engineering
人工智能解决方案改变了游戏规则，使企业能够在疫情期间处于有利地位，但仅仅采用人工智能并不能做到这一点，必须对其优化。AI 要成为企业的生产力，就必须以工程化的技术来解决模型开发、部署、管理、预测等全链路生命周期管理的问题。
AI工程化是对人工智能模型进行操作更新的学科，使用集成数据、模型和开发管道，从人工智能中获取商业价值。它结合了自动化更新管道和强大的AI治理。
借助AI技术，不少行业和企业走在了时代前列，拉开与同行、同业的距离。未来，这些差距将产生深远影响。金融、能源、交通、政务、制造等行业率先应用AI技术，大量的AI应用场景，造福行业用户，增强企业竞争力，同时正在向其他行业用户输出能力。
可能AI离我们普通人并没有想象中那么远，高高在上的AI应用，正在迅速落地， 目前大特点是快，场景数量暴增、效果显著则成为另一大特点，这是传统解决方案所不及的。
适应AI工程化需求，人工智能和大数据的合作将更加紧密。数据，尤其是大数据和算法、算力的融合，现在正成为人工智能特别是机器学习等行业的主要发展方向。
在AI与应用结合的趋势下，AI与大数据融合，带动产业数字化、智能化、合规化，提升产业效率，开拓产业边界，创造产业价值，并反哺行业获得更高生产力（算法、算力）、生产要素（数据）提升。
同样，数据安全、数据隐私、AI可信等涉及到隐私合规的要求越来越高。目前《数据安全法》《个人信息保护法》等陆续实施，数据安全监管重视程度日益提高。
根据Gartner的描述，AI工程化主要核心有三个：DataOps、MLOps和DevOps。DevOps相信各位已经比较熟悉了，这里就不提了，说说另外两个技术。
Data Ops
将DevOps团队与数据工程师、数据科学家等协同起来，提供工具、流程和组织结构，服务于以数据为中心的企业。


DataOps就是AI时代的数据管理，为数据带来敏捷性，数据现已成为最具战略意义的资产。IBM对DataOps的描述是“为从收集到交付的端到端数据管道过程提供加速和敏捷的方法”。
与DevOps系统化软件开发一样，DataOps旨在加速数据的收集、处理和分析。IDC确定了“数据到洞察”管道中的四个核心阶段：识别数据、收集数据、转换数据和分析数据。这些阶段也是DataOps的核心要素。
数据操作涉及两种实践：数据转换和丰富，以确保从无数结构化、半结构化和非结构化的数据源中获取数据的可操作见解；将数据操作化，从边缘到云，包括整合到单一的来源、数据编排和数据治理等。
DataOps需要高性能和可扩展的数据库，可以处理混合工作负载、不同数据类型（如来自传感器的音频、视频、文本和数据）等，以及保持底层计算充分利用所需性能的能力。
ML Ops
是机器学习与DevOps的结合，目的是将敏捷开发的成熟功能引入机器学习和人工智能。机器学习生态系统需要一个强大的如同DevOps一样的框架、工具链和流程，将开发人员、数据科学家和操作人员聚集在一起，通过有效的DevOps战略，加快向最终用户提供新功能和服务的速度。


MLOps适用于机器学习，主要侧重于建模、版本控制、计算编排和调度，涉及功能工程、超参数优化、推论，最后部署推理模型。它包含模型和培训数据的测试版本控制，便于复用。
MLOps越来越多地采用具有可解释、透明、安全和可重复测试、可引入道德并消除偏见的工具。应用范围从统计机器学习、计算机视觉到对话AI和推荐系统。MLOps平台需要连续访问海量数据集的数据，因为模型学习是一个优化过程，神经网络预测和准确性仅与其数据和训练相关。
应用案例
1.多伦多联合健康医院（UnityHealth Hospital in Toronto）认识到，AI的可信度是让医生能否接受它的关键。AI融合团队通过向医生展示AI得出结果的可靠性和差距来建立信任。
2.中建三局一公司基于阿里云DataWorks和MaxCompute构建数智建造一站式服务平台。覆盖建造领域生产场景全链路、核心管控全流程和智能决策全视角，使建造类企业实时感知、动态控制和智能化决策成为现实。
其他还包括百度飞桨EasyDL平台、AWS的SageMaker、联想LeapAI平台等，都是AI工程化的落地实践。看了各家平台的架构和功能介绍，就觉得有点前几年AutoML的意思，不过功能更完善了，平台更大了。
Gartner预测，到2025年，10%建立有AI工程化最佳实践（DataOps、ModelOps和DevOps）的企业将从其人工智能投入中产生至少三倍价值，相较于那些（90%）没有建立AI工程化最佳实践的企业。
加速增长

当基础和架构建立之后，该关注的便是能够最大化组织创造价值的技术趋势了。这些技术代表了IT的力量，其大小最终将影响赢得业务和市场的份额。
09.分布式企业 Distributed Enterprise
分布式企业起源于两个不同的领域。一方面，因新冠疫情影响，远程办公需要特定工具和更好的灵活性。另一方面，实体渠道越来越少，用户已习惯线上购物。
分布式企业是一种虚拟化优先、远程优先的体系结构方法，它将用户访问数字化，并提高体验以支持产品。通过 “虚拟优先，远程优先”的架构原则，计划业务模式，从用户和因远程办公而发生变化的用户中获取市场份额。为融合团队提供快速开发和改进面向客户技术的工具。
其实这是一种趋势的演化，就好比当初的CARTA逐渐演变成现在的零信任和SASE，分布式云如今演化成了分布式企业，而这其中也包含了随处运营这一趋势。了解分布式云技术的人，应该可以理解，当基础分布式云环境搭建完成后，分布式企业这一概念也就映入眼帘了。
有兴趣的同学可以了解一下分布式云和随处运营两个2021年的技术趋势。（参考资料6、7）
Gartner预计，到2023年，75%充分发挥分布式企业效益的组织机构将实现比竞争对手快25%的收入增长。
应用实例（都是疫情惹的祸）
1.服装出租公司Armoire推出线上试衣间服务。


Armoire观察到其脸书社团成员喜欢分享与谈论个人最喜爱的服装，遂于2020年7月9日推出数字更衣室服务Looks，希望以数字化的方式重建店内购物试穿新装的体验，满足顾客对更多贴近实际生活真实性、社群、体验的渴求。使用者租到服装后可将个人最喜欢的穿搭照片，上传到Armoire，并在留言区讨论搭配与风格。
2. Merrill Lynch利用地理定位技术帮助客户寻找附近的财务顾问。


感觉这就是我们日常用的滴滴打车模式，对于国外来说可能还挺新颖的。
3. 未来10年，企业无人机的使用量将增加100倍，以支持远程客户。


如无人机消防、无人机配送、无人机巡检、地质勘探、测绘等领域。
Gartner预测，到2023年，75%利用分布式企业的组织将实现比竞争对手快25%的收入增长。
10.全面体验
Total Experience
全面体验是本人去年主要研究的一个技术趋势，也写过相关的详细分析，有兴趣的可以参考这篇文章，《Gartner最近力推的全面体验战略是个什么？》，这里不再重述。
到2026年，60%的大型企业将利用全面体验来转变商业模式，以达到世界顶级客户和员工所期待的水平。
11.自治系统
Autonomic Systems
这里的自治系统（Autonomic Systems）不同于传统网络中的AS（autonomous system），是全新的定义。
随着企业的发展，传统的手工管理无法以同样的速度扩展。自主系统是自管理的物理或软件系统，可以从它们的环境中学习。但与自动或自动化系统不同的是，它们可以动态修改自己的算法，而无需软件更新。这让自动快速响应变化成为可能，实现复杂环境下的规模化管理。
这个趋势感觉是从自治物件（Autonomous Things）演变而来，其被列入2020年十大战略技术趋势。当自治设备逐渐成熟，开始大量应用的时候，就开始需要自治系统了，用于企业规模化管理。自治物件的描述如下：
自治物件属于物理设备，使用人工智能来自动完成以前由人类完成的功能。机器人、无人机、自动驾驶车辆/船只和家用电器是最容易识别的自主物件。人工智能驱动的物联网元素，如工业设备和家用电器，也是一种自主物件。每个物理设备都有一个与人类相关的操作点。他们的自动化超越了严格的编程模型所提供的自动化，他们利用人工智能来交付更加自然地与环境和人进行交互的高级行为。自主物件可以在不同的环境(陆地、海洋和空气)中以不同的控制水平运行。自主物件已经在高度受控的环境中成功部署，比如矿山。随着技术能力的提高，监管的允许和社会接受度的增长，自主物件将越来越多的在不受控制的公共空间部署。
应用实例
爱立信在复杂的环境中管理数千基站，自治系统利用强化学习和数字孪生动态优化5G网络
5G网络基于虚拟化及云原生技术，使得网络复杂度增加，现有运维经验/工具/框架无法满足新网络架构的运维需求。网络运维运营商迫切需要不断提升用户体验来增加用户满意度和忠诚度以确保在激烈的市场竞争中保持优势。
在5G中，网络的功能维度和数据点数量显著增加，使得人脑几乎不可能理解现有的网络架构并迅速找到最佳解决方案。在这种情况下，采用AI算法的解决方案，能够适应复杂的环境和不断变化的用户和流量行为，将优于任何人为驱动的解决方案。通过使用AI来预测、预防和处理事件，用户可以降低运营成本，同时管理增加的复杂性。
爱立信运营引擎（Ericsson Operation Engine）拥有人员及专业知识、AI驱动的洞察、相关应用及平台、数据驱动的流程以及自动化执行五大方面能力，能够在网络管理、企业服务、云与IT服务以及网络设计和优化四大领域提供整体服务，帮助运营商实现提升运营效率（最低的总体拥有成本）、提升用户体验、获得5G变现的机会、实现迅速且低风险的高效转型以及确保行业最佳的稳定性和安全性要求。
自动化网络运维解决方案在不同层次上帮助运营商解决由于网络复杂度增加、用户体验提升和降低运维成本带来的问题，主要包含以下几个层面：
网络故障排除
层次化故障隔离和定位、故障排除和恢复，缩短网络故障排除周期。
网络部署
自动化部署升级、验收测试、监控、持续集成和部署，缩短新业务的上线时间。
网络优化
自动化网络调整和优化、优化资源利用率，确保网络关键指标。
端到端网络性能和用户体验保障
基于内建的网络软件探针，人工智能引擎和大数据分析平台根据网络实时性能统计数据和业务需求以及网络状态变化实现端到端的网络实时监测、闭环优化和调整，确保端到端网络质量、业务服务等级和用户体验，实现自治和自愈网络。


爱立信5GC网络自动化运维解决方案基于爱立信的COMPA模型以及人工智能构建， 可以通过分段渐进式策略引入，最终实现从开环到闭环的自治和自愈网络。AI是网络自动化解决方案中的核心技术要素，涉及到网络自动化的所有层次，主要包含三个方面：
机器学习
在海量历史运维数据中发现内在关联并构建相关模型。
机器推理
通过已有知识数据库和逻辑推理算法对网络未来的行为和状态进行预测，实现故障预警和规避。
网络自治
通过现网运维数据实时反馈实现运维模型持续优化和网络调整优化的自主决策。
COMPA模型是通过网络监测、分析、决策、控制调整4个阶段实现网络自动化闭环控制流程，各阶段的运维方案可以根据实际应用场景和需求独立部署，各个阶段主要功能包括：
监测和管理
网络运维数据实时采集，合并和归一化。
分析(A)
基于网络实时采集的告警/日志/性能统计数据通过人工智能引擎实现不同对象关联分析，故障隔离定位和根因分析。
决策(P)
基于网络运维数据分析结果和预定义的策略规则自动生成相关网络排障/调整/优化建议(工作流和相关的参数描述文件)。
控制/编排/管理(COM)
根据决策阶段生成的决定通过NFVO和网络管理系统实现网络资源编排调度和配置生成和下发。
爱立信基于AI的自动化运维架构和解决方案组合，实现了端到端网络运维数据实时采集和可视化、跨域数据分析和智能决策，基于跨域网络指标监测实现端到端网络业务质量保障，闭环自愈和自治网络，从而有效降低TCO，缩短网络故障排除周期和提升网络性能、可靠性和用户体验。（参考资料8）
Gartner预测，到2024年，20%销售自治系统或设备的企业将要求客户放弃与产品行为学习相关的赔偿条款。
12.生成式AI
Generative AI
关于该技术趋势，早先在另外一篇文章中（Gartner 2020年5大新兴技术解读）有过简单介绍。去年是叫做形成式AI（Formative AI），如今改为生成式AI（Generative AI）。（参考资料9）
官方的描述是，在很大程度上，AI需要训练来得出结论，但推动技术飞跃的真正力量可以（让AI）自行创新。生成式AI是一种人工智能，从样本数据中学习，并用它生成新的、原创的、逼真的仿制品/数据，这些仿制品/数据与训练数据很相似，但不会重复。这使得生成式人工智可以成为企业快速创新的引擎。
用通俗点的话解释一下，就是你拿出100万份用户购物样本数据给AI训练模型用，之后AI可以自己再造出50W份类似的虚构用户数据，但是这批数据很贴近真实数据，可以用于模型训练，同时又不会涉及个人信息和隐私问题。
再接地气一点，和今年上映的《失控玩家》中的AI有点类似，NPC通过学习玩家行为，逐渐形成自我意识，又通过自我意识创造新的玩家数据，尽管这部分数据不是真实玩家的行为数据，但是NPC的行为方式和真实人类并无太大差别。


应用实例
英国金融市场行为监管局(Financial Conduct Authority)已经使用生成式AI，从500万份真实支付数据记录中创建合成的支付数据。这些数据集将被用于创建新的欺诈模型，而不会泄露个人信息。
2020年FCA和领先的欺诈预防供应商成功合作的细节，旨在检测和预防因新冠疫情而加剧的诈骗。2020年7-8月间，FCA举行了Data Sprint在线活动，召集多位数据科学家和学科专家共同开发高质量金融数据集。
FCA的DataSprint，旨在开发供 FCA 和伦敦金融城公司联合发起的 Digital Sandbox Pilot 参与者使用的合成数据集。此次合作产生了一个可安全共享的合成数据集，Digital Sandbox Pilot 的参与者能够利用该数据集分析欺诈性数字银行交易，并应用这些知识更好地检测环境中的欺诈活动。（参考资料10）
到2025年，生成式AI将占到所有数据的10%，而目前这个比例还不到1%。
有兴趣可以看看这篇文章：《生成式时代》。（参考资料11）
最后

简单总结一下，从12个技术来看，其中5个首次上榜，但并非都是新兴技术。这12个趋势，几乎全是基于数据和AI（除云原生平台、分布式企业、全面体验外），相信未来5年，发展和关注的重点已经明确，所以，各位该学点什么也心里有数了吧？来一张2022重要战略技术趋势的“全家福”作为收尾。


参考资料

1. 《数据编织，大数据的新风口》.
https://new.qq.com/rain/a/20210823A0BEP400.
2. Turku city data. https://turkucitydata.fi，https://n-bridges.com.
3. 《聊聊Gartner2021战略技术趋势——分布式云》.
https://www.freebuf.com/articles/neopoints/260668.html
4. Introduction toDecision Intelligence.
https://towardsdatascience.com/introduction-to-decision-intelligence-5d147ddab767.
5. 《Gartner：2020年十大战略技术趋势（上篇）》.
https://www.freebuf.com/articles/paper/223702.html.
6. 《聊聊分布式云》.
https://www.freebuf.com/articles/neopoints/260668.html.
7. 《聊聊随处运营》.
https://www.freebuf.com/articles/neopoints/261683.html.
8. 2020年GSMAThrive·万物生晖在线展会上爱立信高级副总裁Peter Laurin的分享以及《自动化运维成就更好的5G网络》.
https://blog.csdn.net/weixin_39807067/article/details/112593114.
9. 《Gartner2020年5大新兴技术解读》.
https://www.freebuf.com/articles/neopoints/249300.html.
10. FCA partnersSynthesized to tackle Covid-19 fraud.
https://www.finextra.com/pressarticle/85067/fca-partners-synthesized-to-tackle-covid-19-fraud.
11. 《生成式时代》.
https://arr.am/2020/09/15/the-generative-age/

莫尽

牛的