我们将看到在2018年出现几个趋势，其重点将是使新技术变得容易和可消费。
2017年新技术的在数量上已经势不可挡：云的使用速度超过了分析师的预测，并带来了一些新技术；人工智能被引入到我们生活的方方面面；物联网和边缘计算应运而生；还有大量的云计算技术实现了，如Kubernetes，serverless，以及云数据库等。一年前，我在我的2017年预测中介绍了其中的一些情况，现在是时候分析这些趋势，并预测明年科技领域可能会发生什么。
虽然我们喜欢新技术，但一般的企业所有者、IT买家和软件开发人员对这一巨大的创新不太了解，不知道如何将其转化为商业价值。我们将在2018年看到一些趋势，他们的重点将是使新技术变得容易和可消费。
集成平台和一切都变成了无服务器计算
亚马逊和其他云服务提供商正在竞相获取和维护市场份额，因此他们不断提高抽象和跨服务集成的水平，以提高开发人员的生产力，并加强客户的本地化。我们看到亚马逊推出了新的数据库服务，并在上个月的AWS峰会上全面发布了整合人工智能图书馆和工具。它也开始区分不同形式的服务器：AWS Lambda现在是关于服务器的功能，而AWS Aurora和Athena则是关于“无服务器数据库”，扩展了对隐藏底层服务器的任何服务的服务器定义。据推测，现在有更多的云服务可以通过这个更宽泛的定义称自己为“无服务器”。
在2018年，我们将看到云提供商更加重视进一步整合那些具有更高层次抽象的单个服务。他们还将关注与人工智能、数据管理和无服务器相关的服务。这些解决方案将使开发人员和操作人员的工作更简单，并隐藏其固有的复杂性。然而，他们确实有更大的风险。
在2017年，我们看到所有的云提供商都将Kubernetes作为微服务编排层进行调整，这一层可以缓解一些锁块。在2018年，我们将看到在Kubernetes上建立的开放和商业服务的不断增长，该服务可以为私有云服务提供多云服务。Iguazio的Nuclio当然是这样一个开放和多云服务器平台的一个很好的例子，正如Red Hat的Openshift multicloud PaaS。
智能边缘vs私有云
云支持所需的业务敏捷性，以开发现代和数据驱动的应用程序，无论是在初创公司还是在类似于初创公司的大型企业中。挑战在于，不能忽略数据的严重性，因为许多数据源仍然生活在边缘或企业中。这增加了5G带宽，延迟，新的法规，比如GDPR，以及更多的强制你将计算和存储放在离数据源更近的地方。
今天的公共云模型是服务消费，因此开发人员和用户可以绕过它，带来一些无服务器的功能，使用自助服务数据库，甚至可以将视频上传到云服务中，并将其转换为所需的语言。但是，当使用本地替代方案时，必须自己构建服务，而技术栈的发展速度非常之快，it团队几乎不可能构建可以与云替代方案相比较的现代服务，迫使组织向云计算。
标签为“私有云”的IT供应商解决方案与真正的云完全不同，因为它们关注的是自动操作。它们没有提供更高级别的用户和面向开发人员的服务，它最终会将几十个单独的开源或商业软件包组合起来，添加常见的安全层、日志记录和配置管理等，这为云提供商和新公司进入前沿和在prem领域提供了机会。
在2017年，我们看到微软***执行官萨蒂亚·纳德拉(Satya Nadella)越来越关注他所谓的“智能优势”。微软引入了Azure Stack，这是Azure云的一个迷你版本，不幸的是，它只包含微软在云计算中提供的一小部分服务。亚马逊开始推出名为“雪球边缘”的边缘设备，我希望它能在这些方面加倍努力。
智能边缘不是私有云。它提供了与公共云相同的服务和操作模型，但它是本地访问的，并且在许多情况下是由中心云操作和维护的，就像操作人员管理我们的有线机顶盒一样。
在2018年，我们将看到传统的私有云市场萎缩，同时智能边缘的势头将会增长。云提供商将增加或增加边缘产品，新公司将进入这一领域，在某些情况下，通过集成产品提供特定的垂直应用程序或用例。
人工智能从原始技术到嵌入式特征和垂直堆栈
我们在2017年看到人工智能和机器学习技术的快速兴起，但尽管大肆宣传，但实际上主要是被亚马逊(Amazon)、谷歌和Facebook等市场领先的互联网公司所使用。对于一般企业来说，人工智能并不是微不足道的，但是对于大多数企业来说，没有理由去雇佣几乎没有数据的科学家，或者从头开始构建和培训人工智能模型。
我们可以看到Salesforce这样的公司是如何将人工智能构建到平台的，利用它所承载的大量客户数据。其他公司也在沿着这条道路将人工智能嵌入到产品中。与此同时，我们看到AI得到了一个垂直的焦点，我们将开始看到针对特定行业和垂直领域的AI软件解决方案，比如市场营销、零售、医疗保健、金融和安全。用户不需要知道神经网络的内部结构或这些解决方案中的回归算法。相反，它们将提供数据和一组参数，并得到可以在应用程序中使用的AI模型。
人工智能仍然是一个非常新的领域，有许多重叠的产品，而且没有标准化。如果您在学习阶段使用了像TensorFlow、Spark、H2O和Python这样的框架，那么将需要使用相同的方法来进行推断部分(得分)。2018年，我们将努力定义开放和跨平台的人工智能模型。此外，我们还将看到更多的解决方案，这些解决方案可以自动化构建、培训和部署人工智能的过程，就像新引入的AWS Sage Maker一样。
从大数据到连续数据
在过去的几年中，组织已经开始开发由中心驱动的大数据实践。它的目标是收集、管理和集中分析业务数据和日志，以便将来应用。数据收集在Hadoop集群和数据仓库解决方案中，然后由一组数据科学家使用，他们运行批处理作业并生成一些报告或指示板。根据所有领先的分析师，这种方法已经被证明是失败的，有70%的公司没有看到任何投资回报率(根据Gartner的数据)。数据必须是可操作的，才能从中获得ROI的见解。它必须集成到业务流程中，并从新的数据中派生出来，就像我们在目标广告和谷歌和Facebook的建议中看到的一样。
数据洞察必须嵌入到现代商业应用中。例如，访问一个网站或使用聊天机器人的客户需要根据他或她最近的活动或个人简介来获得针对目标内容的即时响应。从物联网或移动设备收集到的传感器数据连续不断地流动，需要立即采取行动来驱动警报、检测安全违规、提供预测性维护，或启用纠正措施。监测和国家安全实时检查目视数据;零售商还利用它来分析销售数据，如库存状况、客户偏好以及基于观察到的客户活动的实时建议。数据和实时分析通过自动化的过程降低了业务成本。汽车正变得越来越有联系和自主。电话推销员和助手被机器人取代。机队或卡车、出租车司机或技术人员由人工智能和事件驱动的逻辑编排，以***限度地利用资源。
所有这些都已经在2017年开始。
像Hadoop和数据仓库这样的技术是十年前发明的，它比人工智能、流处理、内存或闪存技术的时代早。企业现在看到，构建数据湖的价值是有限的，因为他们可以通过使用更简单的云技术来进行数据挖掘。关注的焦点从主要是收集数据到持续使用数据，这一领域的技术主要集中在静止和中央驱动的过程中，而不会飞。
在2018年，我们将看到从大数据向快速数据和连续数据驱动应用程序的持续转变。数据将被各种各样的来源不断地摄取。与预先学习或不断学习的人工智能模型相比，它将在实时的情况下被语境化、丰富和聚合，这样它就可以立即对用户产生响应，驱动操作，并在实时的交互式指示板中呈现。
开发人员将使用预先打包的云服务，或者使用相关的云本地服务集成解决方案。在企业中，焦点将从IT转移到业务部门和应用程序开发人员，他们将在现有的业务逻辑、web门户和日常客户交互中嵌入数据驱动的决策。
总结下，2018年将：
- 智能边缘将会增长，传统的私有云市场将会萎缩。
- 我们将开始看到针对特定行业和垂直领域的人工智能软件解决方案。另外，AI模型将开始开放和跨平台。
- 快速的数据、连续的应用程序和云服务将取代大数据和Hadoop。
- 无论如何，云服务将更容易使用，从而在它们与传统和私有云解决方案之间的差距上增加。所以，带上镣铐，准备好被更多的人锁定!
