Zaten in 2018 data-analytics en internet of things (IoT) duidelijk in de lift, ook het komende jaar staan ons op dit vlak grote technologische ontwikkelingen te wachten. Hieronder de drie die hun stempel op 2019 gaan drukken.
De keuzevrijheid om gebruik te maken van een mix van publieke clouds, on-premise en multicloud-omgevingen biedt bedrijven de flexibiliteit om voor een oplossing te gaan die het best op hun behoeften aansluit. De beschikbaarheid van meerdere implementatieopties gaat gepaard met een sterkere behoefte aan een consistent kader voor beveiliging, data-governance en effectief beheer van metadata. Dit kader zal de ontwikkeling en implementatie van applicaties vereenvoudigen, ongeacht de locatie waar data worden opgeslagen of de applicaties uitgevoerd. Bedrijven hebben hierdoor de beschikking over een scala aan mogelijkheden voor machine learning (ml) en analytics om data uit verschillende bronnen te combineren tot één coherent beeld. En dat zonder de complexiteit die hier normaliter mee gepaard gaat.
Deze opties maken deel uit van een bredere overstap op een hybride-cloudmodel waarbij workloads en data al naar gelang de bedrijfsbehoeften on premises, in een private cloud en/of in een publieke cloud worden gehost. Specifieke toepassingsscenario’s, zoals het hosten van vluchtige workloads in publieke clouds en het hosten van persistente workloads in een private cloud, bieden het beste van beide werelden.
Leveranciers bereiden zich op dit scenario voor door overnames te doen. De recente overname van Red Hat door IBM is daar een voorbeeld van. We kunnen in 2019 meer overnames en fusies verwachten. Dit sluit aan op hun pogingen om hun productaanbod voor hybride clouds te verbreden.
Aansluiting
We hebben in 2018 nog maar het begin van de transformatie van enterprise ml-toepassingen gezien. In 2019 zal het volwassenheidsniveau van enterprise-ml groeien en neemt het gebruik ervan toe in aansluiting op pogingen van bedrijven om de detectie van patronen, voorspellende processen en de besluitvorming te automatiseren. Het doel daarvan? Meer efficiëntie, concurrentievermogen en groei. Early adopters ruilen komend jaar het proof of concept-stadium voor diverse toepassingsscenario’s in voor de productiefase. Daarmee komen nieuwe technologieën en best practices tot stand voor het operationaliseren, opschalen en uiteindelijk industrialiseren van ml-mogelijkheden.
Ecosysteem
Met name de containerisatie van ml-workloads en orchestratie van Kubernetes bieden organisaties een rechtstreeks traject naar de efficiënte ontwikkeling, implementatie en opschaling van ml-toepassingen (industrialisatie van ml en artificiële intelligentie (ai)) in publieke en private clouds. Er zal sprake zijn van een verdere groei van het ecosysteem van tools voor automated machine learning (auto-ml) dankzij pogingen van leveranciers om tijdrovende, herhaalbare onderdelen van ml-workflows te versnellen, van het voorbereiden van data en het ontwikkelen van nieuwe functies tot het modelleren van het levenscyclusbeheer. Het stroomlijnen en opschalen van ml-workflows van het onderzoekstadium tot de productiefase stelt ook nieuwe eisen aan DevOps, de it-afdeling, de beveiliging en de compliance. Dat komt omdat datawetenschappers steeds hogere verwachtingen hebben ten aanzien van de infrastructuur, continuous integration/continuous deployment (cd/cd)-pijplijnen en van de samenwerkingsmogelijkheden tussen medewerkers van uiteenlopende teams. Die verwachtingen zijn van toepassing op honderden ml-modellen die in productieomgevingen worden gebruikt.
Continuous learning
Verder zal er sprake zijn van een groeiende vraag naar vakkundig advies en op best practices gebaseerde benaderingen voor het opschalen van de bedrijfsstrategie, naar ml-vaardigheden en naar nieuwe processen voor continuous learning. Die vraag houdt verband met de lange-termijndoelstelling om ml in te bedden in alle zakelijke producten, processen en diensten. Vooruitstrevende bedrijven gaan komend jaar proberen om een portefeuille van onderscheidende ml-mogelijkheden samen te stellen en die optimaal te laten ondersteunen door hun personeel, vaardigheden en technologische mogelijkheden.
Focuspunt
Behalve GDPR is 2018 ook het jaar van IoT geweest en is het besef doorgedrongen dat in 2019 het belangrijkste focuspunt voor organisaties moet zijn om de veiligheid en het functioneren van IoT-edge-apparaten en -netwerken te garanderen. Organisaties moeten hierin een proactieve houding gaan aannemen. Ze moeten de gegevens, metadata en logfiles gaan gebruiken en met IoT-devices omgaan, zoals elk ander netwerkapparaat om de risico´s te voorspellen en accuraat te reageren op de beschikbare signalen.
Naast het beveiligingsaspect is er de vraag hoe gegevens afkomstig van IoT-devices beter zijn te benutten. Er is namelijk niet één collectieve taal. Het wordt cruciaal om gegevens van ongelijksoortige systemen af te stemmen op algemene ontologieën, zodat we de data kunnen vertrouwen en gebruiken voor snellere en betere besluitvorming.
Volgend jaar zullen we verdere use cases van IoT zien in de thuisomgeving, smart cities en meer industriële use cases in automation en autonome voertuigen. Er ontstaan nieuwe technologie-ecosystemen, waarbij een holistische blik op gegevens belangrijk is. Naarmate ai en ml zich verder ontwikkelen, kunnen de mogelijkheden om de gegevens te ordenen, ze toe te wijzen vanuit een veelvoud aan waarnemingen én ze te produceren op basis van autodidactische inzichten, ons kansen bieden die we nu nog niet kunnen indenken.
Het bijhouden van de oorsprong van data en de bewerking tot nieuwe data, ook wel data lineage genoemd, wordt een sleutelcomponent om organisaties in staat te stellen alle beschikbare gegevens optimaal te gebruiken. Alleen op die manier kunnen organisaties het voordeel van de gegevens die in deze ecosystemen worden gebruikt, maximaliseren.