区块链将大幅增强人工智能的技术力量

如今，人工智能市场在各个行业都在迅速增长，从创业到政府和军事部门。多家企业成功掌握了首批试点应用。据分析公司 称，目前全球人工智能市场规模超过80亿美元，到2022年将接近776亿美元。

人工智能 (AI) 的发展涉及机器的不断学习。为了变得“聪明”，计算机需要处理大量数据、大量内存和强大的处理器来大量学习。此类处理器的速度已经比单个人类神经元的速度高出几个数量级，在全球范围内它们的数量与人脑中的神经元数量相当。行为建模算法在不断改进，处理器内存已经超过了人类的潜力。

人工智能训练所需的数据本身仍然存在问题。正是在这里，区块链技术脱颖而出，即点对点(peer-to-peer)网络的可能性，用于收集和积累数据，用于跨国家甚至全球的培训。

点对点网络是一种无服务器网络技术，它允许多个设备共享资源并直接相互通信而无需中介。作为对等系统成员的每台计算机都充当存储在其上的文件的服务器。使用区块链为机器学习收集数据将有助于使这些数据值得信赖，而加密货币的使用可以推动个人和公司收集这些数据。

区块链将增强人工智能的力量

除了经过区块链验证的数据源源不断，人工智能还需要大量的算力才能发展。通常算法用于这些目的 ANN - 人工神经网络。人工神经网络通过查看许多示例来学习如何执行任务，因此需要大量的能力来快速处理数百万个值。

如果区块链可以通过网络传输数据，那么理论上它的计算能力可以用于其他目的。区块链的一些变体允许用户在点对点 (P2P) 市场中向需要进行复杂计算工作的人提供他们机器的计算能力。对于容量的提供，用户将获得代币形式的奖励。

AI 本身将能够在此类计算平台上以更高的效率进行学习。这种共生还将降低训练算法的成本。

人工智能在构建逻辑数据结构中起到关键的作用

逻辑数据结构是统一数据交付平台的愿景，该平台通过隐藏复杂性并以业务友好的格式公开数据来抽象对多个数据系统的访问。

在当今数据优先的经济中，一些组织拥有多个数据科学、数据工程和数据平台团队来处理定价、供应链和与店内购物相关的高级数据分析和数据等问题并不罕见。科学来推动他们的业务并获得竞争优势。因此，如今 IT 团队面临的最大挑战之一是为具有不同技能水平的广泛数据消费者提供服务。这就是逻辑数据结构方法日益突出的原因。

这种方法有望实现灵活、实时和增强的数据集成管道，结合全面的数据管理功能，为组织内最精通数据和最不精通数据的消费者提供服务。通过在活动元数据上利用知识图谱、数据目录和AI/ML，这种新的数据集成和数据管理方法支持更快、更自动化的数据访问和共享。

数据结构是一种可组合的架构，这意味着数据目录、知识图、数据准备层、推荐引擎、DataOps和编排等组件可以与不同的工具结合在一起工作。虽然这是真的，但一些同类最佳的数据结构是单一平台，提供数据结构的所有重要功能。逻辑数据结构是一个统一数据交付平台的愿景，它为业务消费者抽象了对多个数据系统的访问，隐藏了复杂性并以业务友好的格式公开数据，同时保证数据的交付根据预定义的语义和治理规则。在我们生活的数字世界中，可以毫不夸张地说这将使每个 CIO 梦想成真。

当今自助服务战略的一个关键标准是商业用户(例如公民分析师、数据科学家和 LoB 开发人员)能够在数据交付层中找到哪些数据集可用，以确定哪些数据集与其信息需求相关。数据搜索和发现对 IT 团队的依赖已成为数据科学家和公民分析师等角色的瓶颈。更糟糕的是，这些稀缺资源不能浪费争吵数据而不是构建模型或分析数据。与数据交付层集成并通过基于AI/ML的推荐引擎增强的数据目录，帮助用户实现快速的数据发现和探索。业务管家可以根据元数据创建业务视图目录，根据业务类别进行分类，并为它们分配标签以便于访问。具有增强协作功能的逻辑数据结构可帮助所有用户认可数据集或注册有关数据集的评论或警告，帮助他们进一步了解数据集的使用情况并更好地了解他们的同行对其的体验。

虽然数据搜索、数据发现、数据分类和标记的简便性可帮助用户在正确的时间找到正确的数据，但在强大的 AI/ML 引擎的帮助下，它可以得到显着增强。在 AI/ML 支持的逻辑数据结构中，可以分析过去的用户活动，以提供个性化的建议和选择数据集的快捷方式，从而加速数据科学项目和高级分析。其他增强功能可能包括有关数据集和列的扩展分析信息以及智能搜索的改进，即结果的智能排名，类似于谷歌搜索的工作方式，但在企业数据访问的上下文中。

随着公司将业务扩展到全球，他们的数据也在扩展。更重要的是，企业范围的数据不仅分布在区域内，而且分布在多个云中，有时是多个云和本地。虽然逻辑数据结构架构在很大程度上保证了数据的非复制性，但这也回避了数据科学家、业务分析师或 LoB 用户运行查询的性能问题，这是做出快速业务决策的关键标准. 单个查询可能会访问来自全球多个不同位置的数据，混合使用云和本地系统。虽然有许多可能的方法来加速查询，包括缓存、查询下推等，但最有用的查询加速之一可以通过使用 AI/ML 来实现。

数据消费者(例如数据科学家、公民分析师或高管)经常寻找具有相关或相同中间数据集的信息。在这种情况下，这个中间阶段的信息可以智能地具体化并存储在数据存储库中，这些存储库最适合以后的数据访问。在类似的查询运行期间，AI/ML 引擎可以推荐使用物化视图，以成倍地加速查询。它可以大大加快业务决策的制定，从而有助于增加收入和/或降低成本。

通过元数据激活和 AI/ML 技术的结合，可以实现查询加速和基于数据目录的增强协作和数据搜索。元数据确实为数据管理和数字业务转型的未来带来了希望。由基于元数据的数据集成、数据管理和数据交付的基础组成，希望是一个精心规划的逻辑数据结构，其中包括数据虚拟化、集成数据目录和强大的 AI/ML 等关键功能 -基于推荐引擎可以解决复杂的企业范围的数据访问问题，使组织能够更好地为客户服务。

　　图片使用申明：原创文章图片源自‘Canva可画’平台免费版权图片素材；引用文章源自引用平台文章中所使用的原图。