వినియోగదారులు తమ డేటా మేనేజ్‌మెంట్ సిస్టమ్‌లపై AI మరియు మెషీన్ లెర్నింగ్ డిమాండ్‌ల కోసం సిద్ధమవుతున్నప్పుడు ఒకే-ప్లాట్‌ఫారమ్ విధానం పట్ల జాగ్రత్తగా ఉండాలి, గార్ట్‌నర్ హెచ్చరిస్తున్నారు.
స్నోఫ్లేక్, గూగుల్ క్లౌడ్, మైక్రోసాఫ్ట్ మరియు డేటాబ్రిక్స్‌తో సహా అనేక రకాల విక్రేతలు గత కొన్ని సంవత్సరాలుగా డేటా మేనేజ్‌మెంట్ మరియు అనలిటిక్స్ ప్లాట్‌ఫారమ్‌లు AI మరియు మెషిన్ లెర్నింగ్‌ను అమలు చేసే వినియోగదారు సంస్థలకు పునాది వేయగలవని చూపించడానికి ప్రయత్నిస్తున్నారు, ఇవి గణనీయమైన అంశంగా ఉన్నాయి. ఫ్యాషన్.
ఈ వారం గార్ట్‌నర్ సింపోజియంలో ఆమె ప్రదర్శనకు ముందు మాట్లాడుతూ, సీనియర్ డైరెక్టర్ అనలిస్ట్ రోక్సేన్ ఎడ్జ్‌లాలీ చెప్పారు ది రికార్డ్ ఒకే ప్లాట్‌ఫారమ్ విధానం కొంతమంది వినియోగదారులను ఆకర్షించినప్పటికీ, వారికి ఒకే ప్లాట్‌ఫారమ్‌లో అందుబాటులో ఉన్న పరిష్కారాల కంటే ఎక్కువ అవసరం కావచ్చు.
“కంపెనీలకు ఆకర్షణీయమైన భాగం ఏమిటంటే, మనం అన్నింటినీ ఒకే స్టాక్ నుండి బయటకు తీస్తే, ఈ ముక్కలన్నింటినీ మనమే సమీకరించాల్సిన అవసరం లేదు” అని ఆమె చెప్పింది. “కానీ ఇది సరిపోకపోవచ్చు మరియు AI కోసం డేటా సంసిద్ధతకు మద్దతు ఇచ్చే అన్ని విభిన్న భాగాలలో విక్రేతలు పరిపక్వత స్థాయిని కలిగి ఉండరు.”
డేటా అనలిటిక్స్ మరియు మేనేజ్‌మెంట్‌లోని కొన్ని ప్రధాన ఆటగాళ్లు తమ ప్లాట్‌ఫారమ్ విధానంతో AI మరియు మెషీన్ లెర్నింగ్‌పై ఖర్చు చేయడం రెట్టింపు చేస్తూనే ఉన్నారు. ఉదాహరణకు, గత సంవత్సరం, డేటాబ్రిక్స్ విడుదల చేసింది US$1.3 బిలియన్లకు ఉత్పాదక AI స్టార్టప్ అయిన MosaicML కొనుగోలు నుండి పొందిన సాంకేతికతలపై ఆధారపడిన పూర్తి సమగ్ర మార్పు.
Microsoft నుండి ఫాబ్రిక్ వేదిక ఏడు ప్రధాన వర్క్‌లోడ్‌లకు మద్దతు ఇస్తుంది: డేటా ఫ్యాక్టరీ (కనెక్టర్‌లు), సినాప్స్ డేటా ఇంజనీరింగ్ (అపాచీ స్పార్క్ కోసం రచన), సినాప్స్ డేటా సైన్స్ (బిల్డింగ్ AI మోడల్స్), సినాప్స్ డేటా వేర్‌హౌసింగ్, సినాప్స్ రియల్ టైమ్ అనలిటిక్స్, పవర్ BI మరియు డేటా యాక్టివేటర్.
స్నోఫ్లేక్ కూడా పూర్తిగా నిర్వహించబడే సేవను ప్రారంభించింది LLMలను వారి అప్లికేషన్‌లలోకి రూపొందించే డెవలపర్‌లను సపోర్టింగ్ ఇన్‌ఫ్రాస్ట్రక్చర్‌ని సృష్టించే భారమైన పని నుండి విడిపించడానికి రూపొందించబడింది, ఉదాహరణకు.
AI కోసం డేటా మేనేజ్‌మెంట్‌ను సిద్ధం చేయడానికి పరిశీలన, విశ్లేషణలు మరియు AI గవర్నెన్స్‌తో సహా మూడు కీలక పద్ధతులు అవసరమని ఎడ్జ్‌లాలీ చెప్పారు. “ఈ మూడు స్తంభాలు సాధారణంగా DBMS లేదా డేటా లేక్ టెక్నాలజీలను నిర్మించడం ప్రారంభించిన డేటా మేనేజ్‌మెంట్ విక్రేతల బలమైన పాయింట్ కాదు. వారు దానిని నిర్మిస్తున్నారని మీరు ఖచ్చితంగా చూడవచ్చు, ”ఆమె చెప్పింది.
డేటా మేనేజ్‌మెంట్ టెక్నాలజీల యొక్క సాధారణ సెట్ చాలా వైవిధ్యంగా ఉన్నందున ఒకే డేటా ప్లాట్‌ఫారమ్ యొక్క ఆలోచన వినియోగదారులలో కేవలం “కాంక్ష” మాత్రమే.
“చాలా సంస్థలు ఇప్పటికీ ఆవరణలో మరియు క్లౌడ్‌లో డేటాను కలిగి ఉన్నాయి. వారికి అన్నీ ఒకే వేదికపై ఉండవు’’ అని ఎడ్జ్‌లాలీ అన్నారు. “విలీనాలు మరియు సముపార్జనల కారణంగా చాలా సంస్థలు బహుళ క్లౌడ్‌లను కలిగి ఉన్నాయి లేదా అనేక విభిన్న విభాగాలతో కూడిన పెద్ద కంపెనీలు వివిధ ప్రయోజనాల కోసం విభిన్న పరిష్కారాలను ఎంచుకోవచ్చు మరియు మొదలైనవి. సరళీకరణ కోసం ఒక ఆకాంక్ష ఉంది, కానీ అది వాస్తవంగా మారడం కష్టం.”
AI కోసం డేటా మేనేజ్‌మెంట్ టెక్నాలజీలను సిద్ధం చేయడం అనేది “ఒకటి మరియు పూర్తి” కార్యకలాపం కాదని ఎడ్జ్‌లాలీ హెచ్చరించినప్పటికీ, AI కూడా అవసరమైన అనేక ప్రక్రియలకు సహాయపడగలదని ఆమె అన్నారు.
“డేటా మేనేజ్‌మెంట్ AIకి మద్దతు ఇవ్వడమే కాకుండా, డేటా మేనేజ్‌మెంట్ యాక్టివిటీకి మద్దతు ఇవ్వడానికి డేటా మేనేజ్‌మెంట్ టెక్నిక్‌లు కూడా AIని కలుపుతున్నాయి. ఈ రెండు ట్రెండ్‌లు మీరు డేటాతో ఇంటరాక్ట్ అయ్యే విధానాన్ని సులభతరం చేయడానికి కలిసి వస్తున్నాయి, ఈ డేటా ట్రాకింగ్ వంశాన్ని ఉత్పత్తి చేస్తుంది. AI ఎక్కువగా పొందుపరచబడింది. ఈ డేటా మేనేజ్‌మెంట్ ప్లాట్‌ఫారమ్‌లు. ®
