2018年，热门技术仍将继续享受万众瞩目，但也发生了一些变化。
过去的一年，提起新技术，可以说不胜枚举：云计算的使用速度超过了分析师的预测，并衍生了一些新技术；人工智能被引入到日常生活的方方面面；物联网和边缘计算应运而生；大量的云计算技术变为现实，如Kubernetes，serverless，以及云数据库等。新的一年是时候分析这些趋势的落地情况，并一下预测2018年科技领域的趋势。
诚然，大家都喜欢新技术，但一般的企业主、IT买家和软件开发人员对这一巨大的创新并不太了解，而且不知道如何将其转化为商业价值。为此，我们探讨了一些可能在2018年会看到的趋势，其重点将是如何使新技术变得更容易和可消费。
一切趋向serveless化
亚马逊和其他云服务提供商正在竞相获取和保持其市场份额，因此他们不断提高跨服务集成的水平，以提高开发人员的生产力，并加强客户粘性程度。例如亚马逊在最近的AWS Re:Invent大会上推出了新的数据库服务产品，并全面集成了人工智能图书馆和其他工具。同时，它也开始区分不同形式的serverless：AWS Lambda是关于serverless功能，而AWS Aurora和Athena则是关于serverless数据库，从而将serverless的定义扩展到任何可隐藏底层服务器的领域。据推测，现在有更多的云服务将能够通过该定义称自己为“serverless”了。
2018年，我们将看到云供应商会更加重视并进一步整合个性化服务。他们还将关注与人工智能、数据管理和serverless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，他们确实带来了更大的用户粘性风险。
在2017年，Kubernetes作为容器编配的标准吸引了所有的云供应商。2018年，我们将看到越来越多的厂商将在Kubernetes上建立的服务，该服务可以为私有云产品提供多云服务。Iguazio的Nuclio就是这样一个开放和多云服务器平台中一个很好的例子，Red Hat的Openshift 多云 PaaS也是如此。
智能边缘vs私有云
云服务确保了企业所需的业务敏捷性，这对开发数据驱动的应用程序来说是非常有必要的，无论是在初创公司还是在大型企业中。挑战在于，企业不能忽略数据的引力，因为许多数据源仍然处在边缘领域。5G带宽，延迟，新法规如GDPR，以及更多的因素强制企业将计算和存储放在离数据源更近的地方。
今天的公有云模型是服务用户消费的，因此开发人员和用户可以绕过 IT，引入一些serveless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，你必须自己构建服务，而技术栈的发展速度非常之快，所以IT团队几乎不可能构建出可以与云替代方案相比较的现代化服务。
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化IT操作。它们没有提供更高级别的面向用户和开发人员的服务——它最终是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，这也为云供应商和新公司进入边缘领域提供了机会。
2017年，微软首席执行官Satya Nadella越来越关注他所谓的“智能边缘”。微软推出了Azure Stack，这是Azure云的一个迷你版本，不幸的是，这只包含微软在云计算中提供的一小部分服务。之后，亚马逊也开始推出名为“Snowball Edge”的边缘设备。
智能边缘不是私有云。它提供了与公有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一个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，传统的私有云市场将会逐渐萎缩，同时智能边缘的势头将会增长。云提供商将增加边缘产品，新公司将进入该领域，在某些情况下，通过集成产品到特定的垂直应用程序或用例上。
从纯技术到具有嵌入式特征和垂直堆栈的AI
2017年，人工智能和机器学习技术快速兴起，尽管获得了大肆宣传，但实际上主要是被亚马逊、谷歌和Facebook等市场领先的网络公司所使用。虽然对于一般企业来说，人工智能是举足轻重的，但是就大多数企业而言，的确还没有理由去雇佣那些所谓的数据科学家，或者从头开始构建和培训人工智能模型。
我们可以看到Salesforce这样的公司是如何利用其所承载的大量客户数据将人工智能构建到平台的。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，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、金融和安全也将不断涌现。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。如果你在学习阶段使用了像TensorFlow、Spark、H2O和Python这样的框架，那么你将需要使用相同的方法来运行推断部分。2018年，开放和跨平台的人工智能模型将被定义。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。
大数据到连续数据
在过去的几年中，企业已经开始开发由主要IT技术驱动的大数据应用。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，他们运行并进行批量处理作业并生成一些报告或仪表盘。然而，根据所有知名分析师的侦测，这种方法已经被证明是失败的，据Gartner的数据显示有70%的公司没有看到任何投资回报率。所以，数据必须是可操作的，才能从中获得ROI。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、Facebook的关键词锁定中看到的一样。
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其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。用于监视和国家机密的可视化数据必须实时查看；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客户活动获得的实时建议。数据和实时分析通过自动化的过程降低了业务成本。汽车正变得越来越自动化。电话推销员和助手被机器人取代。舰队、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统一编排，以最大限度地利用资源。
所有这些都已经在2017年发生了。
像Hadoop和数据仓库这样的技术十年前就已经出现了，比人工智能、流处理、内存或闪存技术出现的早。企业发现，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。而关注的焦点也从主要是收集数据转到持续使用数据，这一领域的技术主要集中在收集静止和以IT驱动过程中的数据，而非流动的数据。
2018年，人们将看到从大数据向快速、连续数据驱动型应用程序的持续转变。数据将被各种各样的来源不断地抓取。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，并在实时的交互式仪表盘中呈现。
开发人员将使用预先打包的云产品，或者使用相关的原生云服务集成解决方案。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。
总之，2018年，我们将看到这些变化：
1、智能边缘领域将会增长，传统的私有云市场将会萎缩。
2、针对特定行业和垂直领域的人工智能软件解决方案，AI模型将开始开放和跨平台。
3、快速的数据、连续的应用程序和云服务将取代大数据和Hadoop。
4、云服务将变得更易用，从而增加其与传统和私有云解决方案之间的差距。
最后，企业请准备好带上镣铐，被更多的用户锁定吧！
