Gartner2022重要战略科技趋势工程化信任塑造变革加速

　　2022年，CEO最关心的三个关键词是什么？在Gartnerfor2022的一项CEO调查显示，CEO们在明年一年里最关心三个关键词是增长、数字化和效率。2022年，CEO希望能够恢复增长，推动数字化的同时保证企业的利润和现金流。基于CEO的这三点期望，Gartner认为，CIO的工作重点在2022年也会聚焦到以下3个方向：
　　1。找到加速数字化的技术。
　　2。赋能业务增长。
　　3。创建一个可扩展的技术底座来保证现金流和利润的实现。
　　因此，Gartner近期发布的《2022年重要战略科技趋势》聚焦到三个主题：工程化信任、塑造变革、加速增长。工程化信任，本质上是一组关于增强安全和数据处理效率的技术趋势。塑造变革，是一组用来加速数字化的技术趋势。加速增长的本质是一组将数字化技术用以连接物理和虚拟世界，以构建一种新的工作方式（包括新的体验模式、新的商业模式等）的技术趋势。所以，工程化信任、塑造变革、加速增长是企业从上到下重构系统的过程。
　　工程化信任：构建安全可靠的数据处理基础设施
　　工程化的信任（EngineeringTrust），其本质上是为了构建一个安全可靠的数据处理基础设施，可以认为它是为数字经济夯实数据的基础。它具体有四个技术趋势：数据编织、网络安全网格、隐私增强计算、云原生平台。
　　其中，网络安全网格（CybersecurityMesh）通俗地来说是一种去中心化的网络安全架构，所针对解决的是目前以数据中心为边界的网络安全体系中所面临的各类网络安全工具之间无法有效协作的问题，市面上已经有一些类似于网络安全网格的解决方案，有SASE（包含零信任安全等）、XDR架构等等。隐私增强计算（包含安全多方计算、可信执行环境等）和云原生平台在这两年也已经被大家熟知，Gartner对隐私增强计算的最新预测是，到2025年前，会有60的大型企业准备开始采用隐私增强计算。
　　这里着重说一下数据编织（DataFabric）。数据编织可以通俗理解为一种新的数据管理和数据整合的理念和架构。当下企业内部的数据很多时候依然是以孤岛的形式存在在各个应用中的，如何把企业中庞大的数据通过连接的方式管理起来，就是数据编织想要解决的问题。所以，数据编织是一种新型的数据管理设计理念，它的目的是为了达到灵活的、可复用的数据管道和数据服务，以支持多应用、多平台的数据运营和数据分析的应用场景，最终构造一个跨数据中心、多云、以及边缘的统一数据架构。这个数据架构里包含的数据元素可以是传统的关系型数据库，也可以数据仓、数据湖、云数据库等等。在整个企业或者企业集团的范围内，提供对数据的全局访问。
　　以汽车制造商为例，汽车制造商每个部门都有自己的数据和格式，这个数据和格式包括供应链的数据、生产的数据、销售的数据等等。每个业务部门的数据格式、数据语言可能都是不一样的。Gartner高级研究总监高挺（ArnoldGao）举例。
　　在这种情况下，企业业务决策层面临的挑战是，要回答一个整体性的业务问题，比如要对比两款车在某一个地区的市场利润率，这个时候整合分散数据，需要有一套统一的数据分析框架把各个部门已有的这些零散的数据整合起来，用来表征和回答真实世界的现实问题。从业务层面的角度来看，数据编织改变了传统人找数据的模式，而是让数据找人。
　　塑造变革：PBC与人工智能工程化
　　企业如何去提高商业的韧性和效率，本质是一个如何创新地利用技术来加速数字化的问题。组装式的应用程序和人工智能工程化是里面比较重要的趋势。
　　怎样实现组装式应用？Gartner提出了封装业务能力（PackagedBusinessCapability，简称PBC）这个概念作为组装式应用的核心。与微服务架构不同的是，前者交付的依然是封装应用，而基于PBC的组装式应用交付的是一个数字化的平台。在这个平台中，PBC更像一个个原子，而组装式应用是把这些原子重新组合起来的一个个分子。
　　在基于PBC的组装式应用交付的系统中，每一个人、每一个团队、每一个部门，可以根据自己的需求去构建自己所需要的应用程序。理想状况下，业务部门可以从云端或是企业的应用商店里去下载所需要的PBC。PBC可以是一个对象的数字孪生或者是某一个小功能，这个对象或者功能被模块化之后，业务用户就可以根据自己的需要把PBC下载下来，然后用低代码的方式构建出定制化的应用。高挺对钛媒体App表示，当下流行的低代码平台正是组装式的应用程序中的一种实现方式。
　　另外一个比较重要的趋势是，人工智能工程化。高挺认为：AI目前的应用仍然是被低估的。因为当下很多的AI项目的价值只能体现在一些点对点的一次性的方案中。也就是说，很少有看到有AI大规模的落地。这件事情的难度在于，除了传统在应用开发上会遇到的DevOps的挑战，在AI的项目里面还有两个比较复杂的模块，数据（DataOps）和模型（ModelOps）。因此AI工程化并不只是一个技术问题，更是一个管理体系方法的问题。
　　美国有一家医疗机构叫‘凯撒医疗’，这家医疗机构试图用计算机视觉的方式，来对患有皮肤病的人群进行分类，并接受远程诊疗，但一开始并没有成功。高挺介绍。凯撒医疗初期没有成功的原因在于，因为隐私保护的原因，他们无法获得足够的真实数据进行AI建模，而是采用了教科书中的高清照片作为训练数据。由于训练模型的数据和真实的世界出现了脱节，导致模型上线后效果不佳。
　　最后，凯撒医疗采取的办法是让病人对自己皮肤患处拍一个5秒钟的视频去上传。我们知道，每秒钟视频默认情况下有30张照片，因此医院在几乎没有增加成本的情况下把输入数据增加了150倍，最终让这个不完美的AI模型达到了可以接受的分类效果。
　　凯撒医疗的例子其实是证明，在AI工程化的路途中，有许多的实践检验、方法、流程是需要注意的，这些方法论的形成才有可能真正地让AI算法、已有的数据发挥价值和作用。
　　加速增长：全面体验与生成式AI
　　加速增长主要是希望企业能够抓住一些新的模式和场景。其中两个比较重要的趋势是全面体验与生成式AI。
　　全面体验的一个大背景是，我们现在已经进入到了一个体验经济的时代。本质上，我们现在所处的时代，已经从传统的以营销为主的时代到了现在一个以产品为主的时代，也就是从营销时代转向了产品时代，而对于产品力的判断方法往往不仅是一些硬指标，更多的是客户和用户对于产品的体验。不同客户关注的方面可能是完全不一样的。这与此前有企业奉行的PLG驱动（产品力驱动）异曲同工。
　　Gartner把体验分为四块，分别是客户体验、用户体验、员工体验、多重体验。这四个体验中，从销售的流程来说，可能最关注的是客户体验。因为一个客户从认识这个产品到最后买单有一系列的流程。这个流程里面客户的体验好不好，就是客户体验所要关注的地方。在这几个模块当中‘多重体验’其实就是一系列的数字化能力，可能就是给员工一个终端。但是这个终端只是一个终端，背后要有一套系统，要收集足够的数据、足够的反馈，去把用户的这样一个能力支撑好。这个就是为什么我们说所谓的全面体验，必须要这四个模块一起考虑，而现在的大多数的企业只考虑了两个模块或三个模块。
　　当下，对于一个AI的新的用法，叫生成式AI。这种用法是可以用AI来创造一些新的事物，包括让AI创造文章、视频、合成数据或者是研发新药等等。AI已经逐渐从一个做判断的机器变成一个做创造的机器。
　　生成式AI的好处是什么呢？它不仅仅可以判断、还可以创造，可以利用已有的数据做出一个模型之后可以生成更多的合成数据。这些合成数据就像人脸一样，从肉眼角度看不出这张人脸有任何问题，但是其实这个人是目前世界人口里面不存在的一个、看上去跟真人一模一样的人。同样的道理，合成的数据也是可以被用来去训练新的AI模型，而且这个数据看不出有任何毛病，但是其实这个数据不属于任何一个人。
　　这样的一种技术，很好的避免了数据隐私被侵犯的痛点。我觉得这个是‘生成式AI’可以给我们带来的一些价值。高挺说。