過去 12 個月影響資料管理和分析的最大趨勢是生成式人工智慧代理的興起。

另一個趨勢是資料平台（包括資料庫、資料倉儲、資料湖和資料湖屋）向人工智慧開發環境的持續轉型。還有一些人越來越強調資料品質和人工智慧治理的新興重要性。

數據目錄供應商 Alation 的產品管理副總裁 Diby Malakar 表示：“在每個客戶電話中，他們都說他們正在利用 GenAI 做更多事情，或者至少在考慮這一點。” “他們首先討論的幾件事之一就是如何管理這些資產——人工智能模型、特徵存儲以及任何可以用作人工智能或機器學習生命週期輸入的

數據目錄供應商 Alation 的產品管理副總裁 Diby Malakar 表示：“在每個客戶電話中，他們都說他們正在利用 GenAI 做更多事情，或者至少在考慮這一點。” “他們首先討論的幾件事之一就是如何管理這些資產——人工智能模型、特徵存儲以及任何可以用作人工智能或機器學習生命週期輸入的資產。”

但這些只是影響 2024 年資料管理和分析的一些趨勢。

當與企業的專有數據結合時，生成式人工智慧模型可以使員工更豐富、更有效率。因此，企業自然而然地大力投入人工智慧開發。資料管理和分析供應商已經做出了回應，並認識到市場對簡化資料使用來訓練模型和應用程式的工具的需求。

這些需求導致了趨勢。以下是過去一年出現的最重要的六個：

代理人工智慧的出現

雖然 2024 年伊始，供應商終於交付了他們在 2023 年推出的一些生成式人工智慧助手，但隨著時間的推移，單純的助手已經成為過去。

助手支援自然語言互動。但他們是反應性的。它們要求使用者透過提問來與自然語言介面互動。有些助手足夠成熟，可以提出後續問題，從而進行更深入的分析，而另一些助手至少可以讓用戶提出後續問題，而助手不會失去對線索的追蹤。

2024 年下半年，代理人工智慧迅速崛起。

代理人工智慧工具是主動的，而不是被動的。與之前的助手不同，他們可以自主行動。

ISG 旗下 Ventana Research 分析師 David Menninger 9 月表示：“市場正在轉向代理人工智慧和代理分析。” “建立代理程式而不是依賴儀表板的概念代表了組織如何利用資料的範式轉變。代理可以根據資料啟動操作，而不是資料出現在儀表板中並將資料解釋留給查看者。”

同樣，Google雲端數據、分析和人工智慧策略和出站產品管理董事總經理亞斯明·艾哈邁德(Yasmeen Ahmad)表示，開發人工智慧代理是企業人工智慧發展的下一階段。

谷歌雲端是目前開發人工智慧代理並為客戶提供同樣功能的工具之一。 Looker 是這家科技巨頭的主要分析平台，它正在採用代理方法來產生人工智慧。

Databricks、Qlik、Salesforce、Snowflake 和 ThoughtSpot 等也是如此。

例如，ThoughtSpot 在 11 月推出了 Spotter，這是一個由人工智慧驅動的生成代理，可以理解上下文並不斷學習，以更好地了解企業的營運情況。 Salesforce 的子公司 Tableau 在 9 月推出了 Tableau Einstein，這是其 BI 平台的全新版本，以代理 AI 為核心。 Databricks 於 6 月推出了 Mosaic AI Agent Framework，以實現代理 AI 開發。

艾哈邁德在 8 月表示：“數據代理不是人來獲取數據並尋求見解或提高數據質量，而是監視數據、尋找異常、呈現見解、建議要監視的語義建模指標。” “我們正在從一個被動的世界轉向生成式人工智慧主動支持數據分析生命週期的世界。”

不斷發展的數據平台

不久前，資料管理和分析的主要目的是讓客戶能夠準備和分析資料。

Databricks 和 Snowflake 等資料管理供應商提供了基於雲端的資料儲存平台，讓客戶可以輕鬆存取資料進行分析。 MicroStrategy 和 Qlik 等供應商隨後提供了用於建立和查看報告和儀表板的平台，從而產生見解和決策。

現在，它們都正在成為人工智慧平台。

自從 OpenAI 推出 ChatGPT 以來，許多資料管理和分析供應商的重點一直是開發環境，使客戶能夠建立由 AI 驅動的生成模型和應用程式。

Menninger 在 11 月表示：“所有數據平台供應商都在提供 AI/ML 功能方面進行了大量投資。”

例如，Databricks在 2023 年以 13 億美元收購了 MosaicML，為 AI 開發提供基礎。過去兩年，它還開發了與 Mistral AI 和 Anthropic 等大型語言模型 (LLM) 開發人員的集成，建立了自己的 LLM，並推出了模型品質和 AI 治理能力。

同樣，主要競爭對手 Snowflake 開發了與 LLM 提供者的集成，建立了自己的 LLM，並利用 Cortex AI 為客戶創建了創建 AI 工具的環境。 Cortex AI 包括 AI 可觀察性和容器化儲存等功能，可安全地管理 AI 模型。

此外，科技巨頭AWS、Google雲端和微軟，以及從埃森哲到Zoho的專家都將人工智慧開發作為其產品開發的重點。

然而，Snowflake 人工智慧主管 Barry Gultekin 表示，由於對人工智慧開發的興趣和投資激增，過去兩年只是資料管理和分析新時代的開始。

「當談到人工智慧時，我想說每個人都處於旅程的開始，而且我們的進展速度令人難以置信，」他在三月表示。 “總體而言，發展速度——發展速度——令人難以置信。”

人工智慧的潛力變為現實

ChatGPT 首次發布大約三個月後，數據管理和分析供應商的第一個生成式人工智慧舉措開始逐漸湧現。

Pyramid Analytics、ThoughtSpot 和 Sisense 等供應商公佈了與 LLM 供應商的整合。透過集成，他們計劃開發人工智慧助理，使客戶能夠使用自然語言而不是程式碼來處理他們的數據。

許多其他人也紛紛效法。他們承諾提供的工具類型將使幾乎所有員工都可以使用決策智慧功能，並承擔繁重的編碼和文件任務，從而提高專家的效率。

然而，大多數在首次推出時甚至都沒有預覽過。整個 2023 年，承諾很多，但實際兌現的卻很少。

IDC 分析師 Stewart Bond 表示：「過去一年裡，我們看到了生成式人工智慧在資料智慧軟體中的許多應用，但主要是在研發實驗室和演示中，這些應用可能會或可能不會涉及一些煙霧和鏡子。

這種情況在 2023 年底開始發生變化，當時MicroStrategy 是第一批普遍提供人工智慧產生功能的供應商之一。 2024 年，許多其他人紛紛效仿，生成式人工智慧的承諾開始實現。

Informatica 和 Dremio 等資料管理專家推出了人工智慧助手，Tableau 和 Qlik 等分析專家也推出了人工智慧助理。

此外，數據平台供應商 Databricks 和 Snowflake 以及科技巨頭都普遍提供了生成式 AI 驅動的功能，以及旨在幫助客戶開發自己的生成式 AI 應用程式的功能。

PowerSchool 是利用 2024 年推出的人工智慧開發能力的企業之一。美國和國外 17,000 個學區使用該教育科技供應商的平台。

該公司利用 Snowflake 和 Microsoft 的技術開發了 PowerBuddy ，這是一款由 AI 驅動的生成式助手，使用戶能夠使用自然語言與資料互動。

「任何用戶都可以提出自然語言問題，」PowerSchool 首席產品和創新長 Shivani Stumpf 在 11 月表示。 “我們的想法是，教育界的每個人，無論你是家長、學生、管理人員、輔導員、校長，都可以使用好友，為他們提供觸手可及的與他們相關的信息。”

對數據品質的需求

隨著人工智慧發展的快速發展，人工智慧助理、代理和其他應用程式要想對組織有價值，用於訓練和通知應用程式的資料必須是高品質的。

因此，數據品質變得越來越重要。

人工智慧模型和應用程式由資料訓練。這就是賦予他們智慧的原因。因此，模型和應用程式的好壞取決於為其提供數據。

如果數據不準確、不一致、不完整或過時，模型和應用程式提供的輸出將反映這一點且不值得信賴。後果可能包括人工智慧應用程式因其輸出不可信而被閒置，如果使用應用程式並根據不良輸出做出決策，則會造成經濟損失、違反監管規定以及嚴重尷尬。

然而，如果數據品質高，完整、一致、準確且新鮮，模型和應用程式的輸出將更有可能是正確且值得信賴的。好處包括廣泛使用數據來指導決策（這已被證明可以刺激成長）和更高的效率（這也有助於組織的獲利）。

MicroStrategy 首席產品長 Saurabh Abhyankar 表示：「在一個從手工創建的儀表板和報告轉向希望人工智慧大規模進行[分析]的世界中，[數據品質]非常重要。」九月。 “但是，除非你有一個系統，以便[人工智慧應用]能夠精確，否則你無法擴展......要做到這一點，數據品質就必須存在。”

然而，確保數據品質長期以來一直是企業面臨的挑戰。現在企業收集的資料量呈指數級增長，加上資料的複雜性不斷增加，這使得它變得更加具有挑戰性。

為了盡可能確保只使用高品質的資料來訓練人工智慧工具，需要由能夠在必要時進行幹預的人類監督的自動化流程，例如向量搜尋、檢索增強生成和資料可觀察性。負責人Donald Farmer。

「[資料品質]強調可以自動化的流程，識別需要比以前更少的專業知識的資料清理流程，」他在 9 月表示。 「這就是正在發生變化的地方。我們正在嘗試更大規模地開展工作，但在這種規模下，你無法讓人類參與其中。流程是否可以進行審核非常重要。”

人工智慧治理出現

儘管高度重視資料品質有助於確保人工智慧模型和應用程式提供適當的輸出，但組織仍需要確保正確使用人工智慧工具。

正如不良數據可能導致組織損害一樣，人工智慧模型和應用程式的不當使用也會導致組織損害。

幾十年來，資料保存在本地資料庫中並由組織的 IT 部門監督，分析師必須提交要開發的報告和儀表板的請求。由於對資料的存取有限，因此不需要資料治理。

隨後出現了自助分析時代， Tableau 和 Qlik 等供應商提供了使非專家能夠存取和分析資料的平台。一旦數據存取不再僅限於經過培訓的專家，組織就需要數據治理框架來使業務用戶能夠自信地處理數據，並對其數據的使用設定限制，以保護組織免受意外傷害。

現在，人工智慧也正在發生同樣的演變。

機器學習、預測分析和其他形式的傳統人工智慧長期以來一直是數據科學團隊的領域。生成式人工智慧改變了這一點，使人工智慧能夠更廣泛地用於決策。事實上，任何員工現在都可以提出有關組織資料的問題。

分析師凱文·皮特里（Kevin Petrie）表示，如果不採取適當的做法和政策進行管理，人工智慧工具的不當使用可能會產生與訓練有素的模型和應用程式相同的後果，包括準確性差、產出有偏差、不遵守法規和財務損失。

「如果這些風險沒有得到適當的控制和緩解，你可能會面臨…監管處罰或與合規相關的成本、憤怒或疏遠的客戶，並且你最終可能會遇到遇到瓶頸的營運流程，因為人工智能的預期效率優勢不會交付，」他在九月說道。

Petrie 繼續說道，由於人們對人工智慧開發的興趣日益濃厚，許多組織尚未開發人工智慧治理框架。然而，許多資料管理供應商，例如Alation和Collibra，現在都在添加 AI 治理工具，使客戶能夠更好地確保 AI 的正確使用。

Constellation Research 分析師 Doug Henschen 在 10 月表示：“作為一項數據驅動的活動，人工智慧的發展必須像我們管理數據一樣受到嚴格管理，因此這是數據治理計劃的自然延伸。” “組織需要幫助應對這些挑戰，因此很高興看到......供應商添加功能來解決人工智能特定的風險和新興的監管要求。”

資金返還

投資者曾經喜歡數據管理和分析供應商。

隨著分析在 2010 年代成為更流行的決策手段，金融家看到了機會。2020 年，這一數字有所增加，當時新冠肺炎 (COVID-19) 大流行來襲，即時分析變得至關重要，數據可以為企業提供決策情報，幫助他們在不斷變化的環境中生存下來。

2020 年 9 月， Snowflake 創下了科技供應商史上規模最大的首次公開募股記錄。此後，僅在2021 年，就有10 家資料管理或分析供應商執行了1 億美元或更多的融資，其中包括當年2 月籌集了10 億美元的Databricks 和籌集了8.28 億美元的Confluence 。

這類供應商在 2022 年初繼續吸引資金，SigmaComputing 和 Pyramid Analytics 的融資額超過 1 億美元。

但隨後一系列事件，包括俄羅斯入侵烏克蘭、供應鏈問題反覆出現、利率上升以及對經濟衰退的擔憂加劇，導致了經濟不確定性。

隨著股市整體下跌，科技股大幅下跌。裁員人數增加。創投資金枯竭。

只有 Databricks 和少數其他資料管理和分析供應商能夠在 2022 年下半年和 2023 年全年籌集資金。

到2024 年，雖然資金不再像幾年前那樣自由地流入數據領域，但情況有所好轉，Cribl、Aerospike 和Sigma 各自籌集了超過1 億美元，而Ocient 和Coalesce 等其他公司則吸引了約5000萬美元。

ISG 旗下 Ventana Research 分析師 Matt Aslett 4 月表示：“考慮到整體經濟環境，近年來籌集風險資本有些困難。” “但是對於具有有吸引力的差異化價值主張的分析和數據軟體提供商來說，資金仍然是可用的。”

某種程度上，這個價值主張就是人工智慧。

人工智慧供應商本身正在籌集大量資金。例如，OpenAI 在 2024 年籌集了超過 100 億美元，而開發 Claude 系列生成人工智慧模型的Anthropic今年則籌集了約 70 億美元。

Informa TechTarget 企業策略集團分析師 Stephen Catanzano 表示，提供可用於開發人工智慧模型和應用程式的工具的資料管理和分析供應商往往是吸引投資者的人。

「[吸引資金的供應商]都在增加人工智慧支援功能，以追逐人工智慧工作負載市場，」他在四月表示。 “我認為供應商看到了巨大的人工智慧市場預測，可以很容易地表明他們可以分一杯羹，但他們需要更多的錢並且正在引起關注。”