如今，人工智能市場在各個行業都在迅速增長，從創業到政府和軍事部門。多家企業成功掌握了首批試點應用。據分析公司 稱，目前全球人工智能市場規模超過 80 億美元，到 2022 年將接近 776 億美元。

人工智能 (AI) 的發展涉及機器的不斷學習。為了變得“聰明”，計算機需要處理大量數據、大量內存和強大的處理器來大量學習。此類處理器的速度已經比單個人類神經元的速度高出幾個數量級，在全球范圍內它們的數量與人腦中的神經元數量相當。行為建模算法在不斷改進，處理器內存已經超過了人類的潛力。

人工智能訓練所需的數據本身仍然存在問題。正是在這里，區塊鏈技術脫穎而出，即點對點(peer-to-peer)網絡的可能性，用于收集和積累數據，用于跨國家甚至全球的培訓。

點對點網絡是一種無服務器網絡技術，它允許多個設備共享資源并直接相互通信而無需中介。作為對等系統成員的每臺計算機都充當存儲在其上的文件的服務器。使用區塊鏈為機器學習收集數據將有助于使這些數據值得信賴，而加密貨幣的使用可以推動個人和公司收集這些數據。

區塊鏈將增強人工智能的力量

除了經過區塊鏈驗證的數據源源不斷，人工智能還需要大量的算力才能發展。通常算法用于這些目的 ANN - 人工神經網絡。人工神經網絡通過查看許多示例來學習如何執行任務，因此需要大量的能力來快速處理數百萬個值。

如果區塊鏈可以通過網絡傳輸數據，那么理論上它的計算能力可以用于其他目的。區塊鏈的一些變體允許用戶在點對點 (P2P) 市場中向需要進行復雜計算工作的人提供他們機器的計算能力。對于容量的提供，用戶將獲得代幣形式的獎勵。

AI 本身將能夠在此類計算平臺上以更高的效率進行學習。這種共生還將降低訓練算法的成本。

人工智能在構建邏輯數據結構中起到關鍵的作用

邏輯數據結構是統一數據交付平臺的愿景，該平臺通過隱藏復雜性并以業務友好的格式公開數據來抽象對多個數據系統的訪問。

在當今數據優先的經濟中，一些組織擁有多個數據科學、數據工程和數據平臺團隊來處理定價、供應鏈和與店內購物相關的高級數據分析和數據等問題并不罕見。科學來推動他們的業務并獲得競爭優勢。因此，如今 IT 團隊面臨的最大挑戰之一是為具有不同技能水平的廣泛數據消費者提供服務。這就是邏輯數據結構方法日益突出的原因。

這種方法有望實現靈活、實時和增強的數據集成管道，結合全面的數據管理功能，為組織內最精通數據和最不精通數據的消費者提供服務。通過在活動元數據上利用知識圖譜、數據目錄和AI/ML，這種新的數據集成和數據管理方法支持更快、更自動化的數據訪問和共享。

數據結構是一種可組合的架構，這意味著數據目錄、知識圖、數據準備層、推薦引擎、DataOps和編排等組件可以與不同的工具結合在一起工作。雖然這是真的，但一些同類最佳的數據結構是單一平臺，提供數據結構的所有重要功能。邏輯數據結構是一個統一數據交付平臺的愿景，它為業務消費者抽象了對多個數據系統的訪問，隱藏了復雜性并以業務友好的格式公開數據，同時保證數據的交付根據預定義的語義和治理規則。在我們生活的數字世界中，可以毫不夸張地說這將使每個 CIO 夢想成真。

當今自助服務戰略的一個關鍵標準是商業用戶(例如公民分析師、數據科學家和 LoB 開發人員)能夠在數據交付層中找到哪些數據集可用，以確定哪些數據集與其信息需求相關。數據搜索和發現對 IT 團隊的依賴已成為數據科學家和公民分析師等角色的瓶頸。更糟糕的是，這些稀缺資源不能浪費爭吵數據而不是構建模型或分析數據。與數據交付層集成并通過基于AI/ML的推薦引擎增強的數據目錄，幫助用戶實現快速的數據發現和探索。業務管家可以根據元數據創建業務視圖目錄，根據業務類別進行分類，并為它們分配標簽以便于訪問。具有增強協作功能的邏輯數據結構可幫助所有用戶認可數據集或注冊有關數據集的評論或警告，幫助他們進一步了解數據集的使用情況并更好地了解他們的同行對其的體驗。

雖然數據搜索、數據發現、數據分類和標記的簡便性可幫助用戶在正確的時間找到正確的數據，但在強大的 AI/ML 引擎的幫助下，它可以得到顯著增強。在 AI/ML 支持的邏輯數據結構中，可以分析過去的用戶活動，以提供個性化的建議和選擇數據集的快捷方式，從而加速數據科學項目和高級分析。其他增強功能可能包括有關數據集和列的擴展分析信息以及智能搜索的改進，即結果的智能排名，類似于谷歌搜索的工作方式，但在企業數據訪問的上下文中。

隨著公司將業務擴展到全球，他們的數據也在擴展。更重要的是，企業范圍的數據不僅分布在區域內，而且分布在多個云中，有時是多個云和本地。雖然邏輯數據結構架構在很大程度上保證了數據的非復制性，但這也回避了數據科學家、業務分析師或 LoB 用戶運行查詢的性能問題，這是做出快速業務決策的關鍵標準. 單個查詢可能會訪問來自全球多個不同位置的數據，混合使用云和本地系統。雖然有許多可能的方法來加速查詢，包括緩存、查詢下推等，但最有用的查詢加速之一可以通過使用 AI/ML 來實現。

數據消費者(例如數據科學家、公民分析師或高管)經常尋找具有相關或相同中間數據集的信息。在這種情況下，這個中間階段的信息可以智能地具體化并存儲在數據存儲庫中，這些存儲庫最適合以后的數據訪問。在類似的查詢運行期間，AI/ML 引擎可以推薦使用物化視圖，以成倍地加速查詢。它可以大大加快業務決策的制定，從而有助于增加收入和/或降低成本。

通過元數據激活和 AI/ML 技術的結合，可以實現查詢加速和基于數據目錄的增強協作和數據搜索。元數據確實為數據管理和數字業務轉型的未來帶來了希望。由基于元數據的數據集成、數據管理和數據交付的基礎組成，希望是一個精心規劃的邏輯數據結構，其中包括數據虛擬化、集成數據目錄和強大的 AI/ML 等關鍵功能 -基于推薦引擎可以解決復雜的企業范圍的數據訪問問題，使組織能夠更好地為客戶服務。