零宕机无缝迁移Spring Cloud至k8s

数据孤岛、遗留系统和快节奏的敏捷竞争者都要求利用组织的数据来驱动最重要的价值。由于面临巨大的挑战，许多组织都开始意识到使用合作伙伴生态系统以及利用人工智能和高级分析等各种技术，以满足利用数据进行创新的需求。

从采用行业标准到图形数据库的使用，以及人工智能和高级分析的实际使用案例，六位行业专家探讨了人工智能和高级分析的变革影响，同时对如何实施这些技术进行了解释。

1. 使数据战略与业务目标保持一致

Pure Storage公司欧洲、中东和非洲地区首席技术官Patrick Smith阐述了数据的价值。他表示，这是现代货币中一个最有价值的形式。

然而，他指出，“大量的业务数据只有在能够快速处理、读取和理解的情况下才是可行的。从这个意义上说，高级分析可以完成繁重的数据处理工作，支持业务转型努力，帮助各种组织提高业绩和绩效。”

Smith强调指出，尽管如此，大多数组织缺乏基础设施和分析软件，或者缺乏有效实施人工智能和高级分析的专门知识。

他解释说，要克服这一点，组织必须专注于使数据战略与业务目标保持一致，并与技术合作伙伴合作，以快速、横向扩展、易于使用的基础设施提供现代数据体验。

2. 摆脱人工过程

在过去的十年里，商业智能一直被用来从历史数据中获得洞察力，但直到最近，这些分析技术主要还是人工操作。

这种情况正在发生变化，全球技术研究和咨询机构ISG公司总监Wayne Butterfield解释说，企业领导者欢迎人工智能(AI)消除人工流程，并提高洞察质量的承诺。

他说：“数据驱动的见解(利用历史数据来预测未来的结果)结合数据、高级分析和人工智能，在收入、需求和供应等领域的预测性见解的基础上转变决策。现在还处于早期阶段，但自动机器学习(AutoML)技术正在降低组织进入的门槛，因为这些组织可能没有庞大的数据科学家团队，但他们仍然看到了分析数据的价值。”

谈到诸如Kortical.io和Data Robot之类的自动机器学习(AutoML)工具时，Butterfield解释说，“这些在卓越自动化中心变得越来越流行，因为先进的人工智能模型被投入到相对简单的机器人过程自动化类型的过程中，并根据这些预测采取行动。”

3. 完整的视图

OpenText公司人工智能欧洲销售总监Kerrie Heath说，从数据中提取价值不应该是一项艰巨的任务。

她说，“通过采用先进的人工智能分析技术，组织可以实时推动价值，并以可视化、交互式的形式交付价值，让用户能够轻松地预测产品、主题、事件、趋势，甚至主题和情感。而只有全面了解这些非结构化数据，并将其与企业系统中的结构化数据实时结合，组织才能更有效地分析、理解和管理其企业数字生态系统。反过来，组织也为自己提供了确保和实施数据治理的工具。


 

四、微服务架构

小宝宝既可爱又有趣，但是一旦变大，就很难操纵并且难以维护。微服务架构旨在帮助开发人员避免让自己的宝宝长大，笨拙，僵硬，烦人。它的目标不是创建一个大型程序，而是创建多个不同的小型程序。避免修改一个小bug，就需要重新部署整个大型应用的情况出现。

这种方法类似于事件驱动和微内核方法，但是主要用于解耦不同模块及任务。在许多情况下，不同的任务可能需要不同的处理量，并且用途可能会有所不同。所以微服务的特点是便于修改、便于扩展。使用负载均衡及服务发现的机制，在用户使用高峰期部署更多的微服务，保证服务的高可用；在用户低频服务时段缩减微服务，从而节省服务器资源。

注意事项：

• 并非所有应用程序都可以拆分为相对独立的微服务单元。
• 当任务分散在不同的微服务之间时，通信成本会更大。单个请求的响应时长会增加。

适合：

• 快速发展新业务团队
• 大型Web应用程序

五、高速缓存架构

许多网站都是围绕数据库构建的，只要数据库能够满足负载，它们就可以正常运行。但是当使用量达到顶峰，并且数据库无法跟上用户请求的速度时，整个网站就会瘫痪。将数据存储在内存中可以使许多工作更快，从而大幅度提高用户并发访问的支撑能力。

注意事项：

• 对于内存数据库，事务的支持更加困难。
• 开发专业的高速缓存数据的程序，对程序员的技术水平往往要求更高一些（至少比只会写增删改查的程序员要高）

适合：

• 高频点击数据流和用户日志之类的大量数据处理
• 低价值数据，有时可能会丢失而不会造成重大后果（比如用户访问量数据）
• 读多写少的数据。比如新闻数据，写完之后几乎不改，但是有很多的人看。

（编辑：鞍山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!