В последние годы данные были самым ходовым товаром в мире. Деньги тяготеют к компаниям, которые их собирают, компаниям, которые их анализируют, и компаниям, занимающимся инфраструктурой данных, которые обеспечивают цифровую сантехнику, которая делает все это возможным.

Только за последние пять лет стартапы инфраструктуры данных привлекли более 10 миллиардов долларов венчурного капитала, а их совокупная стоимость составила 40 миллиардов долларов.

Мы знаем названия крупнейших компаний в этой области: Databricks, Snowflake, Confluent, MongoDB, Segment, Looker и, конечно же, Oracle.

Но у меня вопрос: Для чего они вообще нужны?

Большинство инвесторов будут говорить о том, как теоретически можно использовать данные для определения трендов. Другие могут говорить о том, как данные изменят мир, не заполняя пробелы в том, как это сделать.

Я не согласен. Я работал и инвестировал в компании по обработке данных на протяжении всей своей карьеры. Но я думаю, что они упускают что-то большое. Грядет мощная революция, возможно, самая мощная с тех пор, как в 1964 году была изобретена компьютеризированная обработка транзакций. вычислений и изменить то, как мы живем, работаем, делаем покупки и развлекаемся.

Новая преобразующая модель

С момента зарождения вычислительной техники обработка транзакций выполнялась почти таким же образом. Пользователь делает запрос, запрос обрабатывается, и, если повезет, анализируется выбор пользователя.

Это то, что происходит сегодня на многих платформах.

Когда я покупаю продукт на Amazon, машинное обучение может использоваться для рекомендаций. Но решение о покупке, по сути, должен принять я, покупатель. Когда я просматриваю Netflix, он алгоритмически предлагает контент, который мне может понравиться, но я снова должен сделать выбор, чтобы нажать «Воспроизвести».

Мы называем это «искусственным интеллектом», но я думаю, что он недостаточно умен. Настоящая трансформация произойдет, когда мы перейдем к модели вычислений с прогнозированием.

Представьте, что к вам домой прибывает грузовик с доставкой, содержащий 100 предметов, которые, как известно Amazon, вам понадобятся. А для трех вещей, которые вы не делаете? Amazon может собирать их в качестве возвратов и дополнительно обучать свою модель вашего покупательского поведения.

Учитывая сложную логистику и активы данных Amazon, это нетрудно представить. У Amazon есть данные о ваших покупательских привычках за всю жизнь. В нем есть данные вашей кредитной карты. И он обладает непревзойденной способностью быстро отгружать товары в больших масштабах.

То же самое может быть верно для Netflix и других платформ, таких как Spotify. Они знают наши привычки, так зачем же ждать, пока мы расскажем им то, что они уже знают, прежде чем они развлекут нас?

Как говорит Бенедикт Эванс, компьютер никогда не должен задавать вопрос, на который он знает ответ. Однако это только начало. Модель Predictive Transaction Processing — это не просто возможность улучшить нашу жизнь, существующие системы и бизнес-модели. Это будет иметь решающее значение для разблокировки преобразующих технологий будущего.

Возьмем, к примеру, автономные автомобили. Мы не достигнем автономности «5-го уровня», если у автомобиля есть только собственные встроенные датчики, на которые можно положиться. Нам нужно прямое обучение автомобиля в облаке, а также расчет рисков на дороге с использованием данных, собранных каждым автономным транспортным средством. И нам нужно, чтобы эти вычисления были предсказуемыми, чтобы управлять нашими транспортными средствами в предвидении опасностей, которые ждут впереди. Используя прогностическую модель, основанную на данных, мы можем сделать автомобили будущего еще более безопасными.

Размещение строительных блоков

Уже есть компании, делающие пробные шаги к предсказуемому будущему.

В частности, это TikTok от ByteDance. С доходом в 58 миллиардов долларов в 2021 году это самое прибыльное приложение для прогнозной обработки транзакций из когда-либо созданных. Откройте приложение, и вы увидите бесконечный поток автоматически воспроизводимых коротких видеороликов. Пока вы смотрите, алгоритм узнает, что вам нравится, основываясь не на ваших заявленных предпочтениях, а на ваших выявленных предпочтениях.

Другими словами, если вы тратите больше времени на просмотр видео с домашними животными, чем на людей, поющих или выполняющих трюки, приложение покажет вам больше домашних животных, и вам никогда не придется нажимать кнопку воспроизведения или вводить слова в поле поиска.

Многие другие, несомненно, последуют примеру ByteDance. Кроме того, у нас есть огромные возможности для инвестиций и создания ключевых технологий, которые приведут нас к модели предиктивной обработки транзакций. В рамках перехода от пользовательских взаимодействий к решениям, принимаемым обучающими системами и данными, нам потребуется переоснастить и перепроектировать весь технологический стек.

Например, нам потребуются улучшенные модели машинного обучения, которые будут более точными в своих прогнозах, поскольку предельные выгоды будут иметь значение, когда они каскадируются в логистической цепочке. Нам также понадобятся обучающие системы, которые могут оглядываться назад и исправлять предыдущие ошибки, чтобы ошибки не усугублялись.

Нам также нужно будет заменить давних священных коров, таких как стандарты J2EE, которые отвязали электронную коммерцию на целое поколение. Приложения, основанные на обучении на основе данных, сильно отличаются от приложений, основанных на традиционной реляционной базе данных. Нам также потребуются новые инструменты разработки и отладки, такие как новые языки программирования более низкого уровня, которые позволят нам более эффективно запрашивать данные.

Интеграция приложений также усложнится, поскольку приложения будут полностью зависеть от данных, а не от дизайна. И, в конечном счете, потребуется резкое изменение надежности приложений для обработки транзакций в реальном времени. Если прогностические данные должны иметь решающее значение, нам нужны платформы и продукты, которые сокращают время простоя, обеспечивают мгновенное восстановление и имеют возможности автоматического аварийного переключения.

Реальная возможность

Революция прогнозной обработки транзакций неизбежна. Возможно, это самая захватывающая инновация, которую когда-либо видели корпоративные вычисления. Когда технологические строительные блоки встанут на свои места и приложения, наконец, появятся на рынке, эффект будет ощущаться немедленно.

Количество транзакций на прогностических платформах будет стремительно расти. Появятся огромные возможности для повышения эффективности существующих систем и прибыльная роль для экосистемы компаний, создающих промежуточное программное обеспечение, которое делает это возможным. А доминирующие сегодня корпоративные платформы SaaS рискуют устаревать.

Итак, пришло время использовать прогнозную обработку транзакций, и мудрые инвесторы извлекут урок из этой новой парадигмы: пришло время смотреть вперед и принимать решения о том, куда вложить деньги, зная, что произойдет.