Tuesday, March 28, 2017

Where do you think the biggest opportunities are in the continued evolution of big data?


  • Tie in real-time operations to telecom providers in Japan automatically directing antennae for cell phones based on need. React in real time based on where the users are located.
  • Managing things centrally makes sense. All companies are scrambling to become part of Amazon. We want to make our product available on AWS. Redundant, virtualized systems in the public cloud. This is a Capex versus Op Ex versus core competency decision. Offload your IT architecture to AWS and focus on your business. Trust someone else to maintain the environment and use as a service.
  • Moore’s law in computing power continues to enable the handling of larger datasets, containers, and microservices. Integration challenges are being solved. IT needs to focus on the right problem, set-up, configure, maintain, and manage disparate data sources to innovate like Tesla and Uber.
  • Continue to help companies take different formats – normalize, tag, and put in a repository to use and analyze. Analysis of data by computers by enriching the data by enabling lookups.
  • The immediate opportunity is to find effective, efficient ways to correlate use cases, and leverage common big data stores to address multiple needs. The concepts behind big data are fabulous for collecting a wide range of data, and now the challenge is to break away from legacy siloed thinking to recognize and leverage data relationship to solve the remaining hard problems that are out there today, such as complex multi-domain proactive incident prevention and multi-faceted cybersecurity threats.
  • Insights everywhere for everyone – not just the elite. Take big data, business intelligence, and analytics to 100% of the population. Everyone can use analytics just like everyone can read and write.
  • Democratization of data. Able to get useful information from data via the clould and solutions as a service (SaaS).
  • Catalog data in NoSQL and Cloud, in addition to Hadoop so analysts can get access to all big data.
  • We will be collecting more data, getting actionable insights, with repeatable (automated) processes, to see near-term value from data. In the next generation, we’ll have real-time streaming and decision making. More of a real-time view.
  • Tremendous. Data is king. Evolution of tools with machine learning and NLP. Make it easy for people to use our infrastructure and focus on data mining. Cloud, Flash, soft edifying makes infrastructure invisible with APIs.
  • For risk-averse markets, how to incorporate detailed data to do more experimentation and test more hypotheses. Enable experiments to go into rapid prototyping. Don’t trigger false positives. Don’t open security issues. Take advantage of big data technology. Plan for voice of the customer, sensor data, biometric signals with changes. Don’t hard code the data feed, stay flexible. Think ahead about how our kids are the next generation and how the user interface will change.
  • Anyone involved realizes we’re in a boom time. Remain adaptable and flexible. Don’t be dogmatic about a particular solution. Evolution of production analytics. Predictability, scalability and how to get value out of network technologies. Embedding of knowledge to make real-time decisions and have real-time knowledge.
  • Convergence of software, data, and machine learning. AR/VR via mobile. Blockchain is getting less buzz but being able to share data to get an outside perspective without moving the data is a tremendous opportunity. Attributes and scores are based on data that’s secure and encrypted.
  • More real-time convergence of disparate data sets for real-time analytics. Machine learning. Being able to ask questions of big data and get answers back. IoT will provide real-time traffic, threats, and traffic. Make computer systems smarter. Build enterprise data hub architecture. Average users employ Hadoop to do one thing realizing the multi-tenant state of the data. Open source will continue to drive big data. Need to move to the cloud but maintain flexibility with hybrid solutions.
  • The distant future is the application of machine learning, AI, and automation. There’s still a way to go for this not to be science fiction. We get there by having tools make the analysis and collection of data more similar. Machine learning is currently siloed away from the analysis tools. This will need to change for machine learning to be integrated into real-time decision making.
  • Life sciences – struggle with large data sets. Able to predict microbiotics’ impact on humans. Learning systems across industries are building cognitive systems where all training and machine learning is based on user behavior in real-time.
  • Resurgence of small businesses integrating with online businesses. It’s easy to open a store online, look at the analytics and then replicate in brick and mortar. Bonobos is doing this as are craft businesses in coffee, chocolates, and bedding. Retail will be able to use the same technology developed for casinos (e.g., Space Meter) to track walk byes and drive byes. There will be more analytics involved in monitoring the performance and potential of retail stores even down to the use of shelf space.
  • Lower barrier to entry for majority of organizations and users, so that Big Data analytics can truly be integrated into day-to-day operations.
  • Automation of the generic use cases will change the perception of big data projects and how they are carried out in the next couple of years. Additionally, moving away from custom implementation to more generic implementations, which in turn can be tuned to the customers’ needs.
  • Better education at the grassroots level. Computer engineering degrees need to teach the concepts and provide future computer engineers with experience in big data processing. It takes a significant mind shift to move away from traditional data processing concepts, such as relational database, and to move toward big data processing concepts. Cloud providers need to keep refining their tools to make them easier and easier to use. To be fair, they are doing this. Machine learning and advanced analysis as a follow-on phase to Big Data processing is already a revolution. I believe that the longer-term impact of this technology will be politically and economically profound and is currently grossly under-estimated by most people.
Sourcehttps://dzone.com/articles/big-data-opportunties?fromrel=true

Wednesday, March 22, 2017

Giới thiệu cơ bản về Big Data và các ứng dụng thực tiễn


Dữ liệu lớn (Big Data) là thuật ngữ dùng để mô tả khối lượng dữ liệu lớn và ngày càng tăng đang được tạo ra bởi các doanh nghiệp, tổ chức và cá nhân. Dữ liệu này có thể đến từ nhiều nguồn khác nhau, chẳng hạn như phương tiện truyền thông xã hội, lưu lượng truy cập web, cảm biến và thiết bị di động.

Thách thức với dữ liệu lớn là thường khó quản lý data và phân tích chúng để tìm ra các giá trị thực tế.
Các phương pháp xử lý dữ liệu truyền thống không được thiết kế để xử lý khối lượng, tốc độ và sự đa dạng của dữ liệu lớn. Điều này đã dẫn đến sự phát triển của các công nghệ và kỹ thuật dữ liệu lớn mới, chẳng hạn như cơ sở dữ liệu NoSQL: MongoDB, ArangoDB, Clickhouse,...

Dữ liệu lớn có thể được sử dụng để cải thiện hoạt động kinh doanh theo một số cách. Ví dụ: dữ liệu lớn có thể được sử dụng để:

  • Xác định khách hàng và thị trường mới. Bằng cách phân tích dữ liệu khách hàng, doanh nghiệp có thể xác định được khách hàng và thị trường mới mà trước đây có thể họ chưa biết đến.
  • Tối ưu hóa các chiến dịch tiếp thị. Dữ liệu lớn có thể được sử dụng để theo dõi hiệu quả của các chiến dịch tiếp thị và xác định các kênh hiệu quả nhất để tiếp cận khách hàng.
  • Cải thiện dịch vụ khách hàng. Dữ liệu lớn có thể được sử dụng để cung cấp cho khách hàng dịch vụ được cá nhân hóa và giải quyết các vấn đề của khách hàng nhanh hơn.
  • Giảm chi phí. Dữ liệu lớn có thể được sử dụng để xác định các cách giảm chi phí, chẳng hạn như tối ưu hóa chuỗi cung ứng và cải thiện quản lý hàng tồn kho.
Dữ liệu lớn là một công cụ mạnh mẽ có thể được sử dụng để cải thiện hoạt động kinh doanh. Tuy nhiên, điều quan trọng là phải hiểu những thách thức của dữ liệu lớn và sử dụng các công nghệ và kỹ thuật phù hợp để quản lý và phân tích dữ liệu lớn.

Ứng dụng thực tế của dữ liệu lớn
Có một số ứng dụng thực tế của dữ liệu lớn. Một số ứng dụng phổ biến nhất bao gồm:

  • Phát hiện gian lận (Fraud Detection): Dữ liệu lớn có thể được sử dụng để phát hiện gian lận bằng cách xác định các mô hình hoạt động đáng ngờ.
  • Phát hiện khách hàng rời bỏ (Churn Prediction): Dữ liệu lớn có thể được sử dụng để xác định những khách hàng có nguy cơ rời bỏ và thực hiện các bước để ngăn họ rời đi.
  • Đề xuất sản phẩm (Product Recommendation): Dữ liệu lớn có thể được sử dụng để giới thiệu sản phẩm cho khách hàng dựa trên lịch sử duyệt web và mua hàng trước đây của họ.
  • Tiếp thị được cá nhân hóa (Personalized Marketing): Dữ liệu lớn có thể được sử dụng để tạo các chiến dịch tiếp thị được cá nhân hóa phù hợp với từng khách hàng.
  • Tối ưu hóa chuỗi cung ứng: Dữ liệu lớn có thể được sử dụng để tối ưu hóa chuỗi cung ứng bằng cách xác định các cách giảm chi phí và nâng cao hiệu quả.
Đây chỉ là một vài trong số rất nhiều ứng dụng thực tế của dữ liệu lớn. Khi dữ liệu lớn tiếp tục phát triển, chúng ta có thể mong đợi được thấy nhiều ứng dụng sáng tạo và đột phá hơn nữa cho công nghệ mạnh mẽ này.


Tuesday, March 7, 2017

Dự báo 7 xu hướng công nghệ sẽ thống trị thế giới trong năm 2017

1. IoT và công nghệ "Nhà thông minh" (Smart Home).
Chúng ta đã từng nghe về cuộc cách mạng sắp tới của vạn vật kết nối (Internet-of-things - IoT) và kết quả là sự liên kết của công nghệ nhà thông minh trong nhiều năm tới. Nhưng có một vấn đề đang tồn tại khiến chúng ta đến nay vẫn chưa thể sống trong một ngôi nhà thông minh đúng nghĩa, đó là sự xuất hiện của quá nhiều đối thủ cạnh tranh và không ai chấp nhận kết nối thiết bị của mình với thiết bị của đối thủ.
Hy vọng trong năm tới, các "ông lớn" trong lĩnh vực công nghệ mới mẻ này như Google, Amazon, và Apple sẽ hợp tác với nhau để giúp người dùng thực sự có một sự trải nghiệm công nghệ liền mạch.
2. AR và VR.
Chúng ta đã nhìn thấy một số bước tiến quan trọng trong công nghệ thực tế ảo tăng cường (AR) và công nghệ thực tế ảo (VR) trong năm 2016. Oculus Rift đã được phát hành, và được đón nhận tích cực, và hàng ngàn ứng dụng và trò chơi VR theo sau. Chúng ta cũng chứng kiến Pokémon Go, một trò chơi AR, bùng nổ với hơn 100 triệu lượt tải về.
Thị trường công nghệ đã sẵn sàng cho AR và VR, và chúng ta đã có một số thiết bị trong giai đoạn đầu và công nghệ cao cho các ứng dụng này, và năm tới, chúng ta hy vọng chúng sẽ thực sự cất cánh. Và một khi chúng thực sự bùng nổ thì những đối tượng người dùng là những doanh nghiệp cần phải sẵn sàng nắm bắt xu hướng công nghệ để tạo ra những phiên bản tiếp thị theo công nghệ AR và VR.
3. Máy học.
Máy học (Machine learning) - một phần của trí tuệ nhân tạo - đã có một số bước tiến lớn trong vài năm qua, thậm chí nổi lên trở thành một công cụ hỗ trợ và tăng cường thuật toán công cụ tìm kiếm cốt lõi của Google. Nhưng một lần nữa, chúng ta vẫn chỉ nhìn thấy nó trong phạm vi giới hạn của một ứng dụng.
Trong năm 2017, chúng ta mong đợi để xem các cập nhật máy học nổi lên vượt qua khuôn khổ của một công cụ hỗ trợ ứng dụng để mang tới cho người dùng những đề nghị tốt hơn dựa trên lịch sử mua hàng trước khi dần dần cải thiện trải nghiệm trong một ứng dụng phân tích.
4. Tự động hóa.
Các nhà tiếp thị sẽ (chủ yếu) có lý do để tìm hiểu cách thức để áp dụng tự động hóa trở thành một trụ cột lớn trong năm 2017, với công nghệ tiên tiến cho phép tự động hóa các nhiệm vụ trước đây con người độc quyền.
Chúng ta đã có các nhà báo robot đưa tin một vài năm nay, và hy vọng sẽ không lâu chúng sẽ có bước nhảy vọt để tham gia vào những bài báo thực tế hơn. Rất có thể chúng ta sẽ bắt đầu thấy năng suất tăng vọt trong nghề báo cũng như sẽ bắt đầu thấy một số việc làm biến mất hoàn toàn.
Khi tự động hóa được kết hợp với máy học, tất cả mọi thứ có thể cải thiện nhanh hơn, vì vậy năm 2017 có khả năng sẽ là một năm thực sự mang tính bước ngoặt của công nghệ tự động hóa.
5. Thuần hóa Big Data.
Big Data hay Dữ liệu lớn đã trở thành một chủ đề lớn trong​ 5 năm qua, khi nó dần trở thành một từ thông dụng. Ý tưởng này là một sự tổng hợp tập trung một khối lượng rất rất lớn dữ liệu có thể giúp chúng ta trong tất cả mọi thứ từ lập kế hoạch điều trị y tế tốt hơn tới thực hiện các chiến dịch tiếp thị.
Nhưng sức mạnh lớn nhất của dữ liệu lớn - đó là cơ sở định tính, số liệu - cũng là một điểm yếu. Trong năm 2017, hy vọng chúng ta sẽ thấy những tiến bộ trong việc thuần hóa "con quái vật" Big Data, khiến nó đến gần hơn với chúng ta .
6. Tích hợp vật chất hữu hình-kỹ thuật số.
Các thiết bị di động đã dần dần ​trở thành một phần công nghệ thiết yếu cho cuộc sống hàng ngày của chúng ta. Thật hiếm thấy ai không mang chiếc một điện thoại thông minh tại bất kỳ thời điểm nào, và điều này khiến cho chúng ta có thể tiếp cận với thông tin thực tế vô hạn trong thế giới thực. Chúng ta đã có những thứ như mạng bán hàng trực tuyến, cho phép khách hàng trực tuyến để mua và nhận sản phẩm tại một địa điểm bán lẻ hữu hình, nhưng mức độ tiếp theo sẽ còn là sự tích hợp thêm giữa thực tại ​hữu hình và kỹ thuật số. ​
Các thương hiệu trực tuyến như Amazon sẽ tung ra các sản phẩm ​hữu hình nhiều hơn, giống như nút Dash (một thiết bị cho phép người dùng mặc định bấm đặt hàng tự động một khối lượng sản phẩm nhất định được cài đặt trước), và các thương hiệu ​hữu hình như Walmart sẽ bắt đầu có nhiều hơn các tính năng kỹ thuật số, giống như bản đồ cửa hàng và thử nghiệm sản phẩm.
7. Tất cả mọi thứ theo yêu cầu.
Nhờ các thương hiệu như Uber, con người đang nhận được tất cả mọi thứ theo yêu cầu thông qua các ứng dụng điện thoại. Trong năm 2017, ​chúng ta hy vọng điều này sẽ phát triển hơn nữa. Có hàng ngàn ứng dụng có sẵn ​để chúng ta có thể đặt xe, giao hàng thực phẩm, và thậm chí là có một nơi để ở lại qua đêm.
Bất cứ ai trong ngành công nghiệp công nghệ đều biết rằng đưa ra dự đoán về ​xu hướng tương lai của công nghệ, thậm chí chỉ là một năm, là một bài tập ​rất khó. Bất ngờ có thể đến từ một số xu hướng khác nhau, và hiếm khi sự phát triển của công nghệ ​diễn ra đúng như ​chúng được dự ​báo.
Tuy nhiên, việc đưa ra những dự báo cho những gì sẽ diễn ra tiếp theo của công nghệ vẫn rất cần thiết bởi nó giúp chúng ta, đặc biệt là những nhà kinh doanh có thể chuẩn bị cho mình các chiến lược tiếp thị (hoặc ngân sách) cho phù hợp./.

Việt Đức (TTXVN)