AI und Open Source definieren Unternehmensdatenplattformen im Jahr 2025 neu

Ich habe Anfang dieses Jahres einen Überblick über diesen Markt veröffentlicht, aber diese Landschaft verändert sich so schnell, dass sie eine neue Rate verdient, die sich auf die größten Veränderungsvektoren konzentriert. Eines davon ist, dass offene Formate wie Apache Iceberg und Delta Lake es erleichtern, Daten über Systeme zu verschieben, ohne in Anbieter -Silos festzuhalten. Es gibt auch einen Vorstoß auf mehr KI-fähige Tools, die von Technologien wie dem Abruf von Abruf generiert werden können, und die Vektorsuche, die Antworten aus Live-Daten ziehen kann-und das ist, bevor wir in die atemberaubend schnelle Aufnahme der agentischen KI in diesen Systemen gelangen. Darüber hinaus wenden sich mehr Unternehmen anstatt getrennte Lösungen zu jonglieren, sondern wenden sich an einheitliche Plattformen, die Orchestrierung, Governance und Metadaten an einen Ort bringen. Anbieter mit dem Maßstab und den Features, die als Plattformen dienen, biegen diese Fähigkeiten zur Verbesserung ihrer Wettbewerbspositionen.

In diesem Zusammenhang ist die Datenarchitektur zunehmend nicht nur ein technisches IT -Problem, sondern eine kritische strategische Überlegung, um schnell, intelligent und wettbewerbsfähig zu bleiben. Lassen Sie uns also darauf eingehen, wie diese aufstrebenden Veränderungsvektoren einen Unterschied auf dem Markt für Unternehmensdatenmanagement machen.

Was für Unternehmensdatenplattformen im Jahr 2025 wichtig ist

Unternehmensdatenplattformen entwickeln sich eher zu modularer, standardbasierten Systemen als zu Einzelanbieter-Stapeln. Für den Anfang werden offene Tischformate wie Apache Iceberg und Delta Lake jetzt weit verbreitet, was es einfacher macht, Architekturen aufzubauen, die über Wolken hinweg funktionieren und sich im Laufe der Zeit anpassen. Dies hilft auch dabei, die Anbietersperrung zu reduzieren, indem Daten einfacher zu bewegen und auf verschiedenen Plattformen abfragen zu werden. Und anstatt Einnahme, Transformation und Governance als separate Schritte zu behandeln, behandeln Datenplattformen sie zunehmend als verbundene, kontinuierliche Prozesse. Snowflake, IBM, Cloudera und Informatica unterstützen Iceberg, während Datenbanken beide Formate über ihren Unity-Katalog unterstützen, und die Delta Lake Uniform ermöglicht den Zugang zu dem Crossformat. Durch die Verwendung offener Standards wird Unternehmen mehr Kontrolle über ihre Daten und erleichtert das Schalten von Tools, ohne von vorne zu beginnen.

Die heutigen Datenplattformen sind auch für KI von Grund auf erstellt. Agentensysteme erledigen Aufgaben wie Metadaten -Tagging und Datenqualitätsprüfungen selbst. Rag hält KI auf vertrauenswürdigen Unternehmensdaten, während Tools wie Vektorsuche und Einbettungsmanagement jetzt Standard sind. Merkmale mit niedriger Code und Richtlinienautomatisierung werden auch nicht nur für die Effizienz verwendet, sondern auch für praktische Anforderungen wie die frühzeitige Identifizierung von Datenqualitätsproblemen, die Durchsetzung von Vorschriftenregeln und die Vorbereitung auf Audits ohne schwere manuelle Arbeit. Zu diesem Zeitpunkt hat AI Pilotprojekte vorbeigezogen. Kopiloten, Wirkstoffe und domänenspezifische Automatisierung sind in alltägliche Aufgaben eingebettet, von der Straffung der Lieferkettenanpassungen bis hin zu markierenden betrügerischen Transaktionen. Dies ermöglicht es sowohl technische als auch nicht-technische Teams, schnellere und konsistentere Ergebnisse zu erzielen.

In Bezug auf die Infrastruktur sind Hybrid- und Edge -Bereitstellungen zur Norm geworden. Unternehmen müssen Daten näher an der Stelle verarbeiten, insbesondere in Branchen wie Gesundheitswesen, Fertigung und Finanzen, in denen Geschwindigkeit, Privatsphäre und Kontrollgüter wichtig sind. Mit zunehmender Datenerzeugung außerhalb der traditionellen Rechenzentren ist auch die nahtlose Kantenintegration zu einer Notwendigkeit geworden. Anbieter wie Microsoft, IBM und Cloudera bieten jetzt Kantenbereitoptionen an, die diese Verschiebung unterstützen.

Finanzgeschäfte oder Finops, Funktionen sind aufgrund der steigenden Kosten für KI -Arbeitsbelastungen immer wichtiger geworden. Anbieter bieten nun verschiedene Lösungen an, die diese Kosten in komplexen Umgebungen übertreffen. Die Kostenoptimierungszentrale von AWS, die erweiterten Fabric -Steuerelemente von Microsoft und die Integration von FinOPS -Tools durch IBM in den Datenstapel sind Beispiele für diese Lösungen. Die Finanzverwaltung entwickelt sich zu einer vollständigen Lebenszyklusplanung mit Tools, die die Nutzung verfolgen, Kosten prognostizieren und Teams helfen, fundierte Entscheidungen über das Arbeitsloadungsmanagement zu treffen.

Gleichzeitig nimmt die Souverän -KI Dampf auf, da Regierungen und Unternehmen häufig wollen, dass ihre KI -Systeme innerhalb der nationalen oder regionalen Grenzen die Datenschutzgesetze und die regulatorischen Erwartungen erfüllen. Dieser Fokus auf die Kontrolle, insbesondere im Bereich Verteidigung, Gesundheitswesen und Regierungssektoren, in dem Vertrauen und Rechenschaftspflicht von entscheidender Bedeutung sind, treibt die Entwicklung neuer Vorschriften wie dem Datensicherheitsprogramm 2025 des US -Justizministeriums vor. Der eigentliche Vorteil wird von Plattformen stammen, die sich mit Richtlinien und Geographie entscheiden können. Denken Sie an Modellprüfungen, Grenzbeschäftigungsbereitstellungen und Unterstützung für hybride Umgebungen, die Cloud, On-Prem und Rand mischen. Je anpassungsfähiger Ihre Plattform ist, desto einfacher wird es, sich schnell zu bewegen - auch in einer Welt komplexer Regeln und steigender Erwartungen.

Auf der Datenseite ist eine starke Governance nun der Standard. Funktionen wie Linienverfolgung, Richtlinienverfolgung und Metadaten-Tagging sind nicht gut-sie werden erwartet. Weitere Teams behandeln auch Daten als Produkt: etwas, das von Anfang an wiederverwendbar, gut dokumentiert und regiert wird.

Fassen Sie alles zusammen und zu diesem Zeitpunkt können sich die Anbieter nicht mehr auf das Potenzial ihrer Plattformen konzentrieren. Heute geht es um tatsächliche Fähigkeiten. Käufer suchen nach greifbarer realer Leistung im Maßstab, zusammen mit einer robusten Regierungsführung und Beobachtbarkeit sowie der Flexibilität, sich anzupassen. Die Plattformen, die diese Erwartungen erfüllen, sind bereit, die nächste Phase der Unternehmensdatenstrategie zu formen.

Vergleich von Unternehmensdatenanbietern

Anbieter der Unternehmensdatenplattform nehmen weiterhin unterschiedliche Wege auf, die von ihren Hintergründen und strategischen Prioritäten geprägt sind. Snowflake hat seine SQL-native Plattform über Cortex AI-SQL hinzugefügt und die Benutzer KI direkt in Abfragen einbetten. Es unterstützt jetzt Apache Iceberg über den Open-Source-Polaris-Katalog und führte kürzlich OpenFlow ein, um Echtzeit-Pipelines zu verarbeiten und strukturierte und unstrukturierte Daten für ereignisgesteuerte Anwendungsfälle zu kombinieren. Cittabase verwendete Cortex AI-SQL, um unstrukturierte visuelle Daten automatisch in strukturierte Textzusammenfassungen zu verwandeln, sodass Teams mit relationalen Tabellen für reichere Analysen mit image abgeleiteten Erkenntnissen beitreten können.

Databricks konzentriert sich auf Data Science und AI-First Workflows. Wie oben erwähnt, unterstützt es Delta Lake und Eisberg, und sein Einheitskatalog bietet nun Regierungsführung über mehrere Formate und Motoren hinweg. Databricks verdoppelt sich bei Interoperabilität und agentengesteuerter Automatisierung. Dies wird von seinem Lakehouseiq unterstützt, einer Wissensmaschine, die natürliche Sprachanfragen durch das Erlernen des Datenkontexts einer Organisation und Mosaik-KI ermöglicht, eine Plattform zum Aufbau und Verwaltungsverwalter von KI-Modellen und -agenten-ganz zu schweigen von der Erfassung von Tabelle (das Team hinter Iceberg). DraftKings erstellte ein Echtzeit-Betrugserkennungssystem mit maschinellem Lernen auf Datenbanken. Und Coinbase verwendet die Plattform, um Blockchain -Transaktionen zu überwachen und verdächtige Aktivitäten im Maßstab zu verzeichnen. Beide Beispiele deuten darauf hin, dass die Stärke der Plattform bei der Echtzeitverarbeitung, der Vektorsuche und der ML-Werkzeuge.

Informatica führt weiterhin mit metadatengetriebener Regierungsführung. Die Claire AI Engine umfasst jetzt Claire Agents-autonome Tools zum Verwalten von Daten über die Interaktionen im Chat-Stil hinaus. Es unterstützt Eisberg und bietet Flexibilität für hybride Bereitstellungen und spricht an Unternehmen an, die starke politische Kontrollen benötigen. Zum Beispiel nutzte der Urlaub in den Urlaub in den Ferien in den Ferienclub Claire, um Kundendaten aus nicht verbundenen Systemen zu konsolidieren und die Genauigkeit zu verbessern. Und Paycor modernisierte seine Pipelines mit den Cloud -Tools von Informatica, beschleunigte Analysen und KI -Lieferung. (Mehr zu Informatica im Salesforce -Artikel unten.)

Cloudera spielt seine Stärken in Hybrid- und Edge -Bereitstellungen aus. Es stützt sich auf Open-Source-Technologien wie NIFI für Streaming und Funken für die Verarbeitung und unterstützt Eisberg mit Säuretransaktionen und Zeitreisen-die Fähigkeit, historische Versionen von Datentabellen für die Prüfung, Wiederherstellung oder Punkte-in-Zeit-Analyse abzufragen. Neuere Updates fügen GPU-Beobachtbarkeit, NVIDIA H100-Unterstützung und Umarmung der Gesichtsmodellintegration (einschließlich Lama 3.2) für AI-fähige Lakehouse-Anwendungsfälle hinzu. Hersteller verwenden es am Rande für die Vorhersagewartung, während Einzelhändler und Banken sie verwenden, um Kundendaten zu sichern und Betrug in Echtzeit zu erkennen - die lokale Verarbeitung mit zentraler Aufsicht in Einklang zu bringen.

Teradata ist immer noch die Anlaufstelle für große Analysen in Branchen wie Finanzen und Einzelhandel. Der VantageCloud Lake und die Clearscape Analytics-Plattformen unterstützen nun generative und agentenbasierte KI mit neuen Tools für die Kostenverfolgung und das Workload-Management, das sowohl technische als auch Geschäftsteams das Leben erleichtern soll. Banken und Telekommunikationsunternehmen verwenden es für Compliance, Risikomodellierung und Prüfung aufgrund ihres starken Arbeitsloadungsmanagements und der Skalierbarkeit, die für regulierte Branchen mit starken Datenanforderungen gut geeignet sind.

IBM hat Watsonx erweitert, um komplexere und regulierte KI -Arbeitsbelastungen abzudecken. Das Update im Juni 2025 brachte unstrukturierte Datenunterstützung, Echtzeit-Cassandra-Integration über DataStax und Spark Acceleration über Apache Gluon mit. Heute unterstützt Watsonx Iceberg, Edge Deployments und erweiterte Vektorsuche, die moderne Funktionen für Pipeline und Finops umfasst. Vodafone verwendet Watsonx, um Kundeninteraktionen zu simulieren, während die Versicherer die Schadenverarbeitung automatisieren, indem sie wichtige Informationen aus Formularen und Dokumenten extrahieren-was den Wert von Watsonx in hybriden, konformorientierten Einstellungen vorschlägt.

Salesforce erweitert seine Unternehmensdatenstrategie mit einer vorgeschlagenen Akquisition von Informatica in Höhe von 8 Milliarden US -Dollar, die voraussichtlich im Herbst 2026 geschlossen werden wird. Dies würde wahrscheinlich die Governance- und KI -Funktionen von Informatica in den Stapel von Salesforce - Integration in Datenwolken, Tableau und Mulesoft - erweitern und Salesforce direkt gegen Wettbewerber wie Snowflake und Databricks positionieren. Im August 2025 hat Salesforce auch seine Übernahme von Waii abgeschlossen, ein Startup, das mithilfe eines Metadaten-Wissensdiagramms natürliche Sprache in optimierte SQL übersetzt. Es wird erwartet, dass die WAII -Technologie die Daten Cloud, Agentforce und Tableau als nächstes verbessert und Benutzern und KI -Agenten über Konversationsabfragen mit Unternehmensdaten interagieren.

Angebote für Unternehmensdatenverwaltung von Cloud -Dienstanbietern

Die wichtigsten Cloud -Anbieter verfolgen weiterhin unterschiedliche Ansätze zur Bereitstellung ihrer eigenen Unternehmensdatenplattformen, die durch ihre Stärken in den Tools KI, Infrastruktur und Entwickler geprägt sind. AWS bietet ein breites Toolkit, einschließlich Rotverschiebung für Lagerung, Kleber für ETL, Sagemaker für maschinelles Lernen und Athena für Ad -hoc -Abfragen. Obwohl diese Dienste mächtig sind, müssen diese Dienste oft zusammen genäht werden. Um zu helfen, stellte AWS Datazone für eine bessere finanzielle Verfolgung für die Governance- und Kostenoptimierungs -Hub ein. In der Zwischenzeit unterstützt Greengrass Edge -Depositionen in den Bereichen Fertigung, Einzelhandel und Feldbetrieb.

Microsoft Azure konzentriert sich auf die Integration durch Microsoft Fabric, das Synapse, Data Factory und Power BI in einer SaaS -Plattform auf ONELAKE kombiniert. (Weitere Informationen darüber, wie Fabric das Datenmanagement für KI vereinfacht, finden Sie in meiner Analyse von Ende 2024.) Fabric hat jetzt mehr als 17.000 Kunden, einschließlich der meisten Fortune 500. Aktuelle Aktualisierungen wurden materialisierte Ansichten des Sees, eine verbesserte Spiegelung und eine engere Integration von Onelake hinzugefügt. Azure ARC erweitert Azure Data Services auf On-Prem- und Souveränumgebungen und unterstützt hybride Anwendungsfälle. Die realen Anwendungsfälle umfassen viele Branchen. Zum Beispiel verwendet Melbourne Airport Microsoft Fabric für Unified Analytics, um Betriebsdaten effizient zu verwalten. Chanel integriert Stoff in seine Analyse -Workflows und balanciert die Entscheidungsunterstützung mit starker Regierungsführung. Und Microsoft selbst nutzt Fabric intern, um komplexe Datenumgebungen mit groß angelegten Daten zu verwalten.

Google Cloud betont KI und Datenflexibilität. Sein Stack-BigQuery, Vertex AI und Looker-unterstützt Iceberg und Delta Lake und ermöglicht offene, wolken-agnostische Architekturen. Anthos ermöglicht Hybrid- und Edge -Orchestrierung, und die aktualisierten Finop -Dashboards von Google sind so konzipiert, dass sie eine bessere Kostenvorteils bieten. Die Open AI Tooling der Plattform spricht an Engineering -Teams an, die benutzerdefinierte Workflows aufbauen. Bayer verwendet AlloyDB neben BigQuery, um Real -Time -Analysen für offene Eisberg -formatierte Daten einzusetzen, was zu einer schnelleren Antwortrate und einem höheren Durchsatz im Vergleich zu seiner vorherigen Architektur führt.

Die Oracle-Cloud-Infrastruktur konzentriert sich auf die Leistung für Transaktions- und Anwendungs-integrierte Workloads. Mit autonomer Datenbank und AI -Vektor -Suche ist OCI eng mit dem ERP- und SaaS -Stack von Oracle ausgerichtet. Während seine Kantenfunktionen immer noch reizen, bietet OCI eine stabile Preise und eine integrierte Integration für Unternehmen, die bereits auf Oracle standardisiert wurden. Als Beispiel für eine Kundennutzung stellte Deweyvision die autonome Oracle-Datenbank zusammen mit der AI-Vektor-Suche ein, um schnelle, mit KI betriebene semantische Mediensuche über verschiedene Datentypen hinweg zu liefern und die Entdeckbarkeit und Benutzererfahrung zu verbessern.

Strategische Aussichten für Unternehmensdatenplattformen

Der Markt für Unternehmensdatenplattform wird sich in den nächsten sieben Jahren voraussichtlich verdoppeln - von 111,3 Milliarden US -Dollar im Jahr 2025 auf 243,5 Milliarden US -Dollar bis 2032, was bei 11,8% CAGR wächst. Dieses Wachstum wird durch steigende Datenkomplexität, KI -Einführung, engere Vorschriften und fortgesetzte Cloud -Expansion angeheizt.

Die heutigen Unternehmen möchten Plattformen, die den Betrieb vereinfachen, die Kosten senken und KI nützlich machen. Funktionen wie Katalogverbände, agentenbasierte Orchestrierung und AI-gesetzliche Kostenmodellierung erfüllen diese Anforderungen. Neue „kognitive“ Plattformen behandeln KI -Agenten als aktive Datenbenutzer - können ohne ständige menschliche Aufsicht Maßnahmen ergreifen.

Souverän KI und Edge Computing formen auch Plattformdesign. KI -Systeme müssen zunehmend in der Nähe regulierter Datenquellen bleiben, während die Kantenfunktionen eine schnelle lokale Verarbeitung unterstützen. Die meisten Anbieter passen sich an, um beide zu unterstützen. Nachhaltigkeit beginnt auch mehr wichtig zu sein. Unternehmen beginnen, die Umweltauswirkungen der Dateninfrastruktur bei der Bewertung von Plattformen zu berücksichtigen. In Zukunft wird die Plattformauswahl bei der Namenserkennung und mehr auf technischer Anpassung weniger abschwächen. Die stärksten Konkurrenten bieten einen flexiblen Einsatz, offene Standards, transparente Kostenkontrollen und eingebackene Governance-und helfen Unternehmen dabei, schneller zu wechseln und intelligenteren Entscheidungen in der Herstellung, im Gesundheitswesen, in der Finanzierung, im Einzelhandel und darüber zu treffen.

Das obige ist der detaillierte Inhalt vonAI und Open Source definieren Unternehmensdatenplattformen im Jahr 2025 neu. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!