来源：CPDA数据分析师网 / 作者：数据君
集成企业数据基础架构的各个组件的负担也将企业带到了云中
可用的任何数量的机器学习引擎，但是将它们集成以构建统一平台的任务仍然落在该公司的肩上，在这种情况下，迁移到云不会为公司提供任何竞争优势，向NoSQL的迁移停止将SQL应用程序升级为NoSQL的现代化将终止，因为不再有理由使用分布式SQL，新的专用应用程序可能会使用NoSQL，但SQL-to-NoSQL项目使旧版应用程序现代化的过程就停止了，NoSQL系统中缺少SQL本身并没有提供固有的优势，放弃对NoSQL特定语言的大量行业足迹的易于理解的查询语言是一个冒险的主张，缺乏完整的SQL支持需要几乎从头开始重写应用程序，这涉及到构建新的数据模型。
CPDA数据分析师
尽管工作量很大，但公司可能仍难以匹配SQL数据库的性能
此外要找到具有所需专业知识的开发人员比雇用已经精通SQL的大量开发人员之一要困难得多，协助将现有SQL转换为NoSQL方言的工具不完整或不存在，一种使旧版应用程序现代化的风险要低得多的方法是用可扩展的数据库替换旧版数据库，该数据库可扩展，允许存储各种数据类型，并支持数据库内机器学习和人工智能-所有这些都无需放弃SQL，通过采用这种方法，您将保持您的应用程序，其工作流程及其逻辑完整，从而无需在全新的应用程序上对用户进行再培训。
机器学习已投入运营
公司将采用最佳实践来实施机器学习，并投入生产以执行关键任务流程，他们将通过放弃单独的平台来构建，训练和部署模型，并运行用于存储事务数据的ML模型来做到这一点，其他最佳做法包括：
建立功能工厂-促进实验的环境
当数据科学家建立机器学习模型时，他们从大量的属性或特征开始，这些属性或特征可以预测他们感兴趣的事件，您可以将数据科学家视为在工厂工作，而特征向量则作为他们的原始材料塑造成模型，为了构建健壮的模型，数据科学家不断地尝试不同的数据集，参数和算法，他们尝试了不同的功能组合，经常换出一个功能或添加一个新功能来替换预测性较差的功能，或者在新运行中使用从其他功能转换或派生的功能，只有通过在要素生产线上进行连续实验，数据科学家才能建立足够准确的模型以投入生产，保持模型的准确性并随着时间的推移改进模型是核心。
组建跨学科团队企业孤岛将被打破，由数据工程师，应用程序开发人员，数据科学家和主题专家组成的多学科团队将出现
从应用程序开始，而不是数据，公司应消除数据湖的复杂性，并开始专注于应用程序，数据湖的DevOps负担和开发复杂性要求将许多不同的计算和存储组件整合在一起以形成一个功能解决方案，这对于公司来说实在是太沉重了，公司将认识到他们不需要自己组合具有可操作，分析和ML功能的大规模可扩展基础架构来现代化关键任务应用程序，使用新工具，跟踪数据科学工作流程的新工具将成为标准，需要使用这些工具来使功能部件工厂保持平稳运行，内部利益相关者和外部监管者，尤其是在金融服务和保险等受监管行业中，将要求公司跟踪模型构建过程并提供非歧视行为的证据。
公司将考虑使用集成平台来现代化和扩展其旧版应用程序的功能这些是智能SQL平台，使公司能够敏捷，丰富数据和智能，而无需重写应用程序的风险和费用。
网友评论