如果期望傳統的存儲和數據結構能夠提供云原生應用程序所需的可遷移性、規模和速度，那么一定會讓人感到失望。

為什么數據如此難以管理、保護以及實現貨幣化？這一問題得到了客戶和供應商的一致關注，人們需要得到這個問題的答案。

行業專家已經意識到，大多數從數據中及時提取業務見解的嘗試都是我們過去處理數據的方式的基礎。隨著人工智能（AI）和機器學習（ML）在全球范圍內獲得廣泛采用，圍繞云存儲和數據服務的創新可以推動業務價值。

1.從人類到機器

在以往，商業智能和數據管理軟件的最終目標是獲取人類可讀的見解。精確度比場景更重要，而完整性比及時性更重要。

人工智能（AI）和機器學習（ML）正在加快數字世界的到來。算法利用數據洞察力并將其轉化為行動，其中只有一小部分是針對人類的行動。數據以各種形式和驚人的速度流入和流出。

2.應用程序和數據的兩面性

近年來，組織對應用程序的開發進行了徹底的改革。敏捷的流程使開發人員能夠快速迭代并以連續的增量交付。DevOps工具縮減了開發工作流程并提高了軟件質量。

許多人工智能（AI）和機器學習（ML）工程師和數據科學家將證明，在構建應用程序變得更加容易的同時，管理應用程序通過的大量和各種各樣的數據存儲已經變得失控。尤其是數據采集和準備已經開始發揮重要作用。

容器和混合云的迅速崛起進一步加劇了數據利益相關者的挫敗感，他們難以在為開發人員實現更多創新以及使數據更易于訪問且更安全之間找到平衡。

對于這個難題，沒有一個正確的答案。但是，有很多證據表明，成功的企業將應用程序和數據現代化挑戰視為同一挑戰的兩個方面，而不是將數據現代化留待以后實現。

3.針對云原生工作負載的云原生數據服務

一些組織無法充分利用他們在云原生開發方法和技術上的投資，因為過時的數據和存儲堆棧阻礙了他們的發展。期望傳統的存儲和數據結構能夠提供云原生應用程序所需的可遷移性、可擴展性和速度，肯定會令人失望。

云原生數據服務的關鍵是要以新的重要方式釋放數據的力量，同時使數據在開放混合云上可訪問、具有彈性和可操作性。

云原生數據服務創建了一個開放的混合云應用程序環境，提供易于使用的服務，用于智能地移動、存儲、轉換、響應和學習組織的數據。首席信息官可以很好地與可信賴的顧問合作，可以兌現云原生數據服務的承諾。

4.重新定義敏捷性和規模

隨著各行業朝著基礎設施即代碼的方向發展，業務領導者需要從IT基礎設施獲得更大的靈活性、規模和一致性。傳統存儲供應商或者不得不重新改造自己，或者冒著滅絕的風險。在智能應用和敏捷開發工作流的新時代，IT基礎設施對敏捷性和可擴展性的要求不斷提高和發展。

業務和IT領導者可能會發現，通過靜態數據、動態數據和實際數據的角度來思考這些挑戰是有用的，以反映Kubernetes、混合云和實時開發人員工作流時代的現代數據管道。

5. 人工智能（AI）和機器學習（ML）旨在抵御市場沖擊

諸如冠狀病毒疫情之類的事件可能會使人工智能驅動的供應鏈算法陷入困境，因為這些事件可能遠遠位于訓練數據集之外。因此，數據工程師需要擴大培訓數據集的范圍，以抵御將來的市場沖擊。商業和政治領導人之間普遍達成共識，即數據可以幫助人們走出疫情，并真正使人們的生活變得更好。

數據的價值很難高估。這是黑客覬覦的目標。由于數據決定云平臺的粘性，因此受到了公共云提供商的關注。

在人工智能時代，云原生數據服務使現代企業能夠將信號與噪聲分離，并釋放其數據潛力。

責任編輯：gt