Gartner：2020年十大战略技术趋势（上篇） – 作者:宇宸de研究室-安全小百科

战略技术趋势既可能创造机会，也可能造成重大损失。企业架构和技术创新领导者必须评估这些超前趋势，以确定如何通过趋势的组合为企业创新战略提供动力。

关键点

战略技术趋势具有巨大潜力，可以造成和应对（市场）波动，并为转型和优化方案提供动力。

AI是推动高级流程自动化与人体增强介入的基础。

工厂、办公室和城市等物理环境将成为“智能化空间”，人们将在其中通过触点和感官通道进行交互，以获得丰富的环境体验。

应对AI、IoT/edge等不断发展的技术所带来的隐私、数字道德和安全挑战，将成为维持信任和避免法律纠纷的关键。

建议

企业架构与技术创新领导者必须：

将创新工作集中在以人为本，并使用诸如角色、流程图、技术雷达和路线图等工具来评估所采纳的机会、挑战和时间范围。

构建跨功能和流程竖井的整体视图，并利用一组互补的工具，包括RPA、iBPMS、DTO、应用开发和AI领域，指导如何使用这些工具以及如何集成工具创建的系统。

拥抱多重体验，部署开发平台并实施设计原则，以支持对话式、沉浸式和日益环境化的体验。

建立治理原则、政策、最佳实践和技术架构，以增加数据和AI使用的透明度和信任度。

构建于智能数码网络中以人为本的智能化空间

未来的特点是智能设备将在各个地方提供越来越新颖的数字服务。我们称之为“智能数字网络”。它可以这样描述：

智能主题特别强调机器学习的AI如何渗透到几乎所有的现有技术中，并创造出全新的技术类别。到2022年，AI的开发将成为技术提供商的主要竞争市场。将人工智能用于确定范围和目标时，可以交付更灵活、更新颖并且越来越自主的系统。

数字主题侧重于融合数字世界和现实世界，创造一个自然的、沉浸式的数字化增强体验。随着事物产生的数据量呈指数级增长，计算能力转移到边缘来处理流数据并将汇总数据发送到中台系统。数字化趋势以及人工智能带来的机遇，正在推动下一代数字业务和数字业务生态系统的创建。在这个智能的数字世界中，会产生大量丰富多样的数据，因此有必要重点关注数字道德和隐私，以及它们所需要的透明度和可追溯性。

网格主题指的是利用不断扩大的人群与企业、设备、内容和服务之间的联系来交付数字业务成果。网格需要新的功能来减少摩擦、提供深入的安全性和响应跨这些连接的事件。

智能数字网络在过去几年一直是Gartner战略技术趋势的一个主题，在未来五年内，它将继续作为一个重要的潜在力量。但是，这一主题集中在一套技术趋势的特点上。同样重要的是，要将这些趋势放在将要受到影响的人员和组织的相互联系中。组织必须首先考虑业务和人员环境，而不是构建一个技术堆栈，然后研究潜在的应用程序。我们称之为以人为本的智能化空间，这种结构用于组织和评估2020年战略趋势的主要影响。

通过把人作为技术战略的核心，突出技术的一个最重要的方面，即它如何影响你的客户、员工、商业伙伴、社会或其他关键群体。以人为中心的方法应该从了解这些关键的目标用户及其与组织进行交互或支持的过程开始。这是理解如何以及在何处应用战略技术趋势来驱动所需的业务结果的第一步

2020年十大战略技术趋势分为以人为中心和智能空间两个类别。这是一个宽泛的划分，旨在传达趋势的主要影响和表现。然而，几乎所有的趋势都将对人和智能空间的概念产生影响。

以人为本

超自动化处理包括人工智能和机器学习在内的先进技术的应用，以增加流程自动化和人体增强。

多重体验处理的是人们通过各种设备和感官触点来感知、交互和控制数字网络的方式。

大众化探索如何创建一个简化的模型，使人们能够在数字系统消费，并利用他们的培训或经验之外的自动化专业知识。

人体增强探索了人类是如何在身体上和认知上被这些系统增强的。

透明与追溯侧重于数据隐私和数字道德挑战，以及应用设计、操作原则和技术来增加透明度和可追溯性，以增强信任。

智能化空间

边缘赋能强调了我们周围的空间是如何被传感器和设备填充的，这些传感器和设备将人们彼此连接起来，并提供数字服务。

分布式云分析了云计算的主要发展，其中应用程序、平台、工具、安全、管理和其他服务正在从物理数据中心模式迁移到服务在需要时分发和交付的模式。需求点可以扩展到客户数据中心，或者一直延伸到边缘设备。

自主化物件探索了周围空间中的物理事物是如何通过人的不同程度的指导、自主和协作来增强感知、互动、移动和操作这些空间的能力。

实用区块链关注于区块链如何在实际的企业实践中发挥作用，这些实践将在未来三到五年内扩展。

人工智能安全处理的是在以人为本的趋势背后，确保实现具备AI能力的系统安全。

趋势一：超自动化

自动化指的是利用技术来促进或执行最初需要某种形式的人为判断或行动的任务。 “任务”不仅指执行、工作或操作环境中的任务和活动，而且还包括思考、发现和设计这些自动化过程本身的任务。

超自动化是指将多种机器学习、打包软件和自动化工具相结合来交付工作。使用特定类型自动化的倾向将高度依赖于组织现有的IT体系结构和业务实践。超自动化不仅指工具集的范围，还指自动化本身的所有步骤(发现、分析、设计、自动化、测量、监视、复测评估)。

超自动化是一种无法避免的市场趋势，在这种趋势下，组织必须快速识别并自动化所有可能的业务流程，这些业务流程具有以下几个含义：

1.自动化定义的变化。自动化的焦点现在超越了基于静态和严格规则的独立、离散任务和事务的自动化，也超越了日渐增多的知识工作的自动化。反过来，这些不同程度的自动化使得能力增强、更动态化的体验和更好的业务成果成为可能。

2.将利用一系列工具来管理工作和协调资源。组织将越来越多地使用一套不断发展的技术来支持不断扩展的业务。这些工具包括任务和过程自动化、决策管理和打包软件——所有这些都将包含更多的机器学习技术。

3.敏捷性架构设计需求。这意味着组织需要重新配置运维和支持流程的能力，以响应不断变化的需求和市场中的竞争威胁。超自动化的未来状态只能通过超敏捷的工作实践和工具来实现。

4.员工意愿是重塑员工价值传递方式的必要条件。如果不让员工以数字化的方式改变他们的工作方式，组织注定只能获得一些增量效益。这意味着克服与竖井相关的挑战，以及组织分配资源和集成其合作伙伴和供应商的能力的方式。

RPA和iBPMS是超自动化的关键组件

超自动化需要为当前的挑战选择合适的工具和技术。理解自动化机制的范围、它们之间的关系以及它们是如何组合与协调，这是超自动化的主要关注点。这很复杂，因为目前有各种各样、重叠但最终互补的技术，包括：

机器人过程自动化(Robotic process automation,RPA)：RPA是一种将没有API的遗留系统与更先进的系统相连接的实用方法。这些流程的范围通常是与移动数据相关的短期任务。RPA工具还可以增强从事日常工作的知识工作者，消除单调和重复的任务。严格定义的集成脚本结构和操作数据，将数据从一个环境传输到下一个环境。由于是以与驱动现有应用窗口元数据的交互为基础的集成，因此这些工具通常对业务终端用户更便于访问。

智能业务流程管理套件(Intelligent business process management suites,iBPMSs)：除了RPA之外，iBPMS还管理长时间运行的流程。智能业务流程管理套件是一组协调人员、机器和事物的集成技术。iBPMS依赖于流程和规则的模型来驱动用户界面，并基于这些模型管理大量工作项的联系。与外部系统的集成通常通过功能强大的API实现。除了流程之外，强大的决策模型还可以简化环境，为高级分析和机器学习提供一个自然的集成点。iBPMS软件支持业务流程和决策的整个生命周期，即发现、分析、设计、实现、执行、监视和持续优化。iBPMS使普通开发人员(最常见的是业务分析师和专业开发人员)能够在迭代开发和流程及决策模型的改进上进行协作。

这些技术是高度互补的，Gartner越拉越多地见证它们的同步部署。

iBPMS平台可以编排复杂的工作类别，例如自适应案例管理或由复杂事件驱动的流程。这点越来越重要，尤其是在协调人、流程和物联网组成部分行为的数字化过程背景下。在数字化过程中，快速变化的操作环境需要可操作的、高级的分析，以便在虚拟和现实世界中更智能地编排业务流程。

需要认识到的一个关键问题是，组织正变得越来越依赖于模型驱动，而管理这些模型间关联性和复杂版本号的能力是一个重要需求。为了获得朝自动化的全部优势，组织需要跨其功能和流程竖井的整体视图。事实上，开发越来越复杂的模型类似于开发组织的数字孪生(digital twin of an organization,DTO)。

组织数字孪生（DTO）

组织数字孪生将功能、流程和关键绩效指标(KPI)之间的相互依赖关系可视化。DTO是组织的一部分，即一组动态软件模型。它依赖于操作和/或其他数据来理解和提供关于组织如何操作其直连当前状态和部署资源的业务模型的持续性情报。重要的是，DTO要对预期客户价值交付方式的变化做出响应。

DTO从现实环境中提取信息，真实的人和机器一起工作，生成关于整个组织中正在发生的事情的连续情报。实际上，DTO为业务流程和决策模型提供了关联框架。它帮助企业捕获连接到组织的不同部分的价值，以及其业务流程如何影响创造价值。因此，DTO成为超自动化的一个重要元素。DTO允许用户建模和场景探索，选择一个场景，然后在现实中实现它。

机器学习和NLP打破了超自动化发展的范围

各种形式的人工智能技术，包括机器学习和自然语言处理(natural language processing，NLP)，已经迅速扩展了超自动化的可能性。增加在运行时快速解释人类语言、识别文档或数据中的模式和/或动态业务成果优化的能力，极大地改变了自动化的可能性范围。实际上，当与RPA和iBPMS相关产品结合时，它们开始影响许多行业，并使一度被认为是知识工作者专有领域的自动化成为可能。但是，人工智能技术并没有取代这些工人，而是在很大程度上增强了他们创造价值的能力。这些人工智能技术创造了一场小型军备竞赛，使供应商们相互竞争。人工智能技术有：

1.改进了大多数RPA工具的机器可视功能。实际上，机器学习通过一种计算机可视化使RPA向前迈进了一大步。例如，它可以识别“提交”按钮并实际按下它，而不管它可能出现在屏幕的什么地方。这已经扩展到识别屏幕上的所有文本(就像光学字符识别[OCR])。更进一步地说，现在出现了一些工具，可以将图像上的标签与动态填充的文本字段分开。这个创新使RPA工具能够与基于镜像的接口交互，就像它们是直接访问的应用程序一样。

2.优化业务KPI。iBPMS或RPA工具可以很容易地从短期任务或长期运行的业务流程中直接调用机器学习模型或NLP功能。机器学习和NLP正逐渐地直接嵌入到iBPMS工具中，这些工具有着预先集成的功能，使得执行相关的数据科学(即插即用机器学习)或从Amazon、谷歌、IBM和Microsoft等大型云供应商调用外部服务变得更加容易。

3.出现在大量相关联的和支持技术中。这些包括先进的OCR和智能字符识别(ICR)来翻译手稿。随着客户与聊天机器人和虚拟个人助理(VPA)的直接交互，NLP使越来越多的自助服务自动化成为可能。

4.自动化过程发现。机器学习使供应商能够发现（自动化）工作实践及其在工作场所的不同变种。任务挖掘工具，有时被称为“过程发现”，帮助组织实现对其任务流的深入挖掘，从而获得任务步骤或活动的微观视图，然后由RPA或iBPMS自动化。

将机器学习和NLP添加到RPA和iBPMS工具中，通过将这些交互直连到自动化后台和供应商生态系统，提供了将数字客户和员工体验工业化的能力。此外，这还支持了一种前后联系感知、情境自适应的方法——其中包括参与者根据业务、合作伙伴和客户的目标以及实时更新和分析操作间交互的集合与顺序进行智能化的独特编排。iBPMS可以在支持客户和员工快速转变和/或改进的同时，在规模上主动地个性化其相互关联的交互。此外，AI还支持iBPMS自动化和编排业务流程，在业务流程运行时对其进行调整。因此，这些过程可以被认为是自适应和智能化的，执行最恰当的下一动作，而不是相同的可重复的动作序列。

趋势二：多重体验

到2028年，用户体验将在用户感知数字世界和与其互动的方式上发生重大转变。会话平台正在改变人们与数字世界的交互方式。虚拟现实(VR)、增强现实(AR)和混合现实(MR)正在改变人们感知数字世界的方式。这种感知和交互模型的联合转变导致了未来的多感官和多触点体验。

这种模式将从一个懂技术的人转变为一种了解人的技术。转化意图的负担将从用户转移到计算机。

通过多种感官与用户沟通的能力，将为传递微妙的信息提供更丰富的场景。

在多重体验世界中，“计算机”是用户周围的环境，包括许多触点和感官输入。这种多触点的体验将把人们从边缘设备中连接起来，包括传统计算设备、可穿戴设备、汽车、环境传感器和家用电器。多感官体验将使用所有的人类感官以及先进的计算机感官(如温湿度和雷达)适用于丰富的设备中。在未来，当我们居住的空间变成多感官和多触点界面时，“计算机”将会成为历史上的古典概念。

多重体验的长期表现也被称为环境体验。然而，这一切都将在2029年以后缓慢发生。隐私方面的担忧可能会影响积极性和采用这一技术的想法。在技术方面，许多用户设备的漫长生命周期，以及许多创建者独立开发元素的复杂性，将成为无缝集成的巨大障碍。不要太期望设备、应用和服务的自动化即插即用。相反，在短期内将会出现专有的设备生态系统。

直至2024年，在高度定制化场景下，将重点专注于针对性使用沉浸式体验和会话平台。这些体验和平台将相互重叠，整合各种设备场景中提供的完整的感官输入/输出通道阵列。这些可能是特定设备上的体验，但是在多个设备和感官通道上支持特定环境下更稳健的场景的机会将会增长(例如，在制造工厂的环境体验)。通过一个不断发展的多重体验开发平台来补充这些目标解决方案，该平台融合了更多的感官渠道和更多的目标设备，远远超出了传统开发平台的Web和移动目标。

沉浸式体验

沉浸式体验是由多种技术和软件工具构建，包括AR、VR、MR、多通道人机界面(multichannel human-machine interface,HMI)和传感技术。沉浸式体验与其他体验方法的区别在于，它能够模拟真实的场景和环境，为用户提供可视化和可操作的信息，以进行操作实践，并与虚拟的人或对象进行交互。这些体验包括更广泛的沉浸体验，从智能手机上简单的AR覆盖到完全沉浸式的虚拟现实环境。

VR提供了一个围绕用户的3D环境，并以自然的方式响应个人的动作。这可以通过一种身临其境的头戴式显示器(head-mounted display,HMD)来实现，这种显示器会挡住用户的整个视野。HMD通过融合数字和现实来丰富身临其境的体验。但当前的产品有很多限制，包括能耗大、设计笨拙、用户界面繁琐、延迟和视野有限。

智能手机也可以成为移动VR和AR的有效平台。但是HMD配置对体验AR并不重要——AR可以结合真实视频体验的数字覆盖。智能手机的屏幕变成了一个“魔法窗口”，显示覆盖在真实世界之上的图形。AR叠加关联信息，这些信息将增强的数据混合在真实世界对象上(如隐藏的电线叠加在墙壁的图像上)。尽管这种方法与基于HMD的方法相比有局限性，但它代表了广泛可用、易使用和具有成本效益的增强现实入门起点。

视觉方面的体验是重要的，依赖成像传感器捕捉的特性，物理世界允许系统渲染和覆盖到现实世界的虚拟对象。然而，其他感官模型，如触觉(触觉反馈)和声音(空间音频)通常也很重要。在AR/MR中尤其如此，用户可以与数字和现实世界中存在的对象交互。手势和姿势识别提供手和身体的跟踪，以及触觉反馈被纳入的可能性。最新的AR云将通过提供真实世界的标准化空间地图来丰富AR/VR/MR体验。

尽管VR、AR和MR的潜力令人印象深刻，但仍将面临许多挑战和障碍。识别关键的目标角色并探索目标场景。例如，探索目标用户在不同环境中的需求和业务价值，例如在家里、在车上、在工作中或与客户一起。到2022年，70%的企业将试验面向消费者和企业的沉浸式技术，25%的企业将把它们投入生产。三个例子展示其真正的价值:

1、产品设计与可视化。这可以是面向内部的实践，也可以是面向外部的实践。沉浸式体验技术使设计师和客户能够虚拟地概念化、设计、探索和评估产品，而不需要物理原型，同时考虑用户的限制和环境。这种实践改善了跨团队研发协作、提供了更短的产品开发周期和通过模拟实现的更好的产品设计。尽管可以应用于各种产品，这种案例在房地产和汽车开发中非常普遍。

2、现场服务和运营。这是一个远程的基于AR/MR的案例。沉浸式体验技术支持一线员工在现场完成任务，辅助提高效率。到目前为止，这类案例主要用于维护和修理、部件可视化和可视化指导。到2023年，三分之二的大型现场服务机构将为现场技术人员配备沉浸式应用程序，以提高效率和客户满意度，而在2019年，这一数字还不到1%。

3、培训和模拟。这是一个面向内部、室内和基于VR的案例。它帮助员工学习新的技能，或提高现有技能。它使培训更加灵活、高效和自由，并为急救人员和其他前线人员提供角色扮演培训。这类案例包括关键任务的培训和高级操作技能。到2022年，35%的培训和模拟行业的大型企业将评估并采用沉浸式解决方案，而2019年这一比例不足1%。

语言因素

会话平台提供了高级设计模型和执行引擎，用户和机器在其中进行交互。与身临其境的体验一样，其他输入/输出(I/O)机制将被添加进来，利用视觉、味觉、嗅觉和触觉进行多感官交互。这些已经实现，比如谷歌和亚马逊的智能音箱上安装了屏幕和摄像头。扩展感觉通道的使用将提供能力支撑，例如通过面部表情分析或分析来自加速计的数据以识别有关健康状况的异常运动的情绪检测。但在2023年以前，对其他感觉通道的开发不会有什么进展。

会话平台已经达到一个瓶颈：对系统效用性的关注已经超过使用它们时的各种问题。但它们仍有不足之处。当用户需要知道UI知道哪些领域以及这些领域中的哪些功能时，就会产生问题。会话平台面临的一个关键挑战是用户必须以一种非常结构化的方式进行通信。这通常是一种不友好的体验。大多数会话平台主要是单向查询或控制系统，生成非常简单的响应，而不是在人和计算机之间实现稳健的双向对话。随着供应商努力创建更自然的会话流，这种情况开始发生改变。

随着时间的推移，更多的会话平台将与不断增长的第三方服务生态系统融合，这将成倍地提高系统的可用性。会话平台之间的主要区别在于其会话模型的稳健性，以及用于访问、调用和编排第三方服务以交付复杂结果的API和事件模型。

多重体验开发平台

多重体验开发平台(multiexperience development platform,MXDP)提供了前端开发工具和后端服务，支持跨设备、模式和触点的无缝、有针对性沉浸式体验的快速、可扩展开发。通过具有松散耦合前后端架构的统一开发平台来交付设计时间、运行工具与服务。

MXDP不是“一次构建，全局运行”或“全通道”的解决方案。

MXDP的核心价值在于，它能够将软件开发生命周期活动整合到一系列应用中，从而解决数字用户旅程的问题。这种能力的需求只会随着应用、设备和交互模式的增加而增加。

提供舒适体验的最佳实践是构建可连接的、适用于特定目的的应用程序，使应用的设计、功能和能力与个人角色和行为方式保持一致。“万能公式”的应用体验试图支持想从软件中获得的所有功能所有用户，而“目标性”的应用体验则不同，其关注的是客户契机，或者用户为实现目标或结果所采取的步骤。这种方法提供了创建更小的、更易设计、开发和部署的专用应用的机会。这种方法还允许应用专注于用户执行任务时喜欢的所有触点，无论是在笔记本电脑上运行的Web应用，还是在手机上运行的移动应用，或在对话界面上运行的应用。

轻松的体验应该确保特定角色在设备间移动或同时使用多个设备时获得一样的体验。多重体验设计需要充分的灵活性，以此来支持后端每个应用的不同功能和工作流程,因为用户不总是使用相同的设备,而且经常会在工作时更换设备,后端必须提供一个连续的体验。

相关研究:

“Market Guide for Conversational Platforms”

“3 Immersive Experience Use Cases That Provide Attractive Market Opportunities”

“Survey Analysis: Insights to Kick-Start an Enterprise Multiexperience Development Strategy”

“Critical Capabilities for Multiexperience Development Platforms”

“Magic Quadrant for Multiexperience Development Platforms”

“Architecting and Integrating Chatbots and Conversational Platforms”

“Market Guide for Augmented Reality”

“Architecture of Conversational Platforms”

趋势三：大众化

大众化的重点是通过一种完全简化的经验，为人们提供技术专长(例如，ML，应用开发)或业务领域专长(例如，销售流程，经济分析)，而不需要大量和高价的培训。公民访问的概念(例如，公民数据科学家、公民集成商)以及公民发展的演变和无代码模型都是大众化的例子。基于人工智能和决策模型的专家系统或虚拟助手的开发是大众化的另一个重要方向。这些系统为人们提供超越他们经验或训练的建议或行动，扩展他们的知识或专业技能。

需要注意的是，大众化趋势的目标可以是企业内外的任何人，包括客户、业务伙伴、企业高管、销售人员、装配线工人、应用开发人员和IT运维人员。从2020年到2023年，大众化趋势将加速，其中有四个关键方面：

应用开发大众化。AI PaaS提供对复杂AI工具的访问，以利用定制开发的应用。这些解决方案提供了AI模型构建工具、API和相关的中间件，这些工具允许构建/训练、部署和运行预先构建在IaaS上的机器学习模型。包括视觉、语音和各类通用数据分类及预测模型。

数据分析大众化。用于构建AI解决方案的工具正从针对数据科学家的工具(AI基础设施、AI框架和AI平台)扩展到针对专业开发者社区的工具(AI平台和AI服务)和数据研究爱好者。这包括生成综合训练数据的工具，其有助于解决ML模型开发的障碍。

设计大众化。此外，用于构建人工智能解决方案的底层代码应用开发平台工具本身也被赋予了人工智能驱动的功能，以帮助专业开发人员并自动执行与人工智能增强解决方案开发相关的任务。这扩展了低代码、无代码的现象，通过自动化附加的应用开发功能来增强公民开发人员的能力。

知识大众化。非IT专业人员获得的工具和专家系统越来越多且强大，这些工具和系统使他们能够开发和应用自己专业知识和训练之外的专项技能。在这种用户主导的环境中，处理“Shadow AI”的问题将是一个挑战。

应用开发大众化

市场正在快速变化，从数据专家必须与应用开发人员合作以创建大多数AI增强解决方案的市场，转变为专业开发人员可以使用作为服务交付的预定义模型独自操作的市场。这为开发人员提供了一个人工智能模型的生态系统，以及易于配置的开发工具，这些工具是为了将AI功能和模型集成到解决方案中而定制的。

有些AI PaaS服务是完整的模型，开发人员可以简单地将其作为函数调用，传递适当的参数和数据来获得结果。另外的可能会预先训练到一个较高水平，但是需要一些额外的数据来定制模型。例如，可以对模型进行图像识别的预训练，但需要训练数据集来识别特定的一组图像。这部分训练模型的优点是，它们只需要很小的相关企业数据集来进行精细化训练。

这些AI平台和服务套件的发展不仅使更多的开发人员能够交付AI增强解决方案，而且还给开发人员带来更高的生产力。

这减少了人工智能项目开发生命周期中的浪费和低效。可以通过API调用或事件触发器访问预训练的模型。

应用团队必须从外部提供者那里确定使用哪些AI服务。随后，定义一个架构，用于组织的数据科学团队开发自定义领域和特定于公司的AI服务，并作为AI服务生态系统的一部分。这将使云服务提供商的决策更加复杂，因为它需要选择基础平台、框架和基础设施来构建、训练和部署这些模型。我们预期需求的增长将导致这些定制模型在多种环境中的部署标准化。

低代码、无代码和普通开发者

低代码应用开发不是什么新鲜事，但是由于数字技术的干预，大量工具涌入，以满足快速应用开发平台不断增长的需求。许多供应商为此提供解决方案，从简单的表单创建到完整的堆栈应用平台。低代码开发产品也是该工具范围的一部分，主要目标是支持业务线中的普通开发人员。到2024年，低代码应用开发将占开发活动的65%以上。另外，到2024年，75%的大型企业将使用至少四种低代码开发工具来进行IT应用开发和民众开发。

当人工智能应用于各种自动化开发和测试功能时，出现了另一层面的大众化。到2020年，将出现简化这些功能的辅助开发和测试工具。到2022年，我们希望通过更多主流的虚拟软件工程师来生成代码。谷歌的AutoML是利用高级分析使开发人员在没有数据专家参与的情况下自动生成新型模型的例子。到2022年，至少40%的新应用开发项目将由人工智能与开发人员合作完成。

最终，先进AI支持的开发环境将应用的功能和非功能方面自动化，这将带来一个“全民应用开发”的新时代。

在这个新时代，非专业人员能够使用人工智能驱动的工具自动生成新的解决方案。我们期待人工智能系统将灵活性推上一个新的高度。它们将使非专业人员能够快速创建更动态、更开放和更复杂的解决方案。

增强分析与大众数据专家

增强分析使用ML和AI辅助的数据准备、智能生成和解释，允许业务员充当“大众数据专家”，在没有专业数据科学家帮助的情况下探索和分析数据。它在三个关键方面使分析和人工智能大众化：

增强数据生成和准备，它使用ML自动化来增强数据创建、分析、质量、协调、建模、操作、改进、目录编排和元数据开发。这也改变了数据管理的所有方面，包括自动化数据集成和数据库以及数据湖管理。

增强分析将作为分析和商业智能(business intelligence,BI)的一部分，使业务用户和大众数据专家能够自动发现、可视化和描述相关结果，而无需构建模型或编写算法。这些发现可能包括相关性、异常、集群、段、异常值和预测。用户通过自动生成的可视化和对话接口来研究数据。

增强分析通过使用ML来使数据科学和人工智能建模自动化，例如特征工程、模型选择的自动化机器学习(autoML)、模型可操作化、模型解释，以及最终的模型优化和管理。这减少了生成、操作和管理模型所需的专业技能。

组织可以使用大众数据专家或未受过专业培训的业务专家来填补数据科学和ML人才缺口。到2021年，数据科学任务的自动化将使大众数据专家产生比真正数据专家更多的高级分析工作。Gartner预测，到2021年，增强分析将成为分析、BI、数据科学和机器学习平台以及嵌入式分析新消费的主要驱动力。我们还预计，到2025年，数据专家的短缺将不再阻碍组织采用数据科学和机器学习。组织将越来越多地增加和外包数据科学工作。

在与用户交互的自主事物中嵌入增强分析后，其将成为分析的一个关键特性，特别是使用会话接口的自主助手。这种新兴的工作方式使商务人士能够通过移动设备和个人助理生成查询、研究数据、接收自然语言(语音或文本)的见解并据此采取行动。然而，这只是增强分析在自主事物中的初级应用。增强分析能够将增强的数据科学功能嵌入到所有类型的自主事物中。当自主事物需要分析来操作时，它可以利用嵌入的增强分析功能予以响应。

在一个典型的分析场景中，人们经常默认探索自己所偏好的假设，错过发现关键（事物），得出不正确或不完整的结论。这可能会对决策和结果产生不利影响。增强分析能够探索更多的假设并识别隐含的模式。同时，它没有个人偏见。然而，人工智能算法并不是天生完美的，必须注意不要通过有限的训练集在无意间引入新的偏好。

应对Shadow AI

Shadow AI指的是大众化的自然结果，即没有受过正规训练的个体利用易使用的工具来开发自己的人工智能解决方案，并在类似的工作中为他人提供对等的支持。就像Shadow IT一样，业务用户将自己技术带到工作中，或者使用BI工具创建自己的电子表格或分析模型，Shadow AI也有好坏两个方面。大众化为大众数据专家、集成商和开发者提供了新的机会。业务用户可以利用越来越容易使用的工具动态地创建强大的人工智能模型和分析。虽然这可能是提高生产力的好事，使企业能够更快地适应和驱动新的业务机会，但在未经培训的受众中释放这些强大的工具也同样是一个挑战。

Shadow IT：在正式IT组织的正式控制之外对IT解决方案进行收购，开发和/或运营的投资。

通过允许授权外的“自有数据”和“自有算法”，Shadow AI将“自有”引入到一个更精确细粒度水平的IT管理控制中。只要练习和训练得当，Shadow AI本质上并不是一件坏事。到2022年，30%使用人工智能进行决策的组织将与Shadow AI相抗衡，这将成为有效和道德决策的最大风险。

相关研究:

“Predicts 2019: The Democratization of AI”

“Low-Code Development Technologies Evaluation Guide”

“Four Real-World Case Studies: Implement Augmented DSML to Enable Expert and Citizen Data Scientists”

“Innovation Insight for AI-Augmented Development”

“Augmented Analytics Feature Definition Framework”

“Top 10 Data and Analytics Technology Trends That Will Change Your Business”

“How to Enable Self-Service Analytics”

“Predicts 2019: Democratization of IT Requires Different Strategies for Integration”

趋势四：人体增强

人体增强是指通过科学技术的应用来提高人的能力。人类经常以这样的方式使用技术和科学。甚至在计算机出现之前，打字机、复印机和印刷机等技术就已经增强了人类创造、复制和出版文字的能力。眼镜、助听器和假牙都是历史上人体增强能力的例子。

计算机时代为人类的发展增添了新的维度。文字处理、桌面出版、网页、博客和社交媒体极大地扩展了我们创建和发布文本的能力。随着物联网、人工智能、智能音箱、VR等计算机科学新技术的兴起，以及CRISPR等生物科学新技术的兴起，人体增强的崭新机遇正在出现。

Clustered Regularly Interspaced Short Palindromic Repeats,CRISPR：CRISPR/Cas9是在细菌中发现的一种参与免疫防御的系统。细菌利用CRISPR/Cas9来切断入侵细菌病毒的DNA，或将其杀死。

人体增强探索技术如何可以作为人类体验的一个组成部分被用来传递认知和改善身体。计算机和应用程序不再是正常人类体验之外的东西，已成为日常人类体验中自然的、有时是必要的部分。此外，人体增强还包括生物工程因素，这些因素超出了计算机和应用的范畴。我们已经在某种程度上走上了这条路。对许多人来说，智能手机是一个必不可少的工具，密不可分。社交网络和电子连接，如电子邮件，已经成为人与人之间的主要联系方式。早在电脑出现之前，医药品就已经增强了人类的能力。人体增强是组合创新的一个典型例子，它将许多趋势结合在一起，包括：

1、超自动化和专家系统的发展，使技能的获取大众化，超越了目前的经验和训练。

2、强大的边缘设备和自主物件，它们存在于人类周围的空间中，增强了人类的能力。

认知与身体增强

人体增强影响着我们在物理和数字空间中移动、感知和交互的方式，也影响着我们处理、分析和存储信息的方式。虽然随着时间的推移，它们之间的界限会变得模糊，但增强可以大致分为物理和认知两类。

通过在人体植入或附加某种技术元素来改变人体固有的生理能力，从而增强人体素质。汽车、采矿、石油和天然气等行业都在使用可穿戴设备来提高工人的安全行。可穿戴设备还推动了零售、旅游和医疗等行业的工作效率。物理增强也包括使用生物学或其他手段来改变人体。在某些情况下，身体的增强代替了一个人失去的能力(如假肢);但是，在某些情况下，这些替代能力可能会超过人类的自然能力。物理增强可以从几个维度来考虑：

1、感官增强 – 听觉、视觉和其他增强装置或植入装置，以改善感官。虚拟、增强和混合现实是当前感官增强的一个例子。在新兴技术领域，许多公司都在试验智能隐形眼镜，以检测眼泪中的葡萄糖水平和眼压。研究人员还在试验开发一种模仿人类鼻子的电子鼻。

2、附加装备和生物功能增强 – 利用外骨骼和假肢来代替或增强这些能力是人体增强的一个扩展领域。隆眼手术在职业高尔夫球手中很受欢迎。耳蜗植入设备可以替代失去的听觉神经，类似的技术也被用于复制眼球。化妆品行业在使用植入物改善指甲、头发、眼睛和身体部位形状方面处于领先地位。可以说，制药行业多年来一直在增强人们的生物功能。益智药可以使用天然或合成的物质来提高智力水平，尽管在治疗特定疾病之外使用这些物质存在很大争议。

3、大脑增强 – 像迷走神经刺激器这样的植入物目前可用于治疗癫痫。大脑植入物正在探索各种用途，包括记忆存储和大脑植入，用以解码神经模型与合成语音。Neuralink正试图开发一种大脑植入物，将人类大脑与计算机网络连接起来。

4、基因增强 – 如今所使用的是体细胞基因和细胞疗法，在道德上是可被接受。例如，基因疗法治疗儿童严重的联合免疫缺陷是公认的治疗方法。在未来，CRISPR技术的易获取和低成本可能会使更多的基因工程成为可能，尽管伦理问题同样重要。

认知是人类通过感官接收、生活体验、学习以及对接收、体验和教育的思考而获得知识的过程。认知技能用于理解、处理、记忆和应用信息来做决定和采取行动。认知增强提高了人类思考和做出更好决定的能力。认知增强可以通过访问信息和开发传统计算机系统上的应用以及智能空间中出现的多重体验界面来实现。这包括增强智能场景，其中人类和人工智能一起工作，以提高认知能力，包括决策和学习。此外，增强人类感官或大脑容量/能力的物理增强为认知增强提供了新的模式。这包括使用智能药物和大脑植入来储存记忆。

人体增强提供了通过人体改造实现数字转型的机会。

可穿戴设备是当今人体增强的一个例子。随着可穿戴设备的日益成熟和普及，消费者和员工将开始关注其他身体增强技术，以改善他们的个人生活(即，他们的健康状况)。或者更有效地完成他们的工作（外骨骼和植入物)。在未来10年里，随着人们寻求自我提升，身体和认知能力的增强会变得普遍。这反过来又会创造一种新的消费效应，在这种效应中，员工寻求利用他们的个人提升，甚至扩展来改善他们的办公环境。到2023年，30%的IT组织将通过自带增强来扩展BYOD政策，以解决劳动力方面的人体增强。

人体增强的文化与道德影响

人提增强将是个体与周围他人和智能空间交互的一个主要方式。业务主管和IT主管应该计划组织将如何采用、利用和适应即将到来的变化。随着消费者和员工将更多的生活融入到一个放大的智能人体增强环境中，组织将不得不解决数据透明、隐私和自主的问题。

当选择人体增强技术和方法时，企业必须检查5个主要领域：

安全。对于和安全相关的风险，人体增强技术必须实现并保持已知和可接受的状态。这种风险是跨攻击面的，它不再与特定的设备或物理位置绑定，而是可能与人体一起移动。

隐私。人体增强提供了获取有关个人增强的私人知识和数据的能力。必须对这些数据进行保护。

合规。政府和监管机构经常发布法规并提供法规的遵循要求，这使得全球企业的法规遵循变得极为复杂，尤其是因为这些机构仍在试图理解人体增强技术的含义。

健康影响。人体增强有可能对精神和身体产生长期的影响，而这些影响现在可能无法解释。

道德伦理。使用人体增强技术和过程带来了严重的伦理问题。这些包括确定特定漏洞、风险和道德问题的伦理考虑和评估。例如，富裕的个人可以增强他们自己和他们的孩子，而穷人做不到，这样一来，数字鸿沟是否会扩大?这些社会问题的答案将变得越来越重要。

所有企业都在考虑人体增强，通过具有不同时间范围的多个业务用例来实现各种业务结果。因此，他们必须考虑人体实验的教训、建议和原则，因为他们有意地开始利用人体增强技术进行人体改造。

企业应该在两个经典的道德原则之间取得平衡，即预防原则和先行原则，并采用Gartner所谓的“警告原则”：

1、预防原则规定，“如果一项行动或政策可能对公众或环境造成严重或不可逆转的损害，在没有科学共识认为不会造成损害的情况下，举证责任落在采取行动的人身上。”

2、先行原则是马克思·莫尔提出的，是“超人类主义”运动的重要宗旨。在实施限制性措施时，它提出了几个必要的要求:“根据现有的科学，而不是大众的看法来评估风险和机会。”既要考虑限制本身的成本，也要考虑放弃的机会成本。与影响的概率和大小成比例的、具有高期望值的偏好度量。保护人民试验、创新和进步的自由。”

3、警告原则在预防原则和先行之间保持平衡。它建议组织以创新的方式进步，但只能以不危及个人、公司或整个环境的方式。

相关研究:

“Maverick* Research: Architecting Humans for Digital Transformation”

“Emerging Technology Analysis: Smart Wearables”

“Technology Investments for Frontline Workers Will Drive Real Business Benefits”

“Hype Cycle for Emerging Technologies, 2019”

“Market Insight: Increase User Engagement for Voice-Enabled Virtual Assistants Through a More Targeted User Experience”

趋势五：透明度与可追溯

数字伦理和隐私越来越受到个人、组织和政府的关注。消费者逐渐意识到他们的个人信息是有价值的，并要求可进行控制。各组织认识到保护和管理个人数据的风险越来越大，各国政府正在实施严格的立法来确保这一点。

人工智能和使用ML模型做出自主决策，引发了人们新的担忧，数字伦理推动了对可解释的人工智能的需求，并确保人工智能系统以符合伦理和公平的方式运行。透明度和可追溯性是支持这些数字伦理和隐私需求的关键因素。

透明度和可追溯性不是一个产品或一个动作。它指的是一系列的态度、行动、支持技术和实践，旨在解决监管要求，确立使用人工智能和其他先进技术的道德途径，并修复企业日益缺乏的信任。

透明度和可追溯要求关注信任的六个关键要素：

道德 – 该组织在使用个人数据、算法和系统设计方面是否有严格的道德原则，以超越法规，并对所有相关方透明?

诚实 – 机构在设计系统以减少或消除对个人数据的偏见和不当使用方面是否有可靠的记录?

公开 – 道德原则和隐私承诺是否清晰易懂?这些政策的改变是否将适当的支持者纳入决策过程?

责任 – 是否有测试、保障和审核的机制，以便能够识别和解决隐私或伦理问题?这不仅适用于遵守法规，也适用于未来技术中出现的新的伦理或隐私问题。

胜任能力 – 组织是否已经实施了设计原则、流程、测试和培训，以便相关的支持者能够放心地执行组织的承诺?

一致性 – 对政策和流程的处理是否一致？

可解释、道德的AI与算法

算法决策驱动组织和消费者的一切行动：招聘、购买产品和服务、在网上看什么内容、接受或拒绝贷款、甚至坐牢。带有偏见或不正确的算法会导致糟糕的商业决策，并可能招致员工、投资者和客户的强烈反对。它们甚至可能造成严重损害，并导致企业面临刑事处罚。法律风险包括性别和种族偏见以及其他形式的歧视活动。缺乏解释或无法对缺乏偏见进行证明，这意味着商业活动不能在公开或法庭上被证明是正当的。

可解释人工智能（Explainable AI,XAI）：机器学习（ML）的巨大成功引发了人工智能应用（如交通、安全、医学、金融和国防）的新浪潮，并带来了巨大的收益。但是，当前的机器学习无法向用户解释其决策与行动。DARPA“可解释人工智能”项目致力于创建学习的模型和决策可以被最终用户理解和适当信任的人工智能系统，实现这一点需要学习更多可解释模型的方法，设计有效的解释界面，以及理解有效解释的心理需求。本演讲将总结XAI项目并介绍该项目第一阶段的要点。

不透明的算法(例如深度神经网络[DNNs])将许多隐式的、高度可变的交互作用纳入预测中，这些交互作用可能很难解释。人工智能的偏见引发了对责任和公平的担忧。因此，人工智能社区和企业领导关心的是发现和解释可能危及社会和企业的偏见的后果。例如，人工智能的偏见会导致政治观点的两极分化，坚持不可信的理念，以及业务期之间的错误关联。

可解释人工智能的功能集描述一个模型,突出了它的优势和劣势,预测其可能行为,并识别任何潜在的偏见。它可以表达一个描述性的决策,预测或说明性的模型,以实现准确、公平、负责、稳定和算法决策的透明度。可解释人工智能为AI治理提供了技术基础。人工智能治理是为应用人工智能、预测模型和算法分配和确保组织责任、决策权、风险、政策和投资决策的过程。

带有可解释AI功能的增强分析解决方案不仅是显示数据科学家模型的输入和输出,也解释了为什么系统选择特定的模型，以及增强数据科学和ML所应用的技术。不接受解释,自动生成的见解和模型,或者带有AI偏见的黑盒,可能导致法规、声誉、责任和公平的担忧,并导致对人工智能的解决方案的不信任。

透明度和可追溯是企业需要接受的东西，但是它们将成为组织如何评估使用AI来购买打包应用与服务的重要方面。到2025年，30%的政府和大型企业使用人工智能购买数字产品和服务，其合同将要求使用可解释并且合乎道德的人工智能。

数据隐私、所有权和控制权

人们越来越关心公共和私营部门如何使用他们的个人信息；对于那些没有积极解决这些问题的组织来说，这种反对只会越来越多。

虽然私营部门越来越多地受到隐私相关立法的约束，但执法和安全部门对其的控制却很少。警方使用面部识别来定位（他们）感兴趣的人。他们使用自动车牌识别(automatic number plate recognition, ANPR)来跟踪感兴趣的车辆。他们还利用健身追踪器的数据来确定犯罪时人们的位置和心率。他们甚至用面部识别解锁了嫌疑人手机。通过数十亿个端点收集信息，执法部门可以确定你是谁、你在哪里、你在做什么，甚至你在想什么。

任何关于隐私的讨论都必须建立在数字伦理和客户、选民和员工信任这一更广泛的主题之上。虽然隐私和安全是建立信任的基础组件，但实际上信任不仅仅是这些组件。

根据牛津词典的定义，信任是对某人或某事的可靠性、真实性或能力的坚定信念。在没有证据或调查的情况下，信任通常被认为是对一种陈述真实性的接受，但是，在现实中，信任常常通过随时间推移可证实的行动来获得，而不是盲目的。

最终，一个组织在隐私问题上的立场必须由其在道德和信任问题上更宽泛的立场和行动来驱动。从隐私到道德的转变使主体超越了“我们该遵从吗?”转向“我们做的对吗?”以及“我们是否在表明自己正在努力做正确的事?”从遵从性驱动组织到道德驱动组织的转变可以被描述为意图层级。

人们有理由担心他们的个人数据被使用，并开始反抗。被误导的个性化尝试、媒体报道和诉讼已经让客户明白了一件事：他们的数据是有价值的。所以，他们想要夺回控制权。客户可以选择不使用服务，用现金或比特币支付，使用VPN来掩盖他们的位置，提供虚假信息，或者干脆退出这种关系。

被遗忘权(Right to be forgotten,RTBF)立法存在于包括欧洲、南非、韩国和中国等许多司法管辖区。数据可迁移权利使客户更容易把他们的个人数据和业务转移到其他地方。组织花费近十年来有效地利用的高价值个人信息正在消失。未将隐私纳入个性化策略将带来不必要的后果,如客户流失,缺乏忠诚和不信任,以及品牌声誉损失。在某些情况下,如果客户感觉自己的隐私受到了威胁，监管将会进行干预。

Right to Be Forgotten：就是被遗忘权，公民有权利在任何时候要求一家公司删除关于自己的隐私信息；如果这些隐私信息已被转移到第三方公司，公民亦有权利在任何时候要求该第三方公司删除涉及到自己的隐私信息。如果公民根据被遗忘权提出了删除隐私信息的请求，公司面临三种结果：

1. 公司没有响应客户的要求，没有销毁其数据；

2. 或者不能提供有力的证据来证明自己已经销毁了该客户的数据；

3. 公司及时给客户提供了销毁证明。在前两种情况下，客户（公民）有权向欧盟GDPR管理当局投诉，该公司将会被认定为违反了GDPR条例而受到惩罚。

滥用个人数据的公司会失去客户信任。诚信是推动收入和盈利的关键因素。在组织中建立客户信任很难，但是失去它却很容易。然而，获得并保持客户信任的组织将会蓬勃发展。我们预计，在网络上值得信赖的公司将比那些不值得信赖的公司产生更多的网络利润。然而，并不是所有的透明和信任元素都可以轻松地自动化。这将需要更大的人力通过努力来提供问责制和问题联络点，并在出现问题时纠正错误。

最佳实践与法规迫在眉睫

欧盟通用数据保护条例(GDPR)重新定义了隐私的基本规则，并产生了全球性的影响。它允许高达每年全球收入4%或2000万欧元的罚款，以最高金额为准。我们预计，在2021年底之前，将会有超过10亿欧元的GDPR的制裁处罚。其他许多国家正在制定或实施隐私法，而世界各地不断演变的隐私法将继续挑战组织与客户、公民和员工交互的方式。

中国、俄罗斯、德国和韩国等国的立法也推动了管辖区数据驻留问题的解决。组织必须评估其所在国家的数据驻留要求，以确定数据驻留策略。本地数据中心是一种选择，但通常过于昂贵；而且，在许多情况下，可以通过法律和逻辑控制来实现个人数据的安全跨境传输。云服务提供商正在一些国家建立数据中心，这些国家的数据驻留要么受到法律的驱动，要么受到客户偏好的驱动。

可解释且合乎道德的人工智能正在成为政治和监管一个问题。英国政府数据伦理与创新中心(Centre for Data Ethics and Innovation)已开始对金融服务业的算法偏见进行评估。美国政界人士也提出了相关规定。

通过实施“隐私设计”原则，使您的产品和服务比竞争对手更有利于隐私保护。这就创建了一个基于信任的价值主张。2017年的一项调查显示，87%的消费者表示，如果他们不相信一家公司会负责任地处理他们的数据，他们就会把交易转到别处。其它标准组织，如IEEE标准协会(IEEE standards Association)，一直在编写各种标准，以考虑人工智能和自主系统中的伦理问题，以及个人数据和人工智能代理的标准。企业应该跟踪这些原则的进展，并根据需要采用它们，以展示道德、一致性和胜任能力。

相关研究:

“Top 10 Data and Analytics Technology Trends That Will Change Your Business”

“Build Trust With Business Users by Moving Toward Explainable AI”

“Hype Cycle for Artificial Intelligence, 2019”

“Build AI-Specific Governance on Three Cornerstones: Trust, Transparency and Diversity”

“Modern Privacy Regulations Could Sever or Strengthen Your Ties With Customers”

“The CIO’s Guide to Digital Ethics: Leading Your Enterprise in a Digital Society”

“Use These Privacy Deliverables in Every IT Development Project”

“Build for Privacy”

“Hype Cycle for Privacy, 2019”

原文：Top 10 Strategic Technology Trends for 2020

Analyst(s):David Cearley, Nick Jones, David Smith, Brian Burke, Arun Chandrasekaran, CK Lu

*本文由宇宸默安编译，转载请注明来自FreeBuf.COM

来源：freebuf.com 2020-01-06 10:00:53 by: 宇宸de研究室

文章版权归作者所有，未经允许请勿转载。

THE END