今年是微軟亞洲研究院(MSRA)20 周年，站在這個(gè)大節點(diǎn)上，MSRA 副院長(cháng)張冬梅以及她的團隊寫(xiě)了這篇有關(guān)數據智能的文章，對該領(lǐng)域的發(fā)展和未來(lái)進(jìn)行梳理。本文貢獻者：崔為瑋，韓石，林慶維，樓建光，徐勇，張冬梅，張海東，朱斌。本文由雷鋒網(wǎng)首發(fā)。

　　我們正處于大數據和數字化轉型的時(shí)代：數據無(wú)處不在;運用數據驅動(dòng)的思想和策略在實(shí)踐中逐漸成為共識;數據的價(jià)值已在科學(xué)研究和工商業(yè)的不同領(lǐng)域得到充分展現。然而，如果無(wú)法從數據中提取出知識和信息并加以有效利用，數據本身并不能驅動(dòng)和引領(lǐng)數字化轉型取得成功。如何讓數據發(fā)揮它最大的價(jià)值?“數據智能”(Data Intelligence) 應運而生。

　　數據智能是一個(gè)跨學(xué)科的研究領(lǐng)域，它結合大規模數據處理、數據挖掘、機器學(xué)習、人機交互、可視化等多種技術(shù)，從數據中提煉、發(fā)掘、獲取有揭示性和可操作性的信息，從而為人們在基于數據制定決策或執行任務(wù)時(shí)提供有效的智能支持。

　　如果將數據視為一種新的“石油”，那么數據智能就是“煉油廠(chǎng)”。數據智能通過(guò)分析數據獲得價(jià)值，將原始數據加工為信息和知識，進(jìn)而轉化為決策或行動(dòng)，已成為推動(dòng)數字化轉型不可或缺的關(guān)鍵技術(shù)。數據智能的重要性越來(lái)越凸顯，并在近年來(lái)取得快速發(fā)展。

　　數據智能技術(shù)賦予我們探求數據空間中未知部分的能力，在不同領(lǐng)域里蘊育出巨大的機會(huì )。眾多基于互聯(lián)網(wǎng)的新型業(yè)務(wù)，包括搜索引擎、電子商務(wù)以及社交媒體應用等，從本質(zhì)上就是建立和運作在數據智能的基礎之上。

　　數據智能技術(shù)正在重塑傳統的商業(yè)分析或商業(yè)智能領(lǐng)域。根據 Gartner 的調研，一種新的 “增強分析”的分析模式正在顛覆舊有方式，預計在幾年內將成為商業(yè)智能系統采購的主導驅動(dòng)力。這種“增強分析”模式正是由數據智能技術(shù)賦能，提供了自然語(yǔ)言查詢(xún)和敘述、增強的數據準備、自動(dòng)的高級分析、基于可視化的數據探索等多種核心能力。

　　那么，數據智能領(lǐng)域的技術(shù)進(jìn)展如何?未來(lái)，數據智能的研究又有哪些熱點(diǎn)?

　　數據智能的技術(shù)進(jìn)展

　　數據智能相關(guān)的核心技術(shù)大致可以分為數據平臺技術(shù)、數據整理技術(shù)、數據分析技術(shù)、數據交互技術(shù)、數據交互技術(shù)、數據可視化技術(shù)等部分。與傳統意義上的數據處理、數據分析相比，數據智能面臨很多新挑戰、新問(wèn)題。在解決這些問(wèn)題和挑戰的過(guò)程中，各種技術(shù)創(chuàng )新層出不窮。

　　大數據系統與平臺

　　為了支持大規模的數據處理與分析任務(wù)，全新的數據存儲系統需要能夠容納和支持高效數據吞吐、高可伸縮性和高容錯性。傳統的數據庫 OLTP 面向交易型需求而設計，無(wú)法滿(mǎn)足大數據統計分析類(lèi)的查詢(xún)需求和應用。當前的大數據系統更加強調讀寫(xiě)效率、數據容量以及系統的可擴展性。具體來(lái)說(shuō)，將數據分割成塊，并將每塊復制多份后分散到不同物理機器上存儲，用冗余的數據塊來(lái)防止因個(gè)別機器損壞對數據完整性的影響。數據的冗余保存不但提高了系統的可靠性，同時(shí)也可以提高了系統在數據讀取時(shí)的并發(fā)性能。另外，為降低成本，現代的大數據系統運行在價(jià)格相對低廉的普通服務(wù)器上;這些機器通過(guò)高速網(wǎng)絡(luò )連接，實(shí)現高效的數據傳輸。

　　處理和分析大數據涉及大量的計算，催生了很多分布式 NoSQL 數據處理系統。在計算模型上，MapReduce 的推出給大數據并行處理帶來(lái)了革命性的影響。在 MapReduce 基礎上進(jìn)一步提出了新的計算模型 Spark。Spark 充分利用在內存中計算的優(yōu)勢，并且大大優(yōu)化了原來(lái) MapReduce 中 Shuffle 所帶來(lái)的效率問(wèn)題。經(jīng)過(guò)幾年的發(fā)展，Spark 已經(jīng)替代 MapReduce 成為業(yè)界最為重要的大數據處理框架，并且發(fā)展了非常豐富的應用生態(tài)。

　　此外，基于流 (Streaming) 的計算模型被開(kāi)發(fā)出來(lái)以支持不斷變化和更新的大數據應用。在流計算模型中，為了達到更實(shí)時(shí)的更新，每到達一個(gè)數據事件的時(shí)候就進(jìn)行一次處理。Spark Streaming、Storm、Flink 都是比較流行的流計算平臺。

　　在支持對大數據進(jìn)行在線(xiàn)交互式的查詢(xún)和分析方面，來(lái)自不同領(lǐng)域的技術(shù)正在快速融合，共同構建更加實(shí)時(shí)高效的大數據交互查詢(xún)平臺。以 ElasticSearch 為代表的一類(lèi)技術(shù)，借鑒搜索系統的索引構架和技術(shù)，對大規模非結構化和半結構化數據進(jìn)行分塊、索引來(lái)支持快速查詢(xún)。以 Spark Kylin 為代表的另一類(lèi)技術(shù)則將傳統的數據立方體技術(shù)推廣到大數據領(lǐng)域，通過(guò)將預先計算的部分數據立方體緩存起來(lái)，大大提高了運行時(shí)的查詢(xún)速度。

　　隨著(zhù)技術(shù)的發(fā)展，對數據進(jìn)行高語(yǔ)義級別的自動(dòng)分析變得越來(lái)越重要。自動(dòng)分析技術(shù)往往需要頻繁計算在不同查詢(xún)條件下的聚合結果，一個(gè)分析查詢(xún)可能涉及成百上千次簡(jiǎn)單的聚合查詢(xún)。這就對查詢(xún)性能提出了更高的要求。為了解決這個(gè)問(wèn)題，同時(shí)也考慮到大數據分析中絕大多數任務(wù)對數據的完整性不太敏感這一特點(diǎn)，學(xué)術(shù)界又提出了 BlinkDB、BigIN4 等技術(shù)和系統，希望利用通過(guò)采樣或者預計算得到的部分數據來(lái)對用戶(hù)的查詢(xún)結果進(jìn)行估計，從而達到快速計算的目的。其中 BlinkDB 試圖利用分層采用的方法來(lái)減少估計的誤差，而 BigIN4 則試圖通過(guò)貝葉斯估計方法來(lái)優(yōu)化用戶(hù)查詢(xún)的估計誤差。

　　基于自然語(yǔ)言的交互

　　為了降低數據分析的門(mén)檻，使用自然語(yǔ)言作為交互方式顯然是一個(gè)理想方案，可以極大地方便普通用戶(hù)快速、有效地進(jìn)行數據探索與數據分析。近年來(lái)，隨著(zhù)自然語(yǔ)言處理和人工智能技術(shù)的快速進(jìn)步，使用自然語(yǔ)言來(lái)查詢(xún)和分析數據變得更加可能。

　　自然語(yǔ)言數據分析要解決的最重要的問(wèn)題是語(yǔ)義解析。語(yǔ)義解析技術(shù)是將自然語(yǔ)言直接轉化成可以執行的程序 (例如 SQL 語(yǔ)句)?；陉P(guān)系數據庫/數據表的語(yǔ)義解析技術(shù)是解決自然語(yǔ)言交互式查詢(xún)的重要途徑。早期主要采用基于模式匹配的方法，后來(lái)出現了基于語(yǔ)法分析與語(yǔ)義分析的第二代方法。

　　近年來(lái)，隨著(zhù)深度學(xué)習技術(shù)的發(fā)展，涌現出了一系列的端到端的語(yǔ)義解析模型。一般的端到端模型采用 sequence-to-sequence 的方法，將自然語(yǔ)言進(jìn)行序列編碼，然后逐步生成 SQL 語(yǔ)句，但是這種方法的缺點(diǎn)是容易產(chǎn)生不正確的或者不可執行的 SQL 語(yǔ)句。因此，在端到端的方法的基礎上會(huì )融合各種知識來(lái)減少搜索空間，增加約束，包括嵌入 SQL 語(yǔ)法知識，引入表格信息，甚至是引入外部的知識庫，比如 WordNet。

　　分析的自動(dòng)化

　　數據分析是數據智能中最核心的部分，大致可以分為描述性分析、診斷性分析、預測性分析、指導性分析等四個(gè)類(lèi)別，每個(gè)類(lèi)別基于數據回答不同的問(wèn)題，難度越來(lái)越大，所能帶來(lái)的價(jià)值越來(lái)越高，所使用的技術(shù)也越來(lái)越復雜。數據智能分析工具的發(fā)展經(jīng)歷了如下四個(gè)重要的階段和層次。

　　階段1：數據智能專(zhuān)家深入學(xué)習和了解特定領(lǐng)域的問(wèn)題，構建端到端 (end-to-end)的分析流程和平臺，以特定領(lǐng)域的數據分析師為主要用戶(hù)，以解決特定領(lǐng)域的專(zhuān)業(yè)問(wèn)題為主要任務(wù)。

　　階段2：數據智能專(zhuān)家通過(guò)對各個(gè)領(lǐng)域的深刻總結，提煉出在不同領(lǐng)域的任務(wù)中所共同依賴(lài)的一些必要的需求單元，比如分布差異分析、主驅動(dòng)因素分析、預測分析等等。把各個(gè)需求單元對應的數據智能技術(shù)以積木塊搭建的形式組成一個(gè)分析平臺，提供給各個(gè)領(lǐng)域使用。用戶(hù)按照自己分析任務(wù)的需求，可以在分析流程中選擇相應的技術(shù)模塊。

　　階段3：進(jìn)一步發(fā)揮機器的“智能”性，在分析任務(wù)的各個(gè)環(huán)節，通過(guò)主動(dòng)提供相關(guān)洞察 (Insight) 的形式，為用戶(hù)的下一步?jīng)Q策或行動(dòng)提供信息充足的引導性建議，從而更大程度地提高人類(lèi)智能與機器智能的互補，完成更高效的協(xié)作。

　　階段4：在前三個(gè)階段中，數據的處理、特征的選取、模型的設計以及參數的優(yōu)化等等核心環(huán)節嚴重依賴(lài)于機器學(xué)習專(zhuān)家的知識和技能。隨著(zhù)機器學(xué)習理論的進(jìn)一步發(fā)展，Auto ML 技術(shù)開(kāi)始出現并發(fā)展起來(lái)，其核心是基于對已有機器學(xué)習成果的總結，將上述重要環(huán)節進(jìn)行系統化的抽象，并結合不斷快速發(fā)展的計算機處理能力，使其逐漸自動(dòng)化，從而進(jìn)一步降低數據智能模塊的開(kāi)發(fā)門(mén)檻，拓寬對長(cháng)尾任務(wù)的支持，推動(dòng)人類(lèi)智能和機器智能的進(jìn)一步融合，也使不同領(lǐng)域的普通用戶(hù)以自助方式按需定制針對具體任務(wù)的數據智能模塊變得可能。

　　數據融合的自動(dòng)化

　　如何有效整理、融合如此多樣且繁雜的數據對于數據智能領(lǐng)域非常重要。數據融合的相關(guān)技術(shù)在整體上需要解決以下關(guān)鍵問(wèn)題。

　　首先，在機器從數據中獲取智能之前，機器能夠正確地讀懂各種各樣的數據。對于機器友好的數據是類(lèi)似關(guān)系數據庫的結構化數據。然而，現實(shí)世界里存在著(zhù)大量的非結構化數據，比如自然語(yǔ)言的文本;還有介于兩者之間的半結構化數據，比如電子表格。目前機器還很難理解這些非結構化的方面，需要將數據處理成對機器友好的結構化數據，機器才能發(fā)揮其特長(cháng)，從數據中獲取智能。非結構化數據、尤其是半結構化數據向結構化數據的轉化，是實(shí)現數據智能不可或缺的先決任務(wù)。

　　其次，數據并不是孤立的，數據智能需要充分利用數據之間存在的關(guān)聯(lián)，把其他數據源或數據集所涵蓋的信息傳遞并整合過(guò)來(lái)，可以為數據分析任務(wù)提供更豐富的信息和角度。

　　最后，數據并不是完美的，提前檢測并修復數據中存在的缺失或錯誤，是保障數據智能得出正確結論的重要環(huán)節。

　　數據可視化

　　數據可視化本質(zhì)上是為了感知和溝通數據而存在的，涉及到不同的領(lǐng)域，諸如人機交互、圖形設計、心理學(xué)等。在當前大數據盛行的時(shí)代，數據可視化逐漸嶄露頭角，扮演著(zhù)越來(lái)越重要的角色。

　　可視化技術(shù)用于分析，已成為數據智能系統不可或缺的部分。這些技術(shù)通常會(huì )集成在一個(gè)圖形界面上，展示一個(gè)或多個(gè)可視化視圖。用戶(hù)直接在這些視圖上進(jìn)行搜索、挑選、過(guò)濾等交互操作，對數據進(jìn)行探索和分析?？梢暬ぞ哌M(jìn)一步趨于簡(jiǎn)單化、大眾化，使一些高階的分析變得更加簡(jiǎn)單。一些高級的可視化設計，如 Word Cloud、Treemap、Parallel Coordinates、Flowmap、ThemeRiver 等，也逐步成為主流。

　　在決策過(guò)程中，可視化也發(fā)揮著(zhù)重要的作用，它能將信息展示得更準確、更豐富、更容易理解，從而極大提高人與人之間的溝通效率?？梢暬瘮⑹?(visual storytelling) 研究如何將可視化用于信息的展示和交流。 當今主流的數據分析平臺，例如 Power BI、Tableau、Qlik 等，都提供了可視化敘事的模式?？梢暬瘮⑹碌难芯磕壳斑€處在一個(gè)比較早期的階段，人們還在探索它的各個(gè)方面，例如修飾形式、敘事方式、交互手段、上下文、記憶性等。如何評估一個(gè)可視化敘事也有待進(jìn)一步研究。

　　基于隱私保護的數據分析

　　近年來(lái)，隨著(zhù)數據隱私問(wèn)題成為關(guān)注的焦點(diǎn)，以及相關(guān)數據保護的立法 (比如 GDPR) 開(kāi)始實(shí)施，研究人員開(kāi)始積極探索保護隱私的數據分析技術(shù)，即在保護數據隱私的情況下，對數據進(jìn)行管理和處理。

　　一個(gè)方向是提供可信計算環(huán)境去執行敏感操作。用戶(hù)的數據始終是加密的，只有在可信計算的環(huán)境中才會(huì )解密及處理。

　　另一個(gè)方向是直接對加密數據進(jìn)行處理得到想要的結果，因為數據沒(méi)有解密，隱私得到了保證。選擇性加密技術(shù)早已廣泛應用于多媒體內容保護，但很難擴展到其他類(lèi)型的數據。另一種適用性更廣的方法是同態(tài)加密，它允許對密文進(jìn)行某些同態(tài)操作，例如加法和/或乘法，使得密文下的運算結果在解密后與對明文執行相應操作的結果一致。

　　數據智能技術(shù)的未來(lái)熱點(diǎn)

　　數據智能研究契合當今大數據時(shí)代各領(lǐng)域、各行業(yè)從數據中挖掘、實(shí)現價(jià)值，進(jìn)行數字化轉型的迫切需要，因而在近年來(lái)得到了充分重視，發(fā)展迅速。隨著(zhù)數據智能在更多領(lǐng)域的落地和發(fā)展，新的應用和場(chǎng)景、新的問(wèn)題和挑戰將進(jìn)一步激發(fā)和驅動(dòng)數字智能研究保持強勁的發(fā)展勢頭，邁向更高的層次。展望未來(lái)，數據智能技術(shù)將朝著(zhù)更自動(dòng)、更智能、更可靠、更普適、更高效的方向繼續發(fā)展。

　　熱點(diǎn)1：在更高的語(yǔ)義理解水平上進(jìn)行分析

　　為了更加智能地分析數據，需要對數據有更加豐富的語(yǔ)義理解。與知識圖譜 (Knowledge Base) 不同，雖然數據分析中最常用的關(guān)系數據模型也是對實(shí)體和關(guān)系的建模，但是關(guān)系數據模型的建模是為查詢(xún)和存儲性能而優(yōu)化的，往往丟失了大量語(yǔ)義信息。如何引入領(lǐng)域知識和常識型知識對于更好地理解數據至關(guān)重要。

　　如何從表格數據和其他容易獲得的文本數據 (如 web 網(wǎng)頁(yè)) 中自動(dòng)獲取語(yǔ)義信息來(lái)增強和豐富表格數據是一個(gè)需要研究的重要方向。比如，確定表格中行或列的實(shí)體類(lèi)型 (包括人名、地名、機構名等命名實(shí)體以及時(shí)間、地址、貨幣等數據類(lèi)型)。表格往往不具有文本中的豐富的上下文信息，因此表格中的實(shí)體識別不同于其他自然語(yǔ)言處理任務(wù)中的實(shí)體識別，十分具有挑戰性。除了處理實(shí)體識別外，數據表格中實(shí)體關(guān)系的挖掘和分析也至關(guān)重要。充分挖掘實(shí)體之間的關(guān)聯(lián)關(guān)系可以完成一些實(shí)體類(lèi)型的推薦和回答數據分析的問(wèn)題。

　　熱點(diǎn)2：構造通用知識和模型的框架

　　人類(lèi)對知識和方法能夠舉一反三，觸類(lèi)旁通。具體到數據分析領(lǐng)域，分析中用到的知識和模型需要在不同數據對象和分析任務(wù)之間共享和遷移。在機器學(xué)習領(lǐng)域，已經(jīng)有很多相關(guān)工作，也提出了一些方法，比如遷移學(xué)習、多任務(wù)學(xué)習、預學(xué)習模型等等。要實(shí)現這個(gè)“舉一反三”的目標，除了需要深入研究具體的機器學(xué)習算法，也需要從模型和知識的框架體系來(lái)思考，研究適合數據分析領(lǐng)域的通用知識和模型的原語(yǔ)體系，以及知識和模型的遷移共享的統一框架。

　　熱點(diǎn)3：建立高質(zhì)量的訓練數據集和基準測試數據集

　　由于訓練數據的缺乏，人工智能、深度學(xué)習等技術(shù)在數據智能領(lǐng)域的進(jìn)一步應用遇到了很大的困難。正如 ImageNet 數據對于計算機視覺(jué)領(lǐng)域的研究起到了顯著(zhù)的推動(dòng)作用一樣，數據智能領(lǐng)域的研究也亟需建立起一整套公用的大規模、高質(zhì)量的訓練數據集和基準測試數據集。一旦有了豐富的訓練數據，數據智能領(lǐng)域的很多研究，諸如自動(dòng)分析、自然語(yǔ)言交互、可視化推薦等等，將會(huì )取得突破性的進(jìn)展。

　　熱點(diǎn)4：提供具有可解釋性的分析結果

　　用戶(hù)將不再滿(mǎn)足于僅僅依賴(lài)黑盒式的智能、端到端地作用于整個(gè)任務(wù)，而需要更細粒度的、有針對性的、更透明的數據智能。例如，數據智能用于財務(wù)審計系統中，準確推薦最有風(fēng)險的交易記錄進(jìn)行優(yōu)先審查，以達到在最小化系統風(fēng)險的前提下，最大化審計效率。在這類(lèi)系統的研發(fā)中，需要構建可理解性強的模型。在推薦高風(fēng)險交易記錄的同時(shí)，盡量提供系統是依據哪部分信息、通過(guò)怎樣的邏輯判斷這是一條高風(fēng)險交易的相關(guān)依據。這與過(guò)去通常使用的黑盒技術(shù)路線(xiàn)有了明顯的變化，將成為今后技術(shù)發(fā)展的一個(gè)趨勢。

　　熱點(diǎn)5：人類(lèi)智能和機器智能更加緊密融合

　　現有人工智能技術(shù)從本質(zhì)上依然只是被動(dòng)服從人類(lèi)設定的既定邏輯然后自動(dòng)地運行，歸根到底還是無(wú)法突破人類(lèi)傳授的學(xué)習框架，沒(méi)有創(chuàng )造力。因此在可預見(jiàn)的未來(lái)，數據智能將依然無(wú)法擺脫人與機器協(xié)作的模式，需要全面地總結人類(lèi)在數據分析方面的智能和經(jīng)驗，便于轉化為機器算法，系統化地集成到已有的智能系統當中。

　　熱點(diǎn)6：強大的指導性分析成為主流

　　數據分析的核心目標之一便是指導行動(dòng)，無(wú)論分析得有多好，如果不采取行動(dòng)，那么分析的價(jià)值就不會(huì )得到實(shí)質(zhì)的體現，這就是指導性分析的重要價(jià)值所在。

　　例如，根據詳盡的分析，數據智能預測某品牌在接下來(lái)一個(gè)季度的銷(xiāo)量會(huì )下滑 10%。如果分析任務(wù)結束于此，那么數據智能并沒(méi)有盡到全部的責任，人還需要根據后續分析結合自己的經(jīng)驗去搞清楚怎樣才能減輕甚至避免潛在的銷(xiāo)量下滑。相應的指導性分析可以是，如果想保持下季度銷(xiāo)量不下滑，應該采取怎樣的行動(dòng)。指導性分析的結果可以是把某一類(lèi)子產(chǎn)品的產(chǎn)量減少 20%，同時(shí)把另兩類(lèi)子產(chǎn)品的產(chǎn)量各增加 10% 等等。

　　現在的數據智能技術(shù)在給出指導性分析的同時(shí)，并沒(méi)有具備足夠解釋性的模型，無(wú)法提供充足的依據，從而不足以讓人類(lèi)用戶(hù)充分信任自動(dòng)推薦的結果。提供具有更好解釋性的指導性分析是一個(gè)趨勢。

　　熱點(diǎn)7：基于隱私保護的數據分析更加成熟完善

　　通過(guò)從立法、技術(shù)、到用戶(hù)參與等全方位的共同努力，隱私保護將被進(jìn)一步納入到未來(lái)的數據分析中。從技術(shù)層面， 應該確保個(gè)人數據由數據主體控制如何收集、管理、處理和共享，并在整個(gè)生命周期得到保護，同時(shí)應開(kāi)發(fā)并部署保護隱私的數據處理技術(shù)，以便在保護隱私的前提下，數據得以處理并獲得想要的結果。

　　熱點(diǎn)8：智能分析助手得到普及

　　智能代理 (Intelligent Agent) 技術(shù)與數據分析技術(shù)的融合是一個(gè)重要的方向。在不久的將來(lái)，智能的數據分析助手能夠幫助人類(lèi)更加高效地分析和利用數據。

　　這些數據分析智能助手通過(guò)自然語(yǔ)言對話(huà)的方式與人交流數據分析的任務(wù)和結果，理解分析的背景和上下文，可以完成人類(lèi)交給的特定數據分析任務(wù) (根據分析的語(yǔ)義層級不同，可分為基本分析命令和高級數據挖掘任務(wù))，也可以把具有商業(yè)價(jià)值的數據事實(shí)推薦給相關(guān)人類(lèi)用戶(hù) (比如自動(dòng)從數據中挖掘到的數據洞察)，并對某些數據事件做出智能判斷和適當的反應 (比如自動(dòng)對數據中需要注意的變化進(jìn)行提示和警報)。這樣的智能體還具有一定的學(xué)習能力，能夠通過(guò)與人類(lèi)分析師的對話(huà)交流積累特定領(lǐng)域的知識，從而能夠更加具有針對性和更加智能地進(jìn)行自動(dòng)數據分析。

　　熱點(diǎn)9：協(xié)作化的可視分析

　　隨著(zhù)各種溝通工具的興起和普及，協(xié)作化的可視分析會(huì )成為熱點(diǎn)。不同于傳統的面對面、小規模的協(xié)作，新的協(xié)作分析往往是異步的和大規模的，人們在不同的時(shí)間和地點(diǎn)，使用不同的設備，對同一個(gè)數據進(jìn)行可視分析。在此過(guò)程中，如何協(xié)調人們的協(xié)作?如何避免重復性的工作?如何保證不同人在不同的顯示終端上看到的數據是一致的?如何共享各種信息?如何搭建一個(gè)高效的協(xié)作平臺?這些都是需要解決的技術(shù)挑戰。

　　熱點(diǎn) 10：可視化將無(wú)所不在

　　在更長(cháng)遠的將來(lái)，我們相信可視化終將變得透明。就像文字和語(yǔ)音一樣，廣泛滲透到我們的日常生活中。為此需要有三個(gè)方面的技術(shù)儲備：

　　首先，可視化視圖必須能夠被快速地生產(chǎn)和消費。目前，多數可視化視圖的生成還是離不開(kāi)人的參與，但是在人工智能的幫助下，未來(lái)在人工智能的幫助下，可視化視圖將能被大規模和精確地生成，從而大大降低可視化創(chuàng )作的開(kāi)銷(xiāo)。

　　其次，要進(jìn)行交互方式的變革。傳統的基于鍵盤(pán)、鼠標的交互模式不是最自然的方式，各種人類(lèi)更習慣的方式 (例如手勢、筆紙、觸控等) 需要慢慢演化成更成熟的交互手段。

　　最后，需要顯示設備的普及。顯示設備終將被集成到人的生活中去，無(wú)論是穿戴式的、手持的，還是出現在人們日常生活的物品表面上的。只有當顯示設備無(wú)處不在的時(shí)候，可視化才能真正變成一種溝通的基本方式。
　?。?a href="http://www.yyedu365.com">邯鄲網(wǎng)站建設）