今年我們將看到機器學習和微服務整合的更多案例。此前，微服務的部署都集中在輕量級的服務上，那些整合了機器學習的微服務通常被局限在應用于數(shù)據(jù)流瓶頸的“快速”數(shù)據(jù)集成。在2017年，我們會看到開發(fā)將轉(zhuǎn)變?yōu)橛袪顟B(tài)應用程序，這些程序?qū)⑹褂么髷?shù)據(jù)，以及使用基于大量的歷史數(shù)據(jù)更好地理解新到達的數(shù)據(jù)流的機器學習方法。
“我們的預測深受領先的客戶的影響，這些客戶通過將分析整合進運營的用例而獲得顯著的商業(yè)價值，”Schroeder說 。“我們的客戶對MapR融合數(shù)據(jù)平臺的使用，為DevOps提供了敏捷性，在DevOps中他們可以廣泛使用從Hadoop到Spark、SQL、NoSQL、文件和信息流等加工模型——任何當前和未來的，在私有云、公有云和混合云部署中的需求。”