Gartner:2020年十大战略技术趋势(上篇)
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)。
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
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。
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。
1、 产品设计与可视化。