Datahanteringstrender 2024 - DATAVERSITET

Datahanteringstrender 2024 – DATAVERSITET

Tidsstämpel: 26 december 2023 3:35
Källnod: 3038167

Trenderna inom datahantering för 2024 kan förväntas sträcka sig från effekterna av EU:s Digital Services Act (DSA)-paket till nya varianter av ChatGPT fokuserat på att hantera data. Data Management (DM) handlar om insamling, bearbetning och lagring av data, såväl som de lagar och förordningar som skyddar människors rättigheter. Att hantera en organisations data involverar ett brett utbud av metoder, policyer och procedurer.

Företag kan förvänta sig betydande förändringar i sina DM-processer under 2024. 

Målet med Data Management är att använda data effektivt och kostnadseffektivt samtidigt som det hjälper människor att slutföra uppgifter och projekt. Att utveckla en robust DM-strategi har blivit oerhört viktigt för organisationer. En robust datahanteringsstrategi bör inkludera en rad DM-verktyg och tekniker och stödja affärsintelligens och analys.

Datahanteringssystem utvecklas traditionellt kring en DM-plattform, som kan inkludera programvara som stöder databaser, datalager, datasjöar, dataanalys, dataintegration och mer.

Förändringar i teknik och regelverk kan förberedas med rätt planering. Andra trender för 2024 kan vara:

  • Automatiserad datahantering
  • Hantering av sjukvårdsdata
  • Hybrid/multimolnsäkerhet

Effekten av Europeiska unionens DSA-paket 2024

Företagens beteende och trender 2024 kommer delvis att påverkas av DSA-paketet som Europeiska unionen har utvecklat och antagit.

Europeiska unionen (till skillnad från USA) har infört ytterligare regler för att skydda sina medborgare: Digital Services Act och Digital Markets Act, även kallad DSA-paket. Dessa handlingar gör onlineaktiviteter säkrare och skyddar konsumenternas och användarnas rättigheter. Verkställigheten börjar den 6 mars 2024. 

DSA-paketet är utformat för att skydda användarnas rättigheter och för att jämna villkoren, vilket minskar effekten av ett fåtal stora plattformar (Facebook, Twitter, Google och andra webbplatser med över 45 miljoner användare per månad).

Ett betydande problem i utvecklingen var försäljningen av olagligt innehåll, varor och tjänster online – barnpornografi, vapen, hackningstjänster etc. Det finns också en oro för att onlinetjänster missbrukas av manipulativa algoritmiska system som är utformade för att förstärka spridning av desinformation.

DSA-paketet har extraterritoriell räckvidd och kommer att påverka företag runt om i världen. Om en organisation gör affärer med europeiska kunder, även om den organisationen inte är belägen i Europa, måste den följa DSA-reglerna när den gör affärer med personer eller företag inom EU. Medan mycket av paketet handlar om mycket stora onlineplattformar, mindre företag påverkas också.

Mindre företag måste vara medvetna om att DSA-paketet gäller alla digitala tjänster som kopplar europeiska konsumenter till innehåll (avseende felaktig information), varor och tjänster online (beträffande olaglig verksamhet). 

Organisationer som gör affärer i EU kommer att behöva uppfylla nya skyldigheter som innebär att bedöma och motverka risker, minska skador, skydda sina användares rättigheter online och uppfylla ett bredare ansvars- och öppenhetsansvar. Dessa regler är avsedda att erbjuda nya skydd till internetanvändare och klargöra det juridiska ansvaret för organisationer som gör affärer på internet.  

Automatiserad datahantering

Att minska behovet av manuell datahantering har blivit ett viktigt mål för vissa mjukvaruutvecklare. Under installationen automatiserade verktyg för datahantering kan vara en komplicerad process, när den görs på rätt sätt förbättrar den effektiviteten, minskar kostnaderna och eliminerar tråkigt manuellt arbete. Nedan listas några automatiserade processer som organisationer har börjat använda: 

  • Datainsamling: Insamling av data från olika källor, såsom databaser, dokument och andra webbplatser.
  • Dataintegration: Detta innebär att insamlande data tas, omvandlas till ett lämpligt format och lagras i ett enda arkiv.
  • Datarensning: Processen att ta bort dubbletter av poster, standardisera dataformat och korrigera fel.
  • Databearbetning och analys: Användning av algoritmer eller maskininlärning för att utveckla insikter från data.
  • Datastyrning: Denna process handlar om att säkerställa att data hanteras i enlighet med företagets policyer och statliga regler.

För att hålla jämna steg med de betydande kraven på att hantera enorma mängder data effektivt på daglig basis, måste mjukvarubaserade automationsverktyg vara en del av en organisations DM-praxis. 

År 2024 kan vi förvänta oss att AI och ML (maskininlärning) kommer att tillhandahålla värdefulla automationstjänster. 

Maximera vården med datahantering

Till skillnad från bank- och detaljhandeln har sjukvårdsbranschen ännu inte utnyttjat dataanalys eller big data-forskning fullt ut. Det finns en mängd olika orsaker till denna eftersläpning, allt från patientintegritet till en lägre betoning på vinster. 

Sjukvårdsbranschen har dock kommit igång med hjälp av analyser och big data för att hitta mönster. Ett enkelt exempel kommer från Frankrike: fyra sjukhus, alla medlemmar i Assistance Publique-Hôpitaux de Paris, använde de senaste 10 åren av sina sjukhusinläggningar för att göra tim- och dagliga förutsägelser av antalet patienter de kunde förvänta sig vid varje anläggning. Analysen presenterade relevanta mönster i antagningsfrekvensen. 

Ett annat exempel på dataanalys inom hälso- och sjukvårdsbranschen är användningen av realtidsvarning. Sjukhus har börjat använda Kliniskt beslutsstöd (CDS) programvara som analyserar medicinska data på plats och ger läkare råd när de fattar föreskrivande beslut.

Den 11 november 2023 skrev Department of Veterans Affairs in sin miljonte veteran i en genetisk databas som stöder Miljonveteranprogram. Målen för deras databaserade forskning är att bättre förstå hur gener, militära exponeringar och livsstilsbeteenden påverkar människors hälsa och att tillhandahålla individualiserad medicin.

Datahantering för Hybrid Cloud Security

Under 2024 kan vi förvänta oss datahanteringssystem att använda kryptering, nätsäkerhetsarkitekturoch nätverkssegmentering som sätt att tillhandahålla hybrid molnsäkerhet och skydda data. 

De senaste åren har definitionen av ett hybridmoln utökats från kombinationen av ett lokalt system kombinerat med ett publikt moln till att även omfatta multimolnsystem. Hybridmolnet stöder ett flexibelt system som ger tillgång till specialiserade verktyg. 

Tyvärr kommer processen att använda ett hybrid/multimolnsystem också med några säkerhetsutmaningar. 

Användningen av flera moln blir komplex ur ett förvaltnings- och säkerhetsperspektiv. Utan de rätta rutinerna på plats för att spåra och övervaka användningen av olika molntjänster, vet ledningen inte vem som använder resurserna. 

Dessutom vet de inte när de används förrän efter att de fått räkningen. Eftersom flera applikationer använder lokala system och multimoln för att komma åt och arbeta med data, blir observerbarheten avgörande. (I det här fallet innebär observerbarhet möjligheten att övervaka data och händelser över flera moln och interna system.) 

Leverantörer, som Middleware och Datadog, har insett detta behov och har fokuserat på att leverera observerbarhetsverktyg som tillhandahåller en integrerad "enkel ruta" för visningsändamål. 

En annan oro är att olika moln använder olika former av säkerhet. Att utveckla ett system som kopplar samman alla moln som används av din organisation för att arbeta med projekt utgör ett betydande säkerhetsproblem, eftersom varje anslutning kan vara ett potentiellt brott. Hybrid/multimoln erbjuder betydande flexibilitet när det gäller att snabbt flytta arbetsbelastningar mellan olika miljöer, men processen ökar också säkerhetsriskerna.

Datahantering med hjälp av artificiell intelligens

Även om användningen av artificiell intelligens för datahanteringsändamål inte är ny, fortsätter den att växa i popularitet. Före 2023 användes (och används fortfarande) artificiell intelligens för DM-uppgifter, och fungerade som en mer intelligent form av automatiserade processer. Artificiell intelligens används för en mängd olika DM-uppgifter, inklusive:  

  • Anomali upptäckt
  • Metadatahantering
  • Automatisk upptäckt av metadata
  • Datakatalogisering
  • Datakartläggning
  • Data Governance kontrollövervakning

Med introduktionen av ChatGPT, och stor språkmodell för att stödja det kan vi förvänta oss nya lösningar som erbjuder intelligenta, lärandebaserade tjänster. När stora språkmodeller fortsätter att utvecklas kommer tjänster som stöder datahanteringsprocesser att fortsätta att utvecklas med dem. OpenAI, organisationen som ansvarar för att utveckla ChatGPT, har har experimenterat med Data Management.

Bild använd under licens från Shutterstock

Tidsstämpel:

Mer från DATAVERSITET