从分析模型到分析技术，大数据技术改进有哪些特征

　　大数据的应用领域逐渐广泛，依靠于大数据技术不断地技术改进，大数据的分析模型和具体的使用技术都在进行不断地更迭。对大数据的技术进行分析和研究，能够更好地了解当前行业的发展现状。

　　大数据的分析模型可以MapReduce开始讲起。从MapReduce发展至今，十几年时间，大数据完成了概念向技术的转变，以hadoop为首，到后来的Spark和Pig,大数据的框架逐渐增加，其适用的领域也在随之增加。大数据的基础设施中，以数据湖和雾计算为例，数据的解决方案在不断的增加。

　　大数据的分析技术是建立在大数据的数据模型，对数据进行分析和预测等。大数据分析技术在近几年发展迅速，并具备了智能化、实时化和易用性的发展特征。

　　1.大数据智能化

　　大数据的发展开始和当前的机器学习结合，即作用于当前的人工智能，在近几年这种趋势尤为明显。这两项技术的融合能够提高大数据分析的敏锐性，更快地实现智能关系发现和预测。这一趋势的典型应用范例是AlphaGo。通过构建海量的数据，利用深度学习对算法进行改进，利用大规模并行计算，最终实现能和人类一样思考的人工智能。

　　大数据和机器学习整合之后的人工智能，不仅仅是使行业领域发生了转变，也是一种技术上的突破，这项突破还将作用于医疗、交通、金融和教育等为代表的一些领域。同时，这项技术还能够为智慧城市提供智能化的解决方案，这些都表明了大数据技术能在将来实现大规模的智能化。我们能够依靠终端设备中的数据，作为数据智能化分析的依据。

　　2.大数据实时化

　　实时分析是大数据技术的另一个发展方向。随着大数据技术的深入发展，各类应用对于数据的实时分析和处理的要求不断提高。与针对历史数据的聚合和分析不同，实时数据分析具有更强的时效性，也对数据存储、计算和呈现提出了更高要求。Hadoop中的批处理框架在对实效性要求较高的分析，例如，实时用户行为分析、用户分类和推荐等应用场景中的局限日益凸显。Spark Streaming、Samza、Storm等流式实时计算框架应运而生。以Spark Streaming为代表的实时分析框架具有优秀的调度机制，快速的分布式计算能力，在数据的汇聚和批处理之间通过关键参数建立平衡，提升了数据吞吐量和性能，对实时计算提供了有效支持[7]。实时性预示着大数据将更深度地融入人们的工作和生活之中，在交通、翻译等需要及时响应的领域中，大数据会体现出更强大的作用。

　　3.大数据易用性

　　大数据技术的基础模型和核心技术不断改进，当前的中小企业如果想要使用大数据的流程也趋向简易化，谷歌，微软都推出了大数据的使用平台，在国内，阿里，腾讯和百度也相继推出了大数据平台，同时能够根据企业的不同需求，为企业的业务和模型方面，搭建实际的解决方案。大数据使用的门槛降低是当前大数据得以广泛发展的基础。