倘若数据不够智能，那还要它何用？

在大数据刚刚兴起的那些年，企业已经意识到了数据的重要性，纷纷开启了大刀阔斧地转型之路。

相信当时大部分企业负责人都会认为：只要将数据收集好，就可以像互联网企业那样将其充分利用起来。但实际情况却令人大跌眼镜，因为数据如何利用，还需要很多专业工具来实施。并且每个行业的需求点都有所不同，关于数据的痛点不再是收集，而是应用！

相信很多企业管理者都会由衷地感叹：面对一边是海量的数据，另一边是复杂的业务，如果数据并未实现智能化，那还要它何用？

2022 re:Invent全球大会上，亚马逊云科技发布了多项基于数据的新服务和新功能。亚马逊云科技CEO Adam Selipsky在会上表示，数据的庞大和复杂需要新的工具，将不断扩展的信息世界转化为洞察。当企业拥有所有这些工具时，就可以构建一个完整的端到端数据策略，涵盖所有数据类型、用户需求和工作负载。

亚马逊云科技正在投资整个数据之旅，从数据的摄取、存储、查询，到分析、可视化和运行机器学习到端到端治理，使客户更容易释放数据的价值。

数据库管理五大金刚

“业务未动，数据库先行。”很久以来，企业率先步入信息化的系统就是数据库，通常一套数据库系统就掌握着企业运营的命脉，因此它的受重视程度也是最高。

但当数字化时代到来之际，业务变得愈发复杂，企业发现一、两套数据库系统已经无法满足需求，因此数据库开始变得庞大起来。以制造业为例，十几年前大都以库存管理数据库为主，其他方面较少涉及。而回过头来看看现在，CRM、ERP基本都是必备选项，而企业的生产也已全部进入了数字化管理时代，库存、物料、生产线管理、任务分配、采购订单生成等等，均会涉及到数据库系统。同时，日趋复杂的系统给管理带来了巨大挑战，企业急需要更加敏捷的工具来管理数据。

亚马逊云科技在2022 re:Invent全球大会上，亚马逊云科技推出五项数据库和分析服务全新功能，让客户能够更快、更轻松地管理和分析PB级数据。此外，亚马逊云科技还发布了Amazon Glue的一项新功能，可以跨数据湖和数据管道自动管理数据质量。这些工具都在通过最新的IT技术，帮助企业解决数据管理难题。

面向海量数据管理需求，亚马逊云科技的Amazon DocumentDB Elastic Clusters可明显提升数据库性能，以每秒数百万次写入的性能为PB级应用提供支持。数以万计的客户使用 Amazon DocumentDB运行文档工作负载，因为它速度快、可扩展、高度可用而且完全托管。

在此之前，每个Amazon DocumentDB节点可扩展到64TB数据，但随着企业需求的不断攀升，即使如此大的容量也已经捉襟见肘。因此，Amazon DocumentDB Elastic Clusters应运而生。同时，Amazon DocumentDB Elastic Clusters打破了单个数据库节点的限制，让用户可以在几分钟内扩展，最高存储2PB的数据。

与其他智能化的工具一样，当用户工作负载需求增加时，Amazon DocumentDB Elastic Clusters可以利用分布式存储系统，自动将大型数据集划分到多个节点。这样就省去了用户编写自定义代码分拆数据集的问题，通过底层基础设施自动管理，用户也可根据需要自由扩展容量，无需额外配置管理数据库集群了。

Amazon OpenSearch Service是一个企业搜索服务，能够帮助客户在无需配置、扩展或管理底层基础设施的情况下运行搜索和分析工作负载。Amazon OpenSearch Service 还捆绑了可视化看板 OpenSearch Dashboards。此工具不仅可以让日志数据可视化，跟踪数据，还可以利用机器学习技术，实现异常检测和搜索相关性排名等功能。目前，Amazon OpenSearch Service已经拥有数以万计的客户，托管了数十万个集群，每月处理数百万亿个请求。

Amazon Athena for Apache Spark是一套交互式分析工具，能够将处理的启动时间缩短到1秒以内。使用面向Apache Spark的Amazon Athena，客户无需自己预置、配置和扩展资源。Amazon Athena与其他亚马逊云科技服务的集成，客户可以从多个来源查询数据，将运算串连在一起进行复杂分析，并且将结果可视化。它使用标准SQL接口在Amazon Simple Storage Service（Amazon S3）查询数据，是查询PB级数据最方便、最快的方式之一。

针对Amazon Glue的新功能，名为Amazon Glue Data Quality，可实现跨数据湖和数据管道自动管理数据质量。Amazon Glue Data Quality同样也是一套自动化的工具，支持自动测量、监控和管理Amazon S3数据湖和Amazon Glue数据管道的数据质量，并将数据分析和规则识别的时间从几天缩短到几小时。

面向用户关键业务负载，Amazon Redshift已经可以支持跨多个亚马逊云科技可用区（AZ）的高可用配置。依托于Amazon Redshift多可用区功能，用户可实现跨多个可用区部署集群，并使用所有资源处理读写查询，取消低利用率的备用副本，最大限度地提高性价比。

实战方面，美国联合航空公司经营着庞大的国内和国际航线网络。目前他们为客户和员工构建数百个数据和分析驱动的工具，通过Amazon Glue Data Quality，使美联航能够在几分钟内自动识别和分析数据质量问题并采取行动，做出明智、及时和准确的决策，并且节省大量花在手动定位和修复各种数据问题上的时间。

Amazon Quicksight Q让数据变智能

亚马逊云科技大中华区产品部总经理陈晓建表示：从本次re:Invent发布的特性看未来技术演进的方向，非常明显的一点就是数智融合，也就是如何打造一个端到端的数据服务战略。Quicksight Q推出了多项新功能，把人工智能和业务洞察相结合，使得客户不用再去掌握数据分析技术，而是通过人类自然语言来进行业务的洞察，从而大降低了使用门槛。

Amazon QuickSight Q是通过机器学习，用户都能以自然语言提出有关业务数据的问题，并在几秒钟内获得可视化的准确答案。实际应用相信大家都不会陌生，因为现在很多直销、客服平台都有着类似的服务。

与传统客服机器人不同的是，QuickSight Q会自主学习，通过探索历史趋势和数据指标，让用户可从复杂的数据报表中获得新洞察。例如，“预测某产品在加州的销售情况”，“为什么上个月销售额增加了？”，在几秒钟内，Amazon QuickSight Q会总结出驱动这一增长的主要因素。QuickSight Q能够解决类似这样一些逻辑层次更深的问题，并可对潜在增长建模。

简单一些的问题，就像自然语言处理那样，通过搜索就可以进行回答。QuickSight Q则是在此基础之上，以企业自身丰富的数据为知识库，通过深层逻辑回答一些企业业务相关的问题，更加精准、智能。

前文我们也提到了，Amazon QuickSight Q的回答都是以秒为单位，那么面对海量的企业数据，它是如何实现的呢？

Amazon QuickSight通过超快并行内存计算引擎（SPICE）实现了强大的性能，每小时平均处理数十万亿条记录，可支持10亿行的数据集，并能够对大型数据集进行分析和可视化。也正如亚马逊云科技的其他服务一样，SPICE引擎可使组织中的数千名用户能够同时执行快速、交互式分析，无需搭建或管理基础设施。

纳斯达克正在通过Amazon QuickSight Q追问预测新功能，帮助用户了解对关键指标变化贡献最大的主要维度和数值，而预测功能将帮助用户探索前瞻性洞察。例如不同细分市场和客户的未来收入和市场份额增长。

Amazon QuickSight Q这些新功能加速了纳斯达克建立商业智能，通过完全自动的方式进行复杂数据分析，帮助最终用户实现自助式服务，无需分析师构建模型和分析。

亚马逊云科技数据与机器学习副总裁Swami Sivasubramanian博士在2022 re:Invent全球大会上表示，亚马逊云科技在数据库、数据分析和机器学习领域的创新，构建基于“面向未来的数据基础设施”、“跨组织的数据链接”和“数据普惠化”三个核心要素的端到端数据战略，从而帮助企业将数据转化为对业务有意义的见解和行动，驱动企业借助数据推动下一波创新。

未来，无论是自动化的数据库工具还是Amazon QuickSight Q，它们都将赋予数据智能化，使其在不同应用场景下实现自由流动，并依此帮助企业驱动业务增长，同时激活各类应用创新，助力企业实现腾飞。