引言
最近，a16z发布了关于数据领域的技术文章《Emerging Architectures for Modern Data Infrastructure》，文章将大量的数据领域创新技术综合在一起，搭建出一个数据基础设施蓝图，称之为“Unified data infrastructure (2.0)”。之所以称之为2.0，是因为a16z在2020年就已经发布过当时的技术总结《Emerging Architectures for Modern Data Infrastructure: 2020》。另外，a16z在不久前发布《Data50: The World’s Top Data Startups》报告，其中列出了2022年最值得关注的50家数据领域创业公司。
这里，我们将一起学习以上几篇文章，了解最新数据领域的技术动态和分析其中所包含2020年至今的一些发展趋势。
关于a16z，网上已经有很多讲解文章，做一个简述“这是一家专注于新兴技术的黑马投资机构”。
Data50：2022年最值得关注的50家数据创业公司
报告从市场角度将数据领域分为7个方向，各方向所包含的公司如上图所示。对每个方向也有对应的分析：
- Query and processing（公司数占比20%，投资额占比48%）： 作为数据查询和分析的核心技术，包括批处理（例如Databricks和Starburst）和实时处理（比如ClickHouse和Imply）两个方向。随着用户应用对数据实时性要求越要越高，实时处理方向最近几年也备受瞩目。
- AI/ML（公司数占比30%，投资额占比14.1%）： 包括算法和数据处理两个大方向。一些公司专注于某类特定场景（比如Rasa和Hugging Face专注在NLP），一些则志在完成通用AI（比如Scale、Tecton、Weights and Biases、Anyscale）。
- ELT & orchestration（公司数占比12%，投资额占比12.1%）：实现数据的流转与处理。传统的本地部署（on-premise）ETL工具提供拖拖拽拽的用户界面。而最新的发展趋势是云原生（比如Fivetran和dbt）和面向开发者（Astronomer和Prefect），其面对的数据环境更为复杂。
- Data governance and security（公司数占比12%，投资额占比15.2%）：相对较新的领域，目前主要服务受合规管控的大公司。不过市场重视程度也在提高。一些公司在研发数据生命周期管理的产品（比如OneTrust和Collibra）。
- Customer data analytics（公司数占比12%，投资额占比5.4%）：在传统分类里，这一领域属于营销团队，不过随着越来越受市场重视，数据团队也参与其中。报告里选中的两家相关公司都是与垂直领域反向ETL相关（Census和Hightouch）
- BI & notebooks（公司数占比10%，投资额占比4%）：数据的最终消费端。重点公司有开源新玩家Preset和Metabase，交互式操作平台（notebooks）Hex，自动话数据洞察Sisu。
- Data observability（公司数占比4%，投资额占比1.2%）：这是最新的方向，选中的公司包括Monte Carlo和Bigeye。
报告中有一些比较有意思的统计结论。比如公司数目最多的方向是AI/ML（占比30%），获得投资额最多的方向是query and processing（占比48%）。个人理解，这表示AI/ML还在初期，竞争非常激烈；而query and processing则相对成熟，出现了少数规模较大的玩家。
AI/ML方向的新增创业公司数在2019年达到顶峰：
每个方向的获投资额都是在逐年增长。报告认为“未来十年将会是数据的时代”，相关的机会和创业公司会越来越多。
数据基础设施蓝图
上图是通用数据基础设施蓝图，其中各个部分功能定义如下：
Sources |
Ingestion and Transport |
Storage |
Query and Processing |
Transformation |
Analytics and Output |
数据源：产生特定的业务或者系统运行数据，并可以通过某种方式将数据提供出来 |
Extract：从数据源中拉取数据 Load：解析原始数据，并写入存储目标 Transport：将存储目标中的数据写入左侧数据源源中，提供业务使用（即反向ETL，并非ETL中的T） |
数据存储，提供给查询和分析使用。 设计目标：高并发、低延迟、低成本、可扩展。 |
将用户使用的高级数据处理语言（比如SQL、Python）解析为程序执行语言。 运行查询和分析。包括历史数据的统计分析和未来趋势预测等。 |
对数据进行规整化（即加工处理，ETL中的T）。 包括流程编排。 |
给数据科学家或者业务分析者提供的结果可视化接口。 也可能是将数据分析结果提供给数据应用的用户。 |
从图中个人直观感觉最明显的两点变化：
- ETL变为了EL+T，相比于前两年的ELT流程更彻底。这一点从Data50的报告中也可以看到，比如T的典型公司dbt保持优势，专注在EL的Airbyte强劲增长。
- 增加了反向ETL（即图中Transport），具体也可参考上文Data50的相关内容。
上图是机器学习技术架构，其相较于通用数据架构更为复杂，二者的工具链完全不一样所以需要单独讨论。其中各个部分功能定义如下：
Data Transformation |
Model Training and Development |
Model Inference |
Integration |
数据预处理和打标（监督学习）。 |
模型训练（基本都是基于预训练好的基础模型）。 参数优化监测。 模型评估。 模型输出（给下游应用系统）。 |
模型检验（包括在线预测和离线预测两种场景），比如性能、错误率等。 |
模型上线。 |
相对于2020版本的更新
文章中认为，数据领域的核心并没有改变。包括云原生相关产品在快速增长、数据的ETL过程活力依旧。其中最大的变化是相关生态在快速的丰富（文中用了寒武纪大爆发来形容）：大量的垂直领域工具和上层数据应用的发布。
文章将数据驱动的场景分为三个主模块：最新BI系统、多模式数据处理和AI/ML，接下来会详细讨论。在此之上，将上层数据应用系统分为2类：分析型系统（将数据提供给公司内部业务和决策部门使用）、交互型系统（将数据或者模型通过数据应用提供给用户使用）。
下面几个部分的分析图的相关图例：
- 灰色部分表示与当前讨论内容相关度较低，可以暂时忽略；
- 深颜色表示该部分与2020版本相比存在较大变化；
- 浅颜色表示该部分与2020版本相比没有较大变化。
最新BI系统
定义：可以为任何一家公司提供服务的云原生BI系统。
哪些没有改变：
- 数据系统核心没有改变，之前强势的厂商依然保持，比如Fivetran、Snowflake、dbt。一些较新的玩家保持增长，比如Airbyte、Firebolt。
- 可视化仪表盘依然是数据输出至应用册的主流方案。
哪些方面变化较大：
- 数据模式定义层（metrics layer）广受关注。
- 反向ETL快速增长，这一点上文已有讨论。目前相关的服务对象基本上是CRM和ERP。
- 可视化仪表盘标准化推进，比如Hex。
- 数据可观测性，这一点在Data50报告中也有相关方向讨论。
多模式数据处理
定义：湖仓一体同时支持分析型系统和交互型系统，也被称为Hadoop系的最新架构升级版。
哪些没有改变：
- 数据处理、传输、存储等数据系统核心依然增长强劲。
- 多摸数据系统多样化发展。
哪些方面变化较大：
- 湖仓一体架构的共识提升。
- 数据存储层在迭代升级。
- 实时计算新增一些玩家，主要方向是低使用门槛，比如Materialize和Upsolver。
AI/ML
定义：稳定的机器学习模型开发、测试和实施系统。
哪些没有改变：
- 模型开发工具链几乎没有变化。
- 模型的构建与实施依然存在非常高的门槛。
哪些方面变化较大：
- 数据为中心的ML发展：数据打标、特征存储等方向发展迅速、低代码ML（比如Continual和MindsDB）。
- 预训练模型的应用基本称为标准选择。
- MLOps工具链发展。
- ML模型集成至数据系统方案发展，比如OpenAI、Pinecone。
数据平台假设
此章节中，作者提出了一个概念数据平台（data platform），主要目的是将各个独立的模块通过系统的形式组装起来。个人感觉跟前几年国内的火热的数据中台概念比较相似。具体论述细节就不在这里讨论。
思考与总结
以上是学习a16z最近在数据领域的几篇文章的完整内容，每篇文章的具体链接已经在正文链接中给出，本文所有图片均来自于引用的文章。
由于个人的技术背景和理解限制，文中的翻译可能存在偏差，仅供读者参考。如果有相同的兴趣或者不同的见解，欢迎探讨。
