『埃尔法哥哥』2020年技术领导者需要关注的5个关键领域( 三 )

本文插图
图6. O'Reilly在线学习平台上的基础架构和运营主题，在2019年使用率最高（左），每个主题的变化率（右）。
基础架构和操作的出现表明组织可能在扩展 DevOps方面遇到困难。 DevOps旨在培养能够在系统“ 堆栈 ”的每个层中胜任工作的程序员。但是在实践中，开发人员倾向于减少对DevOps运营组件的投入，这一事实催生了站点可靠性工程（SRE）的思想。即使“全栈”开发人员不是独角兽，她当然也不是司空见惯的。组织将基础架构和操作视为实用的，以操作为重点的补充，可从DevOps容易失败的地方准确地接手。
深入了解数据， AI和ML主题
与数据相关的主题的结果既可预测，又无可避免地令人困惑。从数据工程开始，所有数据工作的基础（该类别包括涵盖数据管理的标题，即关系数据库， Spark ， Hadoop ， SQL ， NoSQL等）。总体而言， 2019年数据工程使用量下降了8％。 2018年下降了3％。这两年都是由于数据管理职称使用量下降所致。
当我们更具体地关注数据工程主题（不包括数据管理）时，我们看到的份额很小，但使用率稳步增长， 2018年增长了7％， 2019年增长了15％（见图7）。
在广泛的“数据”主题中，数据工程（包括数据管理）仍是该主题中占有最大份额的主题，在平台上的所有使用中占约十二分之一。这几乎是数据科学主题的使用份额的两倍，数据科学主题的使用份额在2018年下降了（-2％）之后在2019年增长了（+ 5％）。
在其他地方，对ML和AI的兴趣一直在增长，尽管速度有所下降。举个例子：2019年， ML / AI组合主题的使用量增长了7％，约为其2018年增长的一半（+ 13％）。

本文插图
图7. O'Reilly在线学习平台上的数据主题（2019年使用率最高）（左）和每个主题的变化率（右）。
具有讽刺意味的是，在特定于数据的主题中， ML / AI的优势可能没有在其他主题领域（例如编程语言）中那么明显，在编程语言中， Python使用的增长在很大程度上受到该语言对ML的实用性和适用性的驱动。但是自然语言处理（NLP ， 2019年增长22％）和神经网络（增长17％）等与ML / AI相关的主题的使用量也强劲增长。
数据工程作为一项任务当然并没有减少。对数据工程的兴趣也可能不会下降。如果有的话，数据工程和ML / AI都将数据工程作为一个实践领域包含在内[3] 。我们从其他研究中知道数据科学家，机器学习和AI工程师等在工作中花费大量时间来发现，准备和设计数据。我们已经看到，流行的工具和框架通常以自动化/引导式自助功能的形式，或者（对于Jupyter和其他笔记本而言）具有构建和编排调用Python的数据工程管道的能力，从而通常包含数据工程功能。， R（通过Python）等库，以同时或（如果可能）并行运行数据工程作业。
与老式数据工程相对应的术语（例如“关系数据库” ， “ Oracle数据库解决方案” ， “ Hive” ， “数据库管理” ， “数据模型” ， “ Spark”）按年下降，在2019年。部分下降是由于更大的市场驱动因素所致。从我们的研究中我们知道Hadoop及其相关项目的生态系统（例如Hive）正处于持续多年的长期衰退之中。这种下降在我们的使用量数据中得到了证实：Hadoop（-34％）， Hive（也为-34％）甚至Spark（-21％）均同比大幅下降。
我们在对O'Reilly Strata会议发言人提议的分析中，更详细地讨论了造成这种下降的可能原因。
云持续攀升
尽管O'Reilly在线学习的速度较慢，但对与云相关的概念和术语的兴趣仍在不断增长。从2017年到2018年，与云相关的使用量激增了35％; 在2018年至2019年期间，它的增长率不到一半（17％）。这种放缓表明云作为一个类别已经取得了很大的份额，因此（从数学上）任何其他增长都必须以较慢的速度发生。就云而言，虽然增长速度较慢，但仍然强劲。