近日，HPE“大数据世界之旅”北京站，分别从转型解决方案、助力数据驱动企业高性能数据分析和机器学习愿景方面，阐述在中国的三大重要战略方向：

第一,基于大数据平台,为客户打造的基于行业的解决方案。

第二,希望通过和全球、本地合作伙伴所创建的生态系统,通过合作伙伴能够采用最先进的大数据平台技术,能够真正地把解决方案落地,为客户解决他们实际的问题,为客户创造更多的价值。

第三,与本地开发者社区紧密地合作,希望能够看到有更多创新的商业模式,创新的公司,创新的解决方案,能够从这样的合作当中孵化出来,作为下一步行业的解决方案,能够有更大的应用空间。

据IDC的报告,在2020年,我们全球人类所产生的数据会达到40ZB,如果把这40ZB数据都存储在DVD光盘里,这些光盘可以从地球一直码到月球,仅2020年所有人类产生的数据,会大于历史上所产生数据的总和。

通过大数据为企业创造更多的价值。要做到这一点,很重要的第一步,就是需要有个大数据的平台,能够快速、实时地分析企业所拥有的数据。

发布大数据平台

HPE软件集团所为客户提供的大数据平台主要包括三个方面的组件:

1、HPE IDOL,IDOL主要可以来分析一些结构化、非结构化、半结构化数据, 包括视频、音频、图像、文本等等数据。

2、HPE Vertica,Vertica可以帮助企业更好,更快地分析企业所拥有的结构化数据,通过HPE IDOL和HPE Vertica可以全面分析企业拥有的内部和外部数据,为企业创造价值。

3、HPE OnDemand Open API,这是一个通过云化的方式为开发者,企业开发人员、创业人员提供的一个快速的做技术原型验证的平台,大家可以成熟地运用我们API调用进行快速人脸识别。过去需要有大量的数据科学家,大量的建模人员来实施的工作都被简化到Haven OnDemand这样的平台,可以做快速的创新,通过原型的建立,原型的验证把最终的产品环境放到HPE Vertica和HPE IDOL上面,最终为企业创造更大的价值。

此外，HPE大数据平台是个开放的软件架构,可以架构在传统企业的数据中心,可以架构在企业的私有云,可以架构在公有云,可以架构在混合云这样的IT基础架构之上,基于全数据、实时分析能力的大数据分析平台,可以在上面构建应用系统。

Hewlett Packard Enterprise中国区副总裁,软件集团总经理李时

Hewlett Packard Enterprise中国区副总裁,软件集团总经理李时表示，专注于HPE大数据平台,致力于打造行业的解决方案一, 与合作伙伴共同建立创新的生态系统,同时深度合作,开发者社区,希望通过这样的举措真正帮助客户兑现大数据的价值。

构建生态系统

围绕大数据平台的生态系统,目前HPE在中国已经有超过20家以上的合作伙伴,在不同行业有超过200家客户,通过这样的生态系统的创建能够帮助惠普在全球把领先的产品、技术和解决方案，结合本地，推动在中国落地,在中国创新。

据介绍，使用Haven OnDemand的中国开发者在全球已经达到第四位。针对开发者社区和开放社区深度合作面临三大挑战：

今天创造大数据的一个挑战是人才的挑战,需要既懂大数据技术,又懂企业业务知识的人才,同时需要不断迭代创新方式。

除了人才,国内大数据发展面临的另一个挑战主要是数据的开放性,从数据来源来讲,如果数据来源更加多样化,可以从不同公司、政府部门或不同渠道地能组合多渠道的数据,从分析结果或业务模式创新方面会是非常巨大的优势。

此外，客户在市场上对于开源态度的理解非黑即白。很多 人认为开源是要么完全做开源,要么完全做商业化的。但是，现在新的观念下，这两者是要结合起来的,HPE的目标就是为客户带来价值,同时把价值带到开源体系当中。

大数据融合发展

结构化与非结构化的数据是相互关联的，常常相互融合。如果完全割裂的去看待结构化数据或者是非结构化数据，显然在实际落地中会有很多的问题。

HPE 大数据市场部副总裁Jeff Veis

HPE 大数据市场部副总裁Jeff Veis先生就表示，在目前一些实际的案例中通常会采取把非结构化数据直接放在传统数据库里。

目前，HPE正在尝试，要让分析工具同时做结构化与非结构化或与人相关的信息。比方说医疗领域,一方面既有医生开的处方,这是结构化的数据,另一方面是他们记录在本子上的非结构化数据。虽然目前还是结构化或非结构化的分割状态,但很快会发现这两者合在一起的场景会越来越多。

目前，在中国已有成功的案例,通过不同的技术处理,客户是结合起来使用的。比如，国内做高端食品和农业的厂商合作,他们采用了HPE的Haven平台,处理社交化数据(非结构化数据),分析对他的食品评价等。用他的业务数据做分析(结构化数据),生产改进产品质量做更好的供应链销售预测等,从而实现将结构化和非结构化数据整合在一起,处理百分之百数据。