在分布式云计算模式将出现，以解决数据的爆炸性增长，特别是在网络边缘，分布式云的特点是在公共云提供商的数据中心之外部署云软件和硬件堆栈，以提供互连的云资源网格，以形成同类的逻辑云，这些堆栈使您能够在公司自己的数据中心和其他位置，连接到5G蜂窝塔组的多路访问边缘计算中心或工厂中运行为公共云开发的应用程序，以支持IoT应用程序在制造中。

在过去的十年中，内存中计算平台的采用稳步增长，并且由于基于传统磁盘的数据库无法再提供收集和分析飞速增长的业务数据所需的性能和可伸缩性，因此流行度在不断提高，使用服务器集群构建的内存中计算平台可共享可用的RAM和CPU功能，从而使数据和处理可在整个集群中分布，以实现快速的性能和大规模的可伸缩性，从而实现实时业务流程。

使用云来运行数据和分析工作负载的想法可能还很奇怪，但是随着云迁移的推动达到了水平，包括私有部门中的公司董事会以及政府部门（例如公共部门中的联邦数据战略），这种看法已经发生了巨大变化。

商业联合会数据分析专业委员会充分响应政策的号召，为了更进一步贯彻落实大数据产业发展人才培养战略的实施，加快培养社会急需的具备大数据处理及分析能力的高级复合型人才

保护信息系统和数据是任何组织的基础。对于威胁检测系统和安全分析人员而言，内部威胁的检测可能是一个巨大的挑战。这是由于难以从内部系统行为数据确定非正常动作的缘故，每个企业的内部网络行为都非常复杂。访问控制，数据权限，凭据，令牌和应用程序集成根据其实现组织目标的目的而应用于许多业务部门，干部和团队，在大多数情况下，每个组的用户每天将多次访问组织内的不同实用程序，每当访问数据或专有信息时，都会生成日志以说明该操作，系统用户执行的活动会随着时间的推移生成大量数据。

ML可以解决企业面临的许多问题，但不是全部，机器学习的民主化可以有所作为，机器学习和预测分析为希望改善现有流程，变得更加数据驱动并增强客户体验的企业提供了巨大的机会，许多公司已经建立了一些机器学习项目，并准备更广泛地采用下一步的计划，不幸的是，这是公司面临挑战的领域，机器学习和预测分析成功所需的专业知识和投资尚不可用。对数据科学家的需求继续滚雪球，根据数据去年数据科学领域的工作增长了37％。