为生成式 AI 构建合适的数据基础
设计数据架构，以加速生成式 AI 的数据准备，并为数据团队释放 无与伦比的生产力。
碎片化的数据堆栈、生产力压力，以及缺乏对生成式 AI 的数据准备，正在推动企业评估新的数据策略。Data fabric 架构旨在利用生成式 AI 的力量，使得分析和人工智能 (AI) 所需的高质量数据的整合、管理、治理和交付流程得到精简。
下一代数据结构的设计是混合型的，可在任何地方运行，可在本地或任何云环境中部署。它还能跨混合数据平面进行整合，支持任何类型的数据整合。
Data fabric 架构引入了新的数据智能和整合工具，为生成式 AI 准备数据，帮助确保在 AI 计划中为结构化和非结构化数据做好准备。通过精简数据准备和整合过程，企业可以释放数据团队生产力，并推动业务创新。
在多云环境中连接来自不同来源的数据，支持多种整合方式，包括批处理、实时和变更数据采集。
保护关键的企业数据免受现有和新出现的风险，无论其位于何处。
使用大型语言模型 (LLM) 扩展对数据上下文的理解，使数据消费者能够信任和使用可靠的信息。
Data Fabric 架构的关键特征
提供关于数据处理和自动化通用业务理解的抽象层，以根据洞察分析采取行动。
通过数据策略驱动，提供一系列整合方式来提取、采集、流式传输、虚拟化和转换非结构化数据，以最大化性能，同时尽量减少存储和成本。
一个支持自助式消费的交易平台，使用户能够查找、协作并获取高质量数据。
从组合、构建、测试、优化到部署，数据织网架构的各种功能的端到端生命周期管理。
统一定义和执行数据政策、数据治理、数据安全和数据管理，打造一条企业就绪的数据管道。
专门为混合云环境打造的 AI 融合可组合架构。
Data Fabric 是一种专门设计用于简化数据访问和促进组织独特工作流程的自助数据消费的架构方法。端到端数据网格功能包括数据匹配、可观察性、主数据管理、数据质量、实时数据集成等，所有这些都可以在不取代现有技术堆栈的情况下实施。
无论是简化数据生产者的日常工作，还是为数据工程师、数据科学家和业务用户提供自助式数据访问，data fabric 架构都能准备和提供更好的洞察分析和决策所需的信息。
通过统一的数据和 AI 平台，IBM 全球首席数据办公室在三年内提高了其业务管道 50 亿美元。
卢森堡科技研究所建立了一个先进平台，能够更快地交付数据，为企业和研究人员提供支持。
印度国家银行设计了一个具备更快速安全数据整合功能的智能平台，从而彻底改变客户体验。
常见问题解答
Data Fabric 和数据网格可以并存。Data Fabric 架构通过自动执行创建数据产品和管理数据产品生命周期所需的多种任务，提供实施和充分利用数据网格所需的功能。可以利用 Data Fabric 架构基础的灵活性实施数据网格，继续利用以用例为中心的数据架构，无论您的数据是位于本地还是云端。
阅读： Data Fabric 架构支持实施数据网格的三种途径
数据虚拟化是实现 Data Fabric 架构方法的技术之一。相比于使用标准的提取、转换、加载 (ETL) 流程将各种本地部署和云端数据源的数据实体地移动，数据虚拟化工具连接到不同的数据源，仅整合所需的元数据并创建一个虚拟数据层。使用户可以实时使用源数据。
持续累积的数据令组织难以获取信息。这些数据蕴藏着未知的洞察分析，从而导致知识缺口。
组织可以借助 Data Fabric 架构中的数据虚拟化功能，在不移动数据的情况下从源头获取数据，通过更迅速准确的查询帮助缩短实现价值的时间。
数据管理工具始于数据库，随着更复杂业务问题的出现，逐渐发展为涵盖各种云端和本地部署的数据仓库和数据湖。但是，企业始终受限于在性能和成本效率低下的数据仓库和数据湖中运行工作负载，并受制于其运行分析和 AI 用例的能力。
新开源技术的出现，以及减少数据重复和复杂 ETL 管道的需求， 催生了一种全新的架构方法，即湖仓一体。它具备 数据湖的灵活性、数据仓库的性能和结构，并共享元数据 和内置治理、访问控制和安全性。
但是，为了获取所有这些经过优化， 并由湖仓一体进行本地管理的数据，需要 Data Fabric 架构来简化数据管理，并在全球范围内强制执行访问。Data Fabric 架构 有助于通过自动化数据整合、嵌入治理和促进自助数据消费等方式，比存储库更好地发挥数据潜力、促进数据共享和推动数据倡议。
Data Fabric 架构是此类工具发展的下一步。凭借此架构，企业可以继续使用已投资的不同数据存储，同时简化数据管理。