01 将生成式人工智能日益融入数据科学平台这使得平台从开发工具的集合转向更加集成的环境,数据科学家可以在其中加速实验,同时改进模型和人工智能应用程序向生产的过渡。IBM 在 2025 年 11 月报告称,各组织越来越重视数据能力以支持人工智能计划,数据平台被用于整合企业各个孤岛的信息并支持人工智能代理。
02 向统一的数据科学和 MLOps 环境的转变日益加剧企业正日益将数据准备、分析、模型开发、部署、监控和治理整合到统一的平台中。这种方法减少了数据科学团队和 IT 团队之间的碎片化,同时使模型能够以更高的运行一致性部署到云、混合和分布式环境中。2026 年 6 月,IBM 对其数据平台进行了增强,重点在于改进跨混合云和多云环境的数据访问、治理、AI 工作流程和部署。
01 复杂的数据集成和基础设施要求限制了其应用。数据科学平台必须连接来自数据库、云环境、应用程序和其他分布式来源的信息,同时保持数据质量和治理的一致性。集成这些异构环境会增加实施的复杂性,并需要大量的技术专长,尤其对于拥有碎片化传统基础设施的组织而言更是如此。
01 在模型生命周期中维护数据质量、治理和负责任的人工智能数据科学平台必须管理数据质量、访问控制、模型透明度、隐私和治理,同时还要支持日益复杂的AI工作负载。低质量或无法访问的数据会降低模型性能,而薄弱的治理则会随着AI系统更深入地嵌入业务流程而带来合规性和运营风险。
2026年6月:Databricks 推出了 Lake Transactional/Analytical Processing (LTAP),这是一种将事务处理和分析工作负载统一到单一数据平台上的新架构,消除了单独的 ETL 管道,从而加快了 AI 和数据科学应用程序的开发速度。
2026年5月:Dataiku 在 Snowflake 上推出了 Cobuild,使企业能够使用自然语言构建受监管的 AI 代理和数据科学工作流,同时将 Snowflake Cortex AI 与 Dataiku 的企业 AI 编排平台相结合。