作者：Mayuresh Joshi翻译：王可汗校对：赵茹萱
本文约1300字，建议阅读6分钟本文教你如何利用LSTM网络预测股价走势，并对开盘和收盘价进行可视化。
一个高效设计的数据库管理系统对于企业来说是至关重要的，它的目标是最大化其分析计划的影响，并发展到使用高效的数据和人工智能驱动的工具。但是正如我们所看到的，数据管道的数据准备阶段对于数据科学家和相关专业人员来说是劳动密集型的，并且可能会引发效率问题。增强分析极大地帮助了整个过程，从数据收集到提供有深刻见解的建议，通过这些过程来影响业务决策。
那么，增强数据库管理到底是什么呢?增强数据管理正在使用ML和AI技术来优化和改进操作。它有能力支持数据科学家手中那些通常可能由个人分析和工具手工完成，耗时多且数据密集的任务。
例如：在大型数据集中发现异常，想要解决数据质量问题，并从报告中追溯特定数据的起源。人工智能模型更复杂，专门设计用于执行这些数据管理任务，通常花费更少的时间，犯更少的错误，从长远来看成本更低。
人们甚至可以改进现有的数据管理平台和工具，以试验增强数据管理。通过仔细观察，增强数据管理的用例可能会支持和加速如下所述的一些事情:
- 元数据管理和组织：标签、分类和搜索数据更加容易。自动收集、组织、编目和合并技术和业务元数据，包括结构化数据和非结构化数据。利用人工智能识别系统依赖关系、数据流和异常。
- 数据质量：识别和解决数据质量问题。基于现有数据集提出数据质量规则并运行。识别模式和异常，并模拟相关性。根据预测值和手动数据，清理建议数据清理的操作。
- 主数据管理:识别和评估潜在的主数据。自动生成主数据模型，映射数据实体。基于使用模式、信任分数等，建议匹配和合并的操作，以建立单一的真实来源。
一些增强数据管理工具:IBM的Cognos Analytics，微软的AnswerRocket, Oracle Analytics Cloud, The Analytics OS (Pyramid v2020)。
显然，增强数据管理需要一些人为的监督。在这里，人、ML和人工智能相互补充，填补彼此的缺陷，从而创造出令人印象深刻的工作系统。
增强数据管理中的机器学习使一些数据专业人员的常规手工任务自动化。这些工作包括数据库性能调优和优化，以及其他计算密集和迭代的数据库管理工作。
然而，一些数据分析师表示，自动化模式可能会减少入门级数据库管理员职位的数量，但这并不会影响对数据管理人员技能和贡献的要求。增强数据管理利用机器学习工具或人工智能程序，能够为人们在做出最终决定时提供智能建议。
企业需要重做数据管理流程，最终目标是实现数据流通过程的自动化，推进对信息的进一步分析。使用正确的数据管理工具，能够帮助公司通过清理信息的复杂性来升级产品。减少复杂性是任何企业努力实现商业目标的关键，创业公司也是如此。因此，利用增强数据管理实践是继续认真对待和给蓝筹公司提供资金的前进道路。
感谢您阅读这一小段内容，希望这篇文章能够使您得到一些启示!
原文标题：Augmented Database Management: A Brief Overview原文链接：https://medium.com/@jmayuresh25/augmented-database-management-a-brief-overview-514be9598012
编辑：于腾凯校对：杨学俊
译者简介
王可汗，清华大学机械工程系直博生在读。曾经有着物理专业的知识背景，研究生期间对数据科学产生浓厚兴趣，对机器学习AI充满好奇。期待着在科研道路上，人工智能与机械工程、计算物理碰撞出别样的火花。希望结交朋友分享更多数据科学的故事，用数据科学的思维看待世界。
翻译组招募信息
工作内容：需要一颗细致的心，将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生，或在海外从事相关工作，或对自己外语水平有信心的朋友欢迎加入翻译小组。
你能得到：定期的翻译培训提高志愿者的翻译水平，提高对于数据科学前沿的认知，海外的朋友可以和国内技术应用发展保持联系，THU数据派产学研的背景为志愿者带来好的发展机遇。
其他福利：来自于名企的数据科学工作者，北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。
点击文末“阅读原文”加入数据派团队~
转载须知
如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：DatapiTHU），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。
发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。
点击“阅读原文”查看原文
