在 2023 年，我們認為這種轉變將在 2025 年左右顯現出來。但我們無法預見生成式AI的到來，以及它對這些架構發展的爆炸性影響。
也就是說這種轉變發生得更快，並將對一切產生巨大影響。但是，為了避免我們所有人都陷入架構的演變中，我們應該真正理解是什麼在驅動它：正是 數據。
不同類型的數據
通常，當一個人說「數據」時，許多人往往會立即聯想到儲存在大型關聯式資料庫管理系統（RDBMS）中的客戶和產品資料。這是因為主流的資料儲存設計偏向於結構化的、表格化的資料。打開一個試算表你就會明白意思。它是基於列和欄，而關聯式資料庫管理系統也沒有太大的不同。
我們可以爭辯說，NoSQL 和鍵值數據存儲、物件存儲和類似的數據結構是存在的，因此應用程式架構並不圍繞表格數據旋轉。但是他們真的做到了。所有這些其他類型的數據存儲的使用和使用都是有充分理由的，但其中大多數原因都是應用程式的輔助原因，因此並沒有顯著改變幾十年來指導應用程式建置的整體架構原則。
但是，越來越多的應用程式分佈和混合模型推動了大量需求。就像可觀察性和安全性一樣，這需要生成遙測數據。分發需要一種方法來理解分散式數據存儲之間的關係，這導致了知識圖譜。生成式AI需要增強和訓練模型的方法，這導致了使用存儲在向量資料庫中的嵌入。
這是四種截然不同的數據類型，並提供了存儲和存取數據的新方法。這四個都正在迅速成為現代應用程式的“標準元件”，特別是那些旨在促進生成式AI使用的元件。
- 遙測正在推動世界的運營方面的重大變化，因為我們逐漸瞭解到列格式是傳輸和處理即時流數據的更好方式，而這正是遙測數據的真正含義。
- 知識圖譜和圖技術正在興起，以聯合分散式數據並理解數據源之間的複雜關係。這項技術為我們帶來了像 GraphQL 這樣的協定，這些協定正在極大地改變我們利用 API 在分散式企業中查找和管理數據的方式。
- 越來越多地採用檢索增強生成 （RAG） 技術來生成 AI 技術，這正在推動向量資料庫成為應用程式本身的一部分，而不是作為架構中更深處的數據存儲。
- 最後，我們不要忘記生成式 AI 數據。每次您提出請求時，LLM 都會生成新數據。這給安全人員帶來了巨大的挑戰，他們必須弄清楚如何在動態生成的非結構化數據中識別潛在的威脅和問題。
正是數據（具有不同的格式、協定、用途和應用程式）推動了這個變化。結果是一種 headless approach，它以許多人以前從未考慮過的方式依賴於 API。也就是說，應用能力和功能以 API 的形式公開，而不考慮傳統的表示層，這允許為更強大的用戶設備集開發更大範圍的介面。API 使數據和功能易於存取，這就是它們對數位化轉型如此重要的原因。
我們在許多利用微服務的現代應用中看到這種方法。這就是UI框架如此普遍的原因（並在互聯網上引起爭論）。這些框架用於建置單個應用程式，這些應用程式利用 API 來存取功能和資料。它們是獨立於後端「應用程式」的實體，它們用於驅動工作流程並向市場提供價值。
所有這些都在推動 headless approach。這種轉變已經在進行中，但生成式AI的到來揭示了數據的重要性並加速了它。
反過來，這將對應用程式交付和安全性產生深遠影響，因為出現了新的威脅和挑戰，必須解決這些威脅和挑戰以滿足使用者的需求。
文章來源：F5