获取一致的高质量数据是大数据、高级分析和人工智能领域最艰巨的挑战之一。摩根大通(J.P. Morgan)推出了新的Containerized Data（容器化数据）产品Fusion，力图为机构投资者提供一致的、丰富的数据，这些数据通过通用语义层进行了标准化。

大数据中最糟糕的秘密是，数据准备消耗了分析、机器学习和人工智能项目的绝大部分时间。原始数据确实包含数据科学家迫切希望利用的信号，以获得竞争优势，但在与其他数据集合并进行分析或输入机器学习算法以训练预测模型之前，这些数据必须经过彻底的清理和标准化。

摩根大通希望通过Containerized Data减少数据准备时间，这将为投资者提供高质量的数据，满足他们的下游数据需求。无论他们正在处理什么类型的数据或进行什么类型的分析，通过基于云的数据网格（Data Mesh）和数据湖屋（Data Lakehouse）提供的容器化数据的目标是使不同来源的数据在外观、感觉和运营上都相同。

在上周的一份新闻稿中摩根大通希表示:“这种端到端解决方案为投资者提供了跨业务服务的一致和丰富的数据，利用新的公共语义层对跨多个提供商、来源、类型和结构的数据进行建模和规范化。”

“融合摄取、转换和链接数据，使其可互操作，并为AI和ML应用程序做好准备。投资者可以随时使用云原生渠道访问一致容器中的数据，包括API、Jupyter Notebooks、Snowflake、Databricks等。”

Containerized data适用于各种数据源。基于摩根大通的数据，包括交易、基准、持股、投资组合、公共资产、ESG数据以及ABOR、CBOR和IBOR数据。当数据被吸收到Containerized data中时，它会根据解决方案中各种容器(包括托管、中间办公室、基金会计和定制容器)设置和实施的数据标准进行规范化和协调。

该公司表示:“Fusion中的关联数据可以对客户的投资组合和账户中的每个元素进行完整的投资组合概述，并集成到一个全景视图中。”“随着所有投资数据的规范化和互联化，你很容易在一个地方看到你的托管、中台、基金会计等数据，包括公共和私人资产。”

关联数据使分析人员或其他最终用户可以轻松地探索可用数据，甚至是来自不同领域的数据。当需要分析数据时，Containerized data支持一个数据网格，允许各个团队在他们选择的平台上使用规范化和标准化的数据，包括像本地的Jupyter Notebooks和像Databricks或Snowflake这样的基于云的平台。

摩根大通证券服务数据解决方案主管Jason Mirsky在新闻稿中表示:“我们了解机构投资者面临的微妙数据挑战，通过容器化数据，我们正在解决客户最迫切的需求。”“我们的金融数据专业知识、庞大的参考数据空间和战略性行业合作使我们能够以其他公司无法做到的方式建模数据，为客户解决独特的数据难题。”