Если данные относятся к новому маслу, кто ваш переработчик?

Для корпоративных команд данные, кажется, есть повсюду, ожидая, когда их разблокируют для достижения ваших бизнес-целей. Недавно мы поговорили с двумя ведущими представителями Nokia в области Интернета вещей - Марком Джадулом, директором по развитию рынка Интернета вещей, и Денни Ли, руководителем отдела аналитической стратегии, - чтобы обсудить, как данные вашей компании могут быть нефтью, которая движет ее вперед.

ReadWrite: Так что это выражение - «Данные - это новая нефть» - я часто слышал на конференциях и поднимал несколько раз. Но дело в том, что масло может быть топливом, а также может быть смазкой, по вашему мнению, для ваших клиентов, что это значит?

Марк Жадул: Я смотрю на это с ценностной точки зрения. Если вы сравните цену за баррель сырой нефти с ценой за баррель авиакеросина, разница будет довольно заметной. Данные, как и нефть, могут и должны проходить аналогичный процесс уточнения.

Чем больше он доработан, тем большую ценность он может принести, потому что, как и топливо, он поддерживает более сложные приложения. Другой способ думать об этом - это как пирамида:если вы начинаете с нижней части пирамиды, вы в основном собираете необработанные данные на уровне сенсора. На следующем этапе вы начинаете отслеживать эти данные и начинаете обнаруживать, что в них входит. Вы, вероятно, собираетесь выявить некоторые аномалии или тенденции, и на основе вашего анализа вы сможете найти важную информацию, которая поможет вам создать ценность для компании, способствуя принятию более эффективных решений, так называемое принятие решений на основе данных (DDDM).

Затем, если вы примете это решение на этапе обучения, основанного на когнитивной аналитике, вы не только поможете принимать решения, но и сможете прогнозировать поведение. Как только вы сможете предсказать поведение, вы перейдете к наиболее точным данным, где данные достаточно чистые, чтобы их можно было преобразовать в знания, чтобы помочь вашим машинам и приложениям принимать автономные решения.

Я описал цепочку создания стоимости, в которой данные предоставляют понимание и знания, которые помогают компаниям принимать более обоснованные решения и, в конечном итоге, автоматизировать некоторые процессы и принятие решений. Я провожу параллель с нефтяной промышленностью, а не как метафору функции смазки ( смеется ), но по сравнению с процессом доработки. Чем больше вы его уточняете, тем больше он становится полезным и тем больше ценности вы извлекаете.

Денни Ли: Когда люди используют новую фразу о нефти, я всегда вспоминаю 1970-е годы:когда вы контролируете нефть, вы контролируете экономику. Я думаю, что когда кто-то говорит, что «данные - это новая нефть», это коренится в этом сходстве. Данные - это новая нефть, а также означает, что если вы сможете взять этот контроль под свой контроль, вы сможете лучше управлять экономикой и своим сектором.

Когда я слышу этот термин, он также восходит к идее, что «данные - это валюта». Данные довольно необработанные по своей форме, и люди часто используют этот термин довольно свободно. Некоторые могут подумать, что данные, понимание и интеллект относятся к одному и тому же. Но на самом деле мы действительно проводим различие между ними. В конечном итоге мы выступаем за то, чтобы данные были необработанным ингредиентом, и мы хотим обрабатывать данные, которые приводят к пониманию. Понимание и аналитика - вот что нужно бизнесу. Я уверен, что позже мы поговорим о том, как использовать эту информацию для практических бизнес-целей.

RW: Итак, когда вы садитесь с клиентом, чтобы обсудить, как заставить его представить себе инновации на основе данных в своей организации, что им в первую очередь нужно знать, что они должны спросить в первую очередь?

MJ: Я думаю, что первое, что им нужно сделать, это понять свой бизнес и какие задачи и проблемы они хотят решить. Вместо того, чтобы наоборот, пытаться найти проблему для их решения. Цитируя Саймона Синека, следует начинать с «почему?» вместо этого с "как?" или "что?" вопрос.

DL: Бизнес-результат - это определенно одно, но перед этим вы должны задать вопрос, с кем вы разговариваете в организации. У каждого будет своя организационная граница или сфера ответственности, в связи с чем возникает разный набор вопросов.

Например, если вы разговариваете с генеральным директором, его песочница огромна. С другой стороны, вы можете разговаривать с изолированной частью организации, где их собственная вселенная очень определена. Затем вам нужно понять их бизнес-контекст и их конечный желаемый бизнес-результат. Затем вы работаете в обратном направлении и говорите:«Хорошо, какие данные у вас на самом деле?»; и вы пытаетесь связать проблему с решением. Очевидно, что когда мы говорим о контексте аналитики, речь идет об обработке данных до точки, в которой они могут повлиять на их бизнес-результаты.

Затем, в конце концов, мы должны поговорить о пересечении границ организации. Это очень важный момент, который нельзя упускать. Иногда самородки интеллекта достигаются только путем преодоления барьеров между организациями.

RW: Вы сказали, говоря о генеральном директоре, что у вас есть песочница побольше, но когда я разговариваю с другими людьми, которые пытаются реализовать какое-то решение на основе данных вокруг Интернета вещей, идея о том, кто является чемпионом внутри Организация часто находится в центре внимания тех, кто действительно знает, что проблемы связаны с самой организацией. Есть ли что-нибудь, что вы можете сказать о том, как будет выглядеть типичный организационный чемпион и как сориентировать эти цели во всей организации?

DL: Что ж, в контексте Интернета вещей организацию часто можно разделить на две области. Сторона операционных технологий (OT) и сторона информационных технологий (IT). Со стороны ОТ ваше решение может быть нацелено на человека, который контролирует инфраструктуру своей компании. В зависимости от того, с кем вы разговариваете в этой группе, у них будут разные потребности.

Возьмем, к примеру, клиента, который занимается профилактическим обслуживанием. В этом случае у него может быть бюджет только для того, чтобы сосредоточиться на обслуживании и использовать большие данные и машинное обучение для поддержки цикла обслуживания и минимизации простоев машин. Это очень узкий вариант использования с конкретной целью. Но если вы поговорите с их руководителем, объем и контекст проблемы, которую они пытаются решить, намного шире и могут выходить за рамки организации

MJ: Я действительно хотел бы дополнить это мнение взглядом на другую часть организации. Помимо руководителей, которым необходима аналитика для принятия правильных решений, я вижу важность роли аналитика данных в ряде организаций. Эти эксперты знают, как обращаться с данными - или, используя метафору, которую мы использовали ранее:контролировать процесс уточнения. Мы говорим здесь о наборе навыков, отличных от тех, которыми обладают традиционные ИТ-специалисты. Я получил образование в области компьютерных наук, а 20 лет назад основой компьютерного образования была математика. Когда я посмотрел на учебную программу 5-10 лет спустя, акцент сместился в сторону алгоритмов и языков программирования. Сегодня мой сын защищает докторскую степень в области искусственного интеллекта, и, поверьте мне, эти студенты должны снова иметь очень твердое понимание математики и статистики. И давайте не будем забывать, что, поскольку специалисты по обработке данных должны поддерживать бизнес-решения предприятий, они также должны обладать хорошим уровнем знаний в предметной области и деловой хваткой.

RW: Итак, круг замкнулся?

MJ: С самыми сложными проблемами, когда вы не можете просто использовать необработанные компьютерные данные и вычисление чисел, чтобы что-то сделать с данными. Вам действительно нужны знания в предметной области, чтобы знать, что имеет значение, а что нет. И это люди, которые делают это в организациях, поскольку они выполняют роль поддержки для лиц, принимающих внутренние решения, как описал Денни.

RW: Мы видим множество решений Интернета вещей, основанных на огромном количестве данных, которые вы имеете или можете проанализировать. Итак, в какой-то момент, если у вас есть эти внутренние знания данных, это здорово, но если у вас их нет, есть ли риск перегрузить клиента и предложить слишком много вариантов данных, действительно ли им нужен этот талант?

MJ: Конечно, это зависит от того, какие решения вы хотите создать. И где вы можете выполнять фильтрацию и устанавливать пороговые значения для некоторых данных, например, если у вас есть датчик температуры на холодильной установке, единственные данные, которые вы действительно хотите получить, - это исключения или аномалии, потому что, если там все нормально нет необходимости перегружать себя огромными объемами обычных данных. Поэтому важно, чтобы вы проводили интеллектуальный сбор данных и пытались отфильтровать, предварительно проанализировать и обработать цифры как можно раньше. Начать процесс уточнения как можно ближе к устройству, на котором генерируются данные.

DL: Позвольте мне поделиться с вами своим мнением. Это также применимо к IoT. Короче говоря, способ, которым мы смотрим на интеллектуальные данные, похож на человеческий мозг. На самом деле мы руководствуемся понятием «стек интеллекта». Если вы подумаете об этом с точки зрения вашего собственного мозга, есть вещи, которые имеют более быстрое время отклика и более автономны. На этом уровне вы обрабатываете данные среды, но в узком объеме. А теперь давайте проведем аналогию с Интернетом вещей. Все происходит само по себе, и когда требуется некоторая корректировка обратной связи, он принимает автономное, локальное решение.

На следующем уровне может быть действие с умеренным временем отклика, и оно в некоторой степени автономно. И еще есть верхний уровень, который мы называем расширенным интеллектом. Он помогает человеку; потому что на самом верхнем уровне это все еще человек-администратор - человек-руководитель, вносящий долгосрочные изменения в политику. И этот расширенный уровень - это верхний уровень программного обеспечения, где он раскрывает скрытые идеи, позволяющие человеку внести лучшие, разные и долгосрочные корректировки.

Итак, если вы думаете об этих различных уровнях как о части стека, даже если вы думаете об этом в контексте IoT, скажем, на уровне завода:чем ближе вы находитесь к основанию, мы говорим с точки зрения робототехники, где все происходит автоматически. . И по мере того, как вы поднимаетесь, он становится более человечным; а программное обеспечение играет большую роль в обнаружении идей, позволяющих людям делать более правильные суждения.

MJ: Что интересно, это отражается и на уровне инфраструктуры. Вероятно, вы слышали о пограничном облаке или пограничных вычислениях с множественным доступом или MEC, где вы фактически собираетесь выполнять часть обработки данных как можно ближе к источнику. И это по двум причинам:во-первых, вы хотите уменьшить задержку в сети и сократить время, необходимое для принятия решений. Во-вторых, вы не хотите передавать все эти огромные объемы данных через ядро ​​вашего облака. Вы хотите, чтобы ваши пользователи и лица, принимающие решения, имели дело только с действительно полезными вещами. Когда мне приходится объяснять периферийные вычисления, я иногда описываю их как обратную CDN (сеть доставки контента).

Взгляните на то, что мы делали много лет назад, когда стали популярными видео по запросу и потоковое вещание. Мы внезапно столкнулись с проблемой, что у нас может не хватить пропускной способности для обслуживания каждого пользователя отдельным потоком и с возможной задержкой. Итак, мы поместили кэширующие серверы ближе к конечному пользователю, на котором мы будем размещать наиболее популярный контент, и могли бы выполнять некоторую локальную навигацию и обработку контента, например, быструю перемотку вперед и назад, а также адаптацию контента. Итак, это была оптимизация хранения и вычислительных ресурсов нижестоящего уровня. И сегодня у нас есть несколько игроков в Интернете, например Akamai, которые хорошо зарабатывают на таких сервисах кеширования и оптимизации.

Теперь, если вы посмотрите на Интернет вещей, проблема не в количестве исходящих данных, как в видео, а проблема в количестве источников данных и в объеме исходящих данных. Поскольку у вас есть огромное количество устройств IoT, генерирующих огромное количество записей данных, и то, что вы на самом деле собираетесь сделать, - это поместить в какую-то службу кэширования восходящего потока, которая находится близко к источнику, чтобы собрать данные, выполнить некоторую аналитику низкого уровня и убедитесь, что вы отправляете только ту информацию, которая имеет смысл дальше в облаке для дальнейшей обработки и уточнения, если еще раз воспользоваться метафорой нефтяной промышленности. И поэтому я часто называю граничные вычисления своего рода «обратным CDN», поскольку он предоставляет те же функции, но использует другую архитектуру и работает с потоками в другом направлении.

RW: Хорошо, у нас есть кто-то, кто хочет инвестировать в какой-либо проект, обычно у кого-то есть экономия средств или новый поток доходов, я думаю, но я чаще думаю, что нет, это кажется решение идти / не идти чаще всего достигается за счет снижения затрат или эффективности, что всегда привлекает большинство организаций. Можете ли вы оба привести пример процесса, управляемого данными, который может разблокировать не только экономию затрат, но, возможно, и путь принятия решения, как каждый пример?

MJ: Я мог бы начать с того, что мы делаем с нашим решением для видеоаналитики. Это пример приложения, которое использует огромные объемы данных, передаваемых, например, камеры видеонаблюдения замкнутого цикла.

В городах у вас есть сотни или тысячи таких камер, которые создают огромное количество потокового видео в реальном времени. Как правило, не хватает персонала, чтобы смотреть на все экраны одновременно, потому что было бы очень дорого и неэффективно заставлять людей смотреть все эти видеопотоки 24/7. Итак, решение Nokia анализирует эти видео и ищет аномалии. Существует множество примеров использования, например, автомобиль, едущий в неправильном направлении, беспорядки в аэропорту, некоторые люди или объекты, совершающие необычные движения. На самом деле мы собираем эти видеоданные и пропускаем их через цепочку уточнения, обрабатываемую с помощью ряда алгоритмов, которые распознают конкретные ситуации и обнаруживают аномалии. Добавляя к ней возможности ИИ, система становится самообучающейся и может выявлять, предупреждать и предсказывать любые необычные «события». Это помогает принимать решения, но в то же время дает огромную экономию средств, потому что городам и охранным компаниям нужна лишь небольшая часть людей. Технологии аналитики фактически делают такие решения для видеонаблюдения возможными и доступными.

RW: Правильно, человеческие глаза не очень масштабируемы.

MJ: Правильно, человеческие глаза не очень масштабируемы, и, вероятно, 99,99% этого видеоконтента CCTV не требует внимания. Поэтому вам нужно научиться фильтровать данные как можно ближе к источнику и продолжать работать только с тем, что имеет отношение к делу.

DL: Итак, Тревор, я также дам вам несколько примеров. Первая группа будет предназначена для ускорения разрешения проблем:например, профилактическое обслуживание, «Следующее лучшее действие» в сфере прогнозного обслуживания для рекомендации действий рабочего процесса агенту по уходу и автоматический анализ первопричин. Эти примеры использования ранее выполнялись вручную. Вы ждете появления каких-то неисправностей, а затем изучаете их. С автоматизацией и прогнозированием; Вместо этого некоторые решения машинного обучения могут заранее предсказать возникновение потенциальной неисправности, и вы можете свести к минимуму дорогостоящие действия по обслуживанию для устранения проблемы постфактум.

Другой набор примеров относится к категории клиентоориентированности с использованием искусственного интеллекта. Многие клиенты интересуются этой темой, потому что в конце концов понимают, что их конкуренты также стараются угодить своим конечным клиентам, насколько это возможно. И тот, кто может сделать это лучше всех, побеждает. Таким образом, понимание и понимание опыта клиентов, а также способность предугадывать это и реагировать на их потребности будут важным аспектом решения для анализа больших данных. Например, в контексте поставщиков сетевых решений и операторов важно заранее знать, что произойдет перегрузка, и отреагировать на нее. Может быть, иметь хорошо управляемую, но сниженную производительность лучше, чем вообще не иметь никаких услуг при определенных обстоятельствах. Таким образом, решение проблемы ориентации на клиента также является одной из форм применения искусственного интеллекта:нужно понять их опыт и действовать соответствующим образом. Третий вариант, я бы сказал, - это варианты использования дополненной реальности, которые нравятся высшему руководству и владельцам политик операторов IoT-предприятия.

Другой класс проблем подошел бы под категорию «оптимизации». Если вы посмотрите на набор бизнес-результатов, вы можете настроить проблему как проблему оптимизации:это мои песочницы, вот мои необработанные данные и мои KPI, и это то, что я хочу оптимизировать в качестве целей. Затем систему можно настроить для ее оптимизации. Это связано с тем моментом, когда у человека есть возможность разрушить организационную разрозненность и оптимизировать определенные результаты, которые ранее нельзя было обнаружить, когда организации разобщены. Такой тип разведки больше привлекает руководителей и руководителей организаций.

Эта статья подготовлена ​​в сотрудничестве с Nokia. Это часть серии статей, в которых команда из Nokia будет давать советы экспертов и углубляться в аналитику данных, безопасность и платформы Интернета вещей.