Удовлетворение потребностей в режиме реального времени по мере того, как лидеры предприятий борются за лидерство с машинным обучением и искусственным интеллектом

Быстрое преобразование данных создает серьезные проблемы для старого порядка управления данными.

Три новых отчета Gartner подчеркивают растущую актуальность для предприятий создания эффективных операционных приложений с использованием ИИ и машинного обучения — или рискуют навсегда остаться позади .

UrgencyBuilder №1: В своем последнем прогнозе ценности ИИ для бизнеса Gartner сообщает, что AIaugmentation принесет 2,9 триллиона долларов США. стоимости бизнеса в 2021 году. Это всего за один год.

UrgencyBuilder №2: Исследование Gartner AI and ML DevelopmentStrategy показывает, что ведущие организации планируют значительно увеличить количество своих проектов AI/ML — в среднем с четырех в этом году до 35 к 2022 году.

UrgencyBuilder №3: В отчете Gartner «Прогнозы на 2019 год:стратегия данных и аналитики» говорится:«Эффективное управление данными важнее, чем когда-либо. В то время как некоторые компании взяли под контроль свои данные и превратили их в оружие для обеспечения доминирующего положения на рынке, многие другие борются с проблемой, которая тормозит координацию разведывательных данных:разрозненность .”

См. также: Как ускорить развертывание ИИ, чтобы быстрее получить преимущества CI

«Ведущие организации» Gartner лидируют в гонке за долю в 2,9 трлн долларов стоимости бизнеса, которая будет получена от инициатив в области ИИ, машинного обучения и Интернета вещей, таких как поддержка принятия решений, автоматизация принятия решений в режиме реального времени и ИИ, дополненный интеллектом, среди прочего.

Что вернули холдинговые компании?

Разрозненные данные — не единственное, что подрывает усилия по созданию приложений Интернета вещей и развертыванию проектов машинного обучения и искусственного интеллекта. Негибкие устаревшие системы, неспособные обрабатывать данные временных рядов, связанные с IoT, и в режиме реального времени. операции также могут сбивать с толку.

Где находится ваш место организации в гонке за реализацию ценности? Как ты? помогает упростить развертывание проектов искусственного интеллекта или машинного обучения и приложений Интернета вещей? Если вы похожи на многие компании, ваши усилия сталкиваются с несколькими ключевыми проблемами, начиная с разрозненных данных.

Невозможность собрать данные из разрозненных источников и получить целостное представление — основная причина того, почему некоторые компании изо всех сил стараются идти в ногу со временем, даже не рассмотрев свои требования к приложениям Интернета всего (IoE).

В течение многих лет они использовали хранилища данных, навязанные им поколениями отраслевых узкофункциональных SaaS-приложений и корпоративных облачных приложений. Но теперь они достигают аналитических пределов сегрегированных данных и обнаруживают, что они не могут целостно анализировать свои данные или воздействовать на них в том виде, в котором они существуют, или легко развертывать их в приложениях нового поколения.

Делаем данные в центре тяжести

Чтобы добиться успеха, все усилия по машинному обучению и искусственному интеллекту должны основываться на данных. Сначала мы рассматриваем каждое требование автоматизации процесса через объектив данных. Это центр тяжести всего, что мы делаем, каждого процесса, который мы автоматизируем, и каждого принимаемого нами решения или действия в режиме реального времени.

Хотя мы оптимизированы в первую очередь для данных временных рядов, сгенерированных датчиками, на самом деле не имеет значения, какого типа данные, из какого источника они поступают, с каким объемом или скоростью — данные являются нашей основной причиной. Создание основы автоматизации данных для приложений, не зависящих от данных, позволяет ускорить процесс унификации данных в раздробленном мире корпоративной модели SaaS.

Мы думаем об этом как о омнидате подход, о котором вы еще услышите, поскольку требования к управлению данными для сенсорных сетей обеспечивают преимущества комплексных данных в других подразделениях предприятия.

Господствующие рыночные подходы редко следуют этому указу. Например, поговорите с типичной IoT-компанией, и у них не будет хорошей истории о том, как они приводят людей. в уравнение. Они все о вещах. Точно так же поставщики данных о местоположении и управления персоналом рассказывают хорошие истории об отслеживании людей и сотрудников, но мало доверяют интеграции вещей. .

Это одна из причин, по которой IoT гораздо больше присутствует в наших коммуникациях, чем IoT. Большинство проблем, связанных с функционированием предприятий, в равной степени связаны с людьми и вещами. С точки зрения данных разницы нет.

Заказ на управление старыми данными недействителен

Операционализация данных создает огромные новые проблемы для старого порядка управления данными. Осознают они это или нет, но предприятия вступают в мир «почтовых систем управления базами данных (СУБД)». Им становится все труднее — если не невозможно — втиснуть данные в движении в жесткую устаревшую инфраструктуру СУБД.

Требования к данным для программных приложений резко изменились. И пользователи, и машины создают больше данных для управления бизнес-логикой, используя такие методы, как анализ данных в реальном времени и машинное обучение.

Традиционно все данные приложения хранились в централизованных или ориентированных на офисы реляционных базах данных. Но это не масштабируется для управляемого датчиками взрыва данных временных рядов, от которого зависят операции и интеллект в реальном времени.

Чтобы создать настоящие решения, основанные на данных, необходимо было необратимо усложнить проектирование и техническое обслуживание. Мы перешли от горстки подсистем к десяткам подсистем, которые требуют опыта более дорогостоящих команд по обработке больших данных.

Понимание вариантов использования

Простое представление и понимание вариантов использования, связанных с Интернетом вещей, машинным обучением и ИИ, — еще одна серьезная проблема, сдерживающая компании.

Около 42% респондентов опроса Gartner по разработке искусственного интеллекта и машинного обучения назвали идентификацию варианта использования второй по значимости проблемой (после отсутствия навыков). Мы видим это снова и снова.

Другие ключевые проблемы включают масштабируемость, а также негибкие устаревшие системы, которые не могут работать с данными временных рядов или большими объемами высокоскоростных данных из разрозненных источников.

OneBackbone, чтобы управлять всеми

Учитывая это множество проблем, все больше и больше компаний экспериментируют с использованием «единой магистрали» для автоматизации данных для создания приложений IoT. Для этого требуется открытая, гибкая платформа для создания масштабируемых решений для автоматизации данных и искусственного интеллекта в реальном времени, которые могут обрабатывать масштабируемые прием, нормализацию и обогащение данных, а также бизнес-логику в реальном времени, хранение данных и аналитику решений.

Подход с опорой на данные позволяет разработчикам сосредоточиться на создании уникальной ценности для бизнеса и пользователей в своем решении, а не пытаться предусмотреть все виды использования данных, чтобы вписаться в более старую, более жесткую инфраструктуру СУБД.

Предприятиям нужны системы, которые позволят им принимать данные датчиков с различными объемами и скоростями, с любым типом или комбинацией входных и выходных данных. И у них должна быть возможность развернуть такие возможности локально, в облаке, на периферии или в гибридной версии.

Это решает или предотвращает множество проблем, от разрозненных данных и ограниченной масштабируемости до проблем создания нескольких приложений без необходимости каждый раз заново изобретать базу данных. И это обеспечит более быстрый путь к реализации ценности.