Ускорение успеха предприятия: ИИ и ML решают проблемы данных в реальном времени

Создание быстро действующих данных создает трудные вызовы для старого порядка управления данными.

Три новых отчета Gartner приводят в резкий фокус растущую срочность для предприятий построения ценностно-генеративных операционных приложений, влитых с ИИ и ML — или рисковать отстать навсегда.

Срочность #1: В своем последнем прогнозе бизнес-ценности ИИ, Gartner говорит, что усиление ИИ создаст 2,9 триллиона долларов бизнес-ценности в 2021 году. Это всего за один год.

Срочность #2: Исследование Gartner по стратегии разработки ИИ и ML обнаруживает, что ведущие организации ожидают массово увеличить свои проекты ИИ/ML — от среднего четырех в этом году до 35 к 2022 году.

Срочность #3: В своем отчете «Прогнозы 2019: Данные и стратегия аналитики», Gartner говорит: «Эффективное управление данными критически важнее чем когда-либо. В то время как некоторые компании взяли контроль над своими данными и превратили их в оружие для обеспечения доминирования на рынке, многие другие борются с проблемой, которая ставит тормоза на координацию интеллекта: силосы».

См. также: Как ускорить развертывание ИИ для быстрого получения выгод CI

«Ведущие организации» Gartner — это те, кто впереди в гонке за доли тех 2,9 триллионов долларов бизнес-ценности, которые текут от инициатив ИИ, ML и IoE вокруг поддержки решений, автоматизации решений в реальном времени и ИИ-усиленного интеллекта, среди прочих.

Что сдерживает компании?

Силосированные данные не единственное, что подрывает усилия по построению IoT-приложений и развертыванию ML и ИИ проектов. Негибкие, устаревшие системы, непригодные для обработки временных рядов данных, ассоциированных с IoT, и операции в реальном времени также могут сбить с толку.

Где ваша организация ранжируется в гонке за реализацию ценности? Как вы помогаете сгладить путь к развертыванию ИИ или ML проектов и IoE-приложений? Если вы похожи на многие компании, ваши усилия сталкиваются с несколькими ключевыми вызовами, начиная с силосированных данных.

Неспособность собрать данные вместе из разрозненных источников и отобразить целостное представление — основной драйвер того, почему некоторые компании борются, чтобы не отставать, даже до рассмотрения их требований к приложениям Интернета всего (IoE).

Годами они коммитились к силосам данных, навязанным им поколениями отраслевых, узкофункциональных SaaS и корпоративных облачных приложений. Но теперь они ударяют в аналитические пределы сегрегированных данных и обнаруживают, что не могут целостно анализировать или действовать на своих данных, как они существуют, или легко развертывать их в более новых поколениях приложений.

Создание данных центром гравитации

Чтобы преуспеть, все усилия ML и ИИ должны быть заземлены в данных. Мы рассматриваем каждое требование автоматизации процесса через линзу данных сначала. Это центр гравитации для всего, что мы делаем, каждый процесс, который мы автоматизируем, и каждое решение или действие в реальном времени, которое мы позволяем.

Пока мы оптимизированы сначала для сенсорно-генерированных временных рядов данных, на самом деле неважно, какой тип данных, от какого источника оно приходит, или в каком объеме или скорости — данные — наша корневая причина. Построение фундамента автоматизации данных для данных-агностических приложений позволяет прогресс объединения данных, ломающих силосы, в расколотом мире корпоративного SaaS.

Мы думаем об этом как о омниданных подходе — что-то, о чем вы будете слышать больше, как требования управления данными для сенсорных сетей позволяют омниданные выгоды в других местах предприятия.

Преобладающие рыночные подходы редко следуют этому указу. Поговорите с типичной IoT-компанией, например, и у них не будет хорошей истории о том, как они вводят людей в уравнение. Они все о вещах. Аналогично, сервисы локационных данных и провайдеры управления рабочей силой говорят хорошую историю вокруг отслеживания людей и рабочих, но имеют мало доверия для интеграции вещей.

Это одна из причин, почему IoE гораздо более присутствует в наших коммуникациях, чем IoT. Большинство операционных проблем предприятий включают людей и вещи в равной мере. С точки зрения данных, нет разницы или предвзятости.

Старый порядок управления данными ушел

Операционализация данных создает огромные новые вызовы для старого порядка управления данными. Знают они это или нет, предприятия входят в мир «после системы управления базами данных (DBMS)». Они находят это все более трудным — если не невозможным — втискивать случаи использования данных в движении в жесткую, унаследованную инфраструктуру DBMS.

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

Традиционно все данные приложения хранились в централизованных или офис-центричных реляционных базах данных. Но это не масштабируется для взрыва сенсорно-ориентированных временных рядов данных, на которых зависят операции в реальном времени и интеллект.

Для построения истинных данных-ориентированных решений, инженерные и обслуживающие бремена необратимо усложнились. Мы перешли от горсти подсистем к десяткам подсистем, требующим экспертизу более дорогих команд инженерии больших данных.

Понимание вариантов использования

Просто представление и понимание IoE, ML и ИИ-связанных вариантов использования — еще один главный вызов, сдерживающий компании.

Около 42% респондентов опроса Gartner по разработке ИИ/ML назвали идентификацию варианта использования их вторым по величине вызовом (после отсутствия навыков). Мы видим это снова и снова.

Другие ключевые вызовы включают масштабируемость, вместе с негибкими, устаревшими системами, которые не могут справляться с временными рядами данных или большими объемами высокоскоростных данных из разрозненных источников.

Один бэкбон для управления всеми

Учитывая этот набор вызовов, все больше компаний экспериментируют с использованием «единого бэкбона» фундамента автоматизации данных для построения IoE-приложений. Это требует открытой, гибкой платформы для построения решений в реальном времени, масштабируемых, автоматизации данных и ИИ, которые могут справляться с масштабируемым приемом данных, нормализацией и обогащением вместе с бизнес-логикой в реальном времени, хранением данных и аналитикой решений.

Подход с данными бэкбоном позволяет разработчикам фокусироваться на построении уникальной бизнес- и пользовательской ценности в своем решении, вместо попытки предвидеть все использования данных, чтобы вписаться в более старые, более жесткие инфраструктуры DBMS.

Предприятиям нужны системы, которые позволят им принимать сенсорные данные на различных объемах и скоростях, с любым типом или комбинацией входов и выходов. И они должны иметь возможность развертывать такие возможности локально, в облаке, на Edge или в гибридной версии.

Это решает или избегает множество проблем, от силосированных данных и ограниченной масштабируемости до вызовов построения множественных приложений без переизобретения фундамента данных каждый раз. И это обеспечит более быстрый путь к реализации ценности.