Инференция: раскрытие полной ценности данных для принятия более умных решений

Используя возможности инференции графов знаний, организации могут экстраполировать новые связи данных и объяснять любые созданные ими связи.

Цифровая трансформация на пике популярности, и в большинстве случаев её цель — относиться к данным как к активу. В некоторых случаях это означает монетизацию данных, в других — более эффективное использование данных для получения инсайтов и принятия лучших решений. Однако на практике оба подхода сложны для реализации. Цифровая трансформация требует быстрых инсайтов из всё более гибридных, разнообразных и меняющихся данных, но традиционные платформы интеграции данных не были спроектированы для современной среды. В результате организации не могут справляться с растущей сложностью данных и выявлять скрытые связи и отношения между ними для обнаружения новых возможностей. Всё больше требуется способность к инференции, позволяющая объединять разные наборы данных и анализировать их для получения инсайтов.

Стимулирование роста и инноваций в современном сложном мире бесконечного сбора данных возможно только тогда, когда ИТ-команды могут вырваться из жестких структур данных и устаревших методов интеграции.

Гибкость — ключ к бизнес-успеху, и предприятия отчаянно стремятся сделать данные пригодными для использования именно когда это важно — прямо сейчас, а не завтра или на следующей неделе.

Но извлечение скрытой ценности требует способности связывать данные на основе их бизнес-смысла, независимо от формата, источника или базовой технологии. Огромное количество данных, полученных от машинного обучения и других источников, требует способности ассоциировать связанную информацию, хранящуюся в разрозненных источниках, и применять богатую сеть отношений для обнаружения новых ассоциаций. Это ключ к реализации обещаний цифровой трансформации. Но как этого добиться?

От посылок к логическим следствиям: как ткани данных обеспечивают необходимую инференцию

Сегодня организации внедряют современные подходы к интеграции, такие как ткани данных (data fabrics), для обеспечения совместных межфункциональных проектов и продуктов и выхода из реактивных рабочих процессов. Объединяя данные из внутренних силосов и внешних источников, они создают сеть информации для питания бизнес-приложений, ИИ и аналитики. Просто говоря, они поддерживают всю широту современного предприятия, создавая связи между информацией, хранящейся в разрозненных источниках.

Графы знаний являются неотъемлемой частью эффективной ткани данных, так как они создают многократно используемую сеть информации, представляют данные различных структур и поддерживают множество схем. Создавая семантическое понимание корпоративных и сторонних данных, графы знаний служат ядром ткани данных — обогащая и ускоряя существующие инвестиции и обеспечивая критический доступ к бизнес-инсайтам. Что еще важнее, графы знаний превращают данные в машиночитаемые знания реального мира, поддерживающие ситуативные изменения, так что смысл меняется в зависимости от обстоятельств. После создания граф знаний также использует эту богатую сеть отношений для обнаружения новых ассоциаций в данных. Эти выведенные отношения создают более полное и точное представление о данных предприятия.

Предоставляя многослойные ассоциации между концепциями, графы знаний дают нюансированное понимание, позволяя 지식-ориентированным организациям выявлять новые открытия. Они также обеспечивают контекст, который часто отсутствует в данных, потому что граф знаний специально создан для поддержки меняющейся природы знаний. Результатом является более гибкая основа для цифровых операций, так как технология легко принимает новые данные, определения и требования.

Модель данных графа знаний, часто называемая онтологией или словарём, описывает общие отношения между сущностями и позволяет компаниям описывать сложные домены. Рассмотрим медицину в качестве примера. Для разработки новой терапии фармацевтическим компаниям необходим доступ к множеству фактов, моделям и бизнес-правилам, все они должны взаимодействовать друг с другом, подразумевая новые связи. Именно эта способность к инференции позволяет производителям связывать людей с инфраструктурой через используемые приложения. Она также помогает применять контролы на основе сходства новых инцидентов с прошлыми и находить выведенные связи между исследователями и терапевтическими областями на основе изучаемых в исследованиях условий. И так далее.

Применение нескольких моделей данных к ткани данных одновременно позволяет организациям поддерживать множество приложений, требующих разных интерпретаций одних и тех же данных. Традиционные подходы к интеграции данных, такие как озера данных или хранилища данных, ограничены в этой способности, так как они затрудняют поддержку более чем одной схемы. Это одна из причин, по которой предприятия вынуждены постоянно создавать новые силосы данных для каждого нового приложения, проекта или анализа. Такой подход снижает способность проводить инференционный анализ.

Обеспечение связанного предприятия — дополнительные компоненты успешной ткани данных

Используя возможности инференции графа знаний, организации не только экстраполируют новые связи данных, но и объясняют любую созданную ими связь. В отличие от систем рекомендаций «черного ящика», которые не могут предоставить никакого объяснения или обоснования своих результатов, граф знаний может объяснить все инференции и результаты в терминах данных, схемы и бизнес-правил. Эта объяснимая прозрачность позволяет пользователям просмотреть, как граф знаний пришел к ответу и какая бизнес-логика для этого использовалась. Это критически важно не только для обеспечения надежных результатов и подотчетности внутри организации, но и необходимо для определенных юридических и регуляторных требований.

Хотя граф знаний является ключевым ингредиентом ткани данных, это не единственное, что нужно организации для успеха. Эффективная ткань данных требует использования и подключения существующих исходных систем. Также требуется способность подключаться к существующим каталогам данных, озерам данных, базам данных и другим платформам управления данными. Для развертывания ткани данных использование работы, выполненной в каталогах данных, является ключом к ускорению обнаружения данных и семантического обогащения. Используя каталог данных как вход, граф знаний строит карту данных активов предприятия, что дополнительно ускоряет создание ткани данных через частично автоматизированное обучение и автоматическое отображение существующих источников.

Создание корпоративной модели данных — еще один частый вопрос при развертывании ткани данных. Многие считают это потенциально дорогим и трудоемким предварительным условием, но на практике нужно определить только столько концепций, сколько требуется для исходного варианта использования. Начните с выявления критической бизнес-проблемы для возглавления более широкой инициативы ткани данных. Подходите к ткани данных с мышлением MVP и фокусируйтесь только на минимальном объеме работы, необходимом для достижения первой бизнес-цели.

Организации всех размеров уделяют еще больше внимания и инвестиций цифровой трансформации. Несмотря на это возобновленное внимание, фундаментальные проблемы с данными остаются главным препятствием. Цифровая трансформация требует мастерства работы с данными, а благодаря наследию ИТ это не просто достичь. Слишком много вещей нужно управлять: форматы данных, стандарты, типы данных, скорости, схемы, системы, базы данных, силосы, методологии, модели и т.д. Огромное разнообразие современного ИТ-ландшафта предприятия устрашающе.

Используя современный подход графов знаний, организации могут не только связывать свои внутренние силосы данных осмысленным новым способом, но и обнаруживать скрытые факты и отношения через инференции, которые иначе невозможно было бы выявить в масштабе. Захватывая нюансированный смысл, который разные бизнес-подразделения могут вкладывать в одну и ту же сущность, организации могут создать многократно используемую цифровую основу, которая сохраняет темп при مستمرных изменениях рынка и готова к любому будущему.