Проникновение в промышленную среду — это спящий гигант, который угрожает пустить под откос почти половину всех благонамеренных аналитических проектов. Этот гигант — интеграция данных. В этой серии из двух частей мы рассмотрим, почему интеграция данных является серьезной проблемой для промышленных сред и почему стандартные методы ETL просто не работают.
Интеграция данных оказывается ахиллесовой пятой промышленного Интернета вещей (IIoT) и блокирует прогресс в преобразованиях и рентабельности инвестиций, которые изначально предполагались промышленными предприятиями.
Типичные проекты аналитики больших данных, в которых используются традиционные инструменты ETL или Business Intelligence, часто терпят неудачу из-за сложности и масштаба промышленных сред. Жесткая архитектура и ручной процесс, связанный с этими решениями, делают их далеко не идеальными для промышленных заказчиков. Так почему же так много промышленных заказчиков до сих пор используют эти неуклюжие, хрупкие и медленные решения?
ETL: усугубляет вашу проблему с данными?
ETL или извлечение, преобразование и загрузка – это традиционная ИТ-методология, согласно которой архитекторы систем данных, которым поручено обеспечение интеллектуального анализа данных из нескольких систем, сначала извлекают данные и помещают их в все это в общее место, затем примените преобразования для нормализации или очистки данных, а затем поместите их обратно в этот общий контейнер для анализа. Это может показаться нетрудоемким для неопытного глаза, но спросите любого специалиста по обработке данных, корпоративного архитектора или ИТ-менеджера, и они скажут вам, что ETL может занять у специалистов несколько месяцев.
Так зачем это делать? ETL привлекательна для ИТ-отделов, поскольку обычно использует существующие инвестиции в программное обеспечение и не требует от команд быстрого освоения какой-либо новой технологии. На самом деле, это проверенный десятилетиями метод.
IIoT усложняет задачу интеграции данных
Те, кто выбирает традиционный ETL, забывают, что к 2020 году промышленный IoT позволит подключить к Интернету еще миллиарды устройств. быть слишком быстрым и слишком большим изменением для традиционных систем. Риск для тех, кто отстает от кривой промышленного IoT, заключается в том, что они перестанут быть конкурентоспособными на мировых промышленных рынках. Это изменение затронет почти все отрасли, от нефти и газа до производства и всех промежуточных.
Технологии, лежащие в основе IIoT, принесли значительный прогресс в такие отрасли, как производство, транспорт, нефть и газ, авиация, энергетика, автомобилестроение и другие. Эти технологии позволили промышленным предприятиям удаленно отслеживать и контролировать активы для оптимизации производства и повышения урожайности. Однако эти же технологии усугубили давнюю проблему интеграции данных, значительно увеличив объем, скорость и разнообразие данных, необходимых бизнесу.
Новый образ мышления
Решение проблемы интеграции данных требует нового образа мышления, и традиционные архитектуры данных должны быть переосмыслены, чтобы поддерживать быстрое распространение данных из экспоненциально расширяющегося набора типов данных. Итак, каково решение? Ключом к решению проблемы интеграции данных является семантика. Технология интеграции Bit Stew предназначена для быстрого приема и интеграции данных, чтобы обеспечить семантическое понимание информации в разрозненных системах. Затем можно разумно применять более глубокую аналитику с помощью методов анализа и рабочих мест. Загрузите инфографику, чтобы лучше понять шаги, необходимые для создания семантической модели.
Dзагрузите новый технический документ
Загрузите технический технический документ, чтобы узнать, как использовать искусственный интеллект с помощью специально созданной платформы IIoT для решения проблема с интеграцией данных.
Загрузить технический документ
Решите проблему с данными сейчас
Bit Stew предлагает рынку уникальное решение. Принесите свои собственные данные для двухнедельной бесплатной пробной версии и убедитесь в этом сами. Узнайте, как MIx Core может интеллектуально моделировать, сопоставлять и обрабатывать сложные наборы данных из разрозненных источников в кратчайшие сроки.
