Нарушение цепочки создания стоимости сквозного управления данными
Все мы уже слышали это раньше: «Человек предполагает, Бог располагает».
Давайте вспомним те планы и дорожные карты, которые мы разработали для наших организаций ровно год назад, в 2020 году.
По воле судьбы разразилась пандемия, самое мощное бедствие, когда-либо случавшееся в этом столетии. Назовите это яростью природы или местью на ура, за вмешательство в природу нам пришлось столкнуться с последствиями.
Неожиданный, Непредсказуемый, Нежеланный, Неудачный.
Назад в настоящее — март 2021 года!
Ночные сбои заставляли нас приспосабливаться, реагировать и быть устойчивыми.
Воздействие пандемии продолжается. Мы видим сбои в обществах, на рынках, в отраслях. Это чистый позитивный настрой, решимость адаптироваться, процветать перед лицом изменений, что мы делали, делали и будем делать, пересматривая наши планы, наши организационные стратегии и фокусируясь на технологических тенденциях, которые будут определять нашу деятельность. бизнес-цели в будущем.
Кризис COVID-19 только ускорил темпы цифровой трансформации со стороны организаций во всех секторах, отраслях. Внезапный сбой привел к появлению различных технологических тенденций, которые вселяют надежду в ответ на неспокойные ситуации предыдущего года.
Как говорит наш коллега Скотт Буххольц, директор по исследованиям в области новых технологий и технический директор по государственным и общественным услугам, Deloitte Consulting LLP: «Для получения данных мы исследуем, как ведущие организации внедряют свои инициативы в области ИИ с помощью MLOps и, следовательно, разрабатывают новые подходы. к управлению данными для машинного, а не человеческого потребления. Мы также обсуждаем новые тенденции в области кибербезопасности».
Новая технология. Новые бизнес-планы. Новое обещание. Новое завтра.
Это называется устойчивостью.
Один отмеченный ингредиент – ДАННЫЕ.
Прошлое, настоящее, будущее — данные формируют ядро!
И данные занимают центральное место во всем процессе. Потому что данные остаются ключевым активом для всего процесса принятия решений. При любом планировании, любой дорожной карте нам нужны данные в режиме реального времени, а аналитика и цифровые технологии помогают нам использовать эти данные для наших целей. Давайте примем один факт — данных, которые мы видим, которые очевидны перед нами, недостаточно для продвинутого уровня процесса принятия решений на основе данных. Нам нужно проанализировать больше, чем имеющиеся очевидные данные! Массивные нетрадиционные данные, неструктурированные данные, лежащие где-то в базах данных в устаревшей системе, также должны быть задействованы! Как? Упорядочивайте их, объединяйте и храните в некоторых облачных системах, оптимизированных для машинного обучения (ML).
Но как?
Испытания
· Традиционная форма или устаревшая форма организации данных, преобладающая сегодня
· Эта форма несовместима с будущей формой платформы принятия решений на основе ИИ.
· Большая задержка из-за устаревших систем моделей данных
· Задержка в «исполнительном процессе принятия решений» из-за задержки
· Большой разрыв между цифровыми не-носителями и цифровыми носителями
Решения
· Реинжиниринг модели сбора, хранения, обработки данных
· Развертывание расширенных возможностей сбора и структурирования данных
· Развертывание аналитики для обнаружения и выявления связи между случайными данными
· Хранилища данных следующего поколения в облаке, поддерживающие сложное моделирование
Сбор, хранение и обработка данных с помощью машинного обучения
Чтобы использовать возможности искусственного интеллекта и алгоритмы машинного обучения для процессов принятия решений, обработка данных требует полной перестройки и структуры. Все данные, существующие в унаследованной системе, нетронутые, настоящие или искаженные, затерянные на каких-то полках, данные, источники идентичности которых неизвестны, нуждаются в реинжиниринге и ремоделировании всей структуры. Им необходимо перестроить всю систему ценности управления данными.
Области, в которых организации должны сосредоточить свои усилия по реинжинирингу:
1. Сбор и хранение ДАННЫХ
Кладовые данные лежат в спящих формах, они ценные данные! Они могут быть в виде традиционных корпоративных данных, завернутых внутрь файлов баз данных, систем, организованных в унаследованном формате.
Данные генерируются каждую секунду.
Сегодня, с преобладанием цифровых технологий, таких как Интернет вещей, аналитика, ИИ, сенсорные экосистемы, все они собирают данные в той или иной форме. Мобильные телефоны, аудио-видео носители, несут данные куда угодно. Нетрадиционные, неструктурированные, необработанные форматы также лежат где-то, что необходимо использовать для будущих процессов принятия решений на основе машинного обучения. Предиктивная аналитика зависит от всех традиционных и нетрадиционных данных из прошлого в настоящее, прокладывая путь в будущее!
Эти важные данные необходимо собирать для прогнозного анализа на основе будущего, который может оказаться полезным для развития организации и расширения возможностей принятия решений на основе машинного обучения.
Итак, сегодня вместо хранения данных в структурированном, чистом виде строк и столбцов, таблиц организации скорее сосредотачиваются на сборе и хранении гигантских объемов неструктурированных данных, чтобы подготовить их для алгоритмов машинного обучения и инструментов расширенной аналитики. Эти данные будут собираться из различных передовых баз данных, связанных с такими технологиями, как платформы социальных сетей, устройства IoT, платформы на основе ИИ и так далее.
Некоторые современные базы данных, в которых могут храниться неструктурированные данные, —
· Feature Stores: в будущем организации будут использовать разные модели данных, работающие отдельно, независимо друг от друга и в параллельном режиме. Все эти модели данных будут иметь уникальные наборы функций для работы и функционирования. Этот тип базы данных поможет эффективно управлять данными, а также обеспечит масштабируемость при снижении затрат на принятие решений. Возможности ИИ помогут прогнозировать конкретные типы спроса со стороны уникальных моделей данных, работающих по-разному, независимо, но как соседи!
· Хранилища данных на основе ОБЛАКА:прогнозирована будущая тенденция. Прогнозы говорят сами за себя — огромный, стоящий 23,8 миллиарда долларов США для рынка облачных хранилищ данных как услуги. Эта функция работает как объединение больших объемов данных из различных источников на предприятии и предоставление их конечным пользователям для обработки данных в режиме реального времени и интеллектуального анализа данных.
· Базы данных GRAPH: в традиционных моделях баз данных неструктурированные данные недоступны для поиска и управления. Анализ сильно взаимосвязанных отношений данных, организованных в традиционной модели таблиц и строк, с максимальным потенциалом становится сложной задачей. Машинное обучение и расширенная аналитика обеспечат современный отказоустойчивый, самовосстанавливающийся тип архитектуры данных, который потребует техническое обслуживание, тем самым снижая огромные ремонтные и административные расходы.
· Базы данных временных рядов. Эта функция появилась два года назад. Базы данных этого типа отслеживают данные и записывают конкретное время их создания в виде уникальной идентификационной вставки в наборы данных.
2. Обнаружение и соединение ДАННЫХ
Вот хорошие новости для организаций, особенно для крупных предприятий, где неочевидные данные разбросаны, не изучены, неинтересны!
Когнитивные технологии управления данными на основе машинного обучения (МО) выполняют эту работу по обнаружению или обнаружению этих неочевидных данных, освещая их идеи, их связи, их подробные детали. Как они это сделают? Как указано ниже-
· Дорогостоящие процессы управления, которыми сейчас занимаются специалисты по обработке данных, в будущем могут выполняться автоматически с помощью когнитивных технологий, аналитики и семантических моделей. Таким образом, эти специалисты по данным получат возможность сосредоточиться на исследовательской работе над более масштабными аналитическими моделями (будут освобождены от своих рутинных задач!).
· Может идентифицировать похожие коды данных и создавать собственные алгоритмы данных, которые можно применять в различных моделях данных.
· Cognitive Data-Stewards поможет управлять и повысить эффективность управления данными. Возможности ML могут выполнять основную задачу обработки ОСНОВНЫХ ДАННЫХ. Весь механизм позволяет пользователям визуализировать отношения между данными. Эффективность гарантирована, а значит, готовность и качество данных!
3. Расширение возможностей машинного обучения для сокращения задержек
Организации хотят исследовать возможности машинного обучения во всех формах, когда речь идет о данных. Они хотят принимать и принимать важные решения только в начальной точке, когда данные вводятся в сеть! Они хотят решить важные вопросы, связанные с данными, прежде чем помещать их или отправлять в облака. Как?
· Edge Computing. В процессе им нужна надежность и эффективность благодаря Edge Computing. Да, они хотят использовать огромные возможности граничных вычислений, которые, как считается, обеспечивают вышеупомянутые преимущества, а также снижают высокий уровень задержки. При развертывании алгоритмов машинного обучения пограничные вычисления очень полезны, поскольку первым требуется непрерывный доступ в режиме реального времени к огромному объему самых последних данных.
· Расширенные возможности подключения 5G. Принятие решения в режиме реального времени в первой точке ввода данных, расширенные возможности подключения действуют как средство реализации. Поскольку подключение нынешнего поколения, такое как подключение 4G, LTE или Wi-Fi, не в полной мере способно снизить уровень задержки и ограничено пропускной способностью помимо других ограничений, таких как количество устройств, которыми они могут управлять. Усовершенствованная связь в виде 5G обещает миллисекундную задержку и очень высокую скорость, а также может увеличить пропускную способность, чтобы она могла одновременно управлять многими другими устройствами на квадратный километр.
Впереди манящее будущее, машинное обучение и не только!
Инициативы машинного обучения (ML), MLOps, будут набирать обороты в будущем, как никогда раньше. В ближайшие 24 месяца и далее организации будут решать проблемы с помощью машинного обучения. Они прекрасно понимают, что для принятия обоснованных решений для целей организации им необходимо также анализировать неочевидные данные. Чтобы стать организациями, работающими на ИИ, последним необходимо развертывать и интегрировать искусственный интеллект (ИИ) и машинное обучение (МО) практически во все виды деятельности, в каждый процесс и в каждую систему последовательно и своевременно. курс в масштабе. Расширение возможностей машинного обучения также будет означать, что организации и предприятия будут индустриализировать машинное обучение с помощью MLOps. Все это ожидаемые тенденции, которые будут господствовать в будущем. Данные имеют первостепенное значение и являются ведущей силой роста компании, обеспечивая рентабельность инвестиций, а устаревшие данные и устаревшие инфраструктуры данных будут действовать только как сдерживающий фактор для достижения этих целей.
К большому изумлению делового мира, текущий рынок технологий машинного обучения быстро растет с приятной скоростью 44% в год. Более того, ожидается, что к 2022 году этот рынок достигнет 8,8 миллиардов долларов США.
Конец примечания
Осознание приходит к нам, и по мере того, как мы продолжаем свой путь к цифровой трансформации, мы осознаем необходимость перепроектировать стратегии данных для создания будущего наших соответствующих организаций. Мы несем ответственность за то, чем питаем наши машины, и как мы обращаемся с данными и всей экосистемой в будущем. Простое понимание того, как предприятие со 100-летними устаревшими данными будет извлекать эти неочевидные данные для использования в процессах принятия решений в будущем. Соединить прошлое с будущим по дороге настоящего — вот что такое революционные тенденции машинного обучения.
Источник
Пол, П., Ирфан, С., Сандип, С., и Телло, Дж. (2021). Технологические тренды. Получено с сайта Deloitte: https://www2.deloitte.com/us/en/insights/focus/tech-trends.html.
