Hoe start je met het integreren van machine learning in de enterprise-arena

De wereld is de industriële revolutie al lang voorbij en nu beleven we een tijdperk van digitale revolutie. Machine learning, kunstmatige intelligentie en big data-analyse zijn de realiteit van de wereld van vandaag.

Ik had onlangs de kans om te praten met Ciaran Dynes, Senior Vice President of Products bij Talend en Justin Mullen, Managing Director bij Datalytyx. Talend is een leverancier van software-integratie die big data-oplossingen levert aan ondernemingen, en Datalytyx is een toonaangevende leverancier van big data-engineering, data-analyse en cloudoplossingen, waardoor snellere, effectievere en winstgevendere besluitvorming in een onderneming mogelijk is.

De evolutie van big data-operaties

Om meer te weten te komen over de evolutie van big data-activiteiten, vroeg ik Justin Mullen naar de uitdagingen waarmee zijn bedrijf vijf jaar geleden werd geconfronteerd en waarom ze op zoek waren naar moderne integratieplatforms. Hij antwoordde met:"We stonden voor soortgelijke uitdagingen als onze klanten. Vóór Big Data-analyse was het wat ik noem

Hij antwoordde met:"We stonden voor soortgelijke uitdagingen als onze klanten. Vóór Big Data-analyse was het wat ik noem 'Moeilijke gegevensanalyse'. Er was veel handmatige aggregatie en het kraken van gegevens van grotendeels on-premise systemen. En de grootste uitdaging waarmee we waarschijnlijk te maken hadden, was het centraliseren en vertrouwen van de gegevens voordat we de verschillende beschikbare analytische algoritmen toepasten om de onbewerkte gegevens te analyseren en de resultaten te visualiseren op een zinvolle manier die het bedrijf kan begrijpen."

Hij voegde eraan toe:“Onze klanten wilden deze analyse niet slechts één keer, maar ze wilden continu updates over KPI-prestaties gedurende maanden en jaren. Met handmatige data-engineeringpraktijken was het erg moeilijk voor ons om aan de eisen van onze klanten te voldoen, en toen besloten we dat we een robuust en betrouwbaar datamanagementplatform nodig hadden dat deze uitdagingen oplost.”

De komst van data science

De meeste economen en sociale wetenschappers maken zich zorgen over de automatisering die de productie- en commerciële processen overneemt. Als de digitalisering en automatisering in hetzelfde tempo blijven groeien als nu gebeurt, is de kans groot dat machines de mensen in het personeelsbestand gedeeltelijk vervangen. We zien enkele voorbeelden van de fenomenen in onze wereld van vandaag, maar er wordt voorspeld dat het in de toekomst veel prominenter zal zijn.

Dynes zegt echter:"Datawetenschappers bieden oplossingen voor ingewikkelde en complexe problemen waarmee verschillende sectoren tegenwoordig worden geconfronteerd. Ze gebruiken nuttige informatie uit data-analyse om dingen te begrijpen en op te lossen. Data science is een input en de output wordt opgeleverd in de vorm van automatisering. Machines automatiseren, maar mensen leveren de nodige input om de gewenste output te krijgen.”

Hierdoor ontstaat een evenwicht in de vraag naar mens- en machinediensten. Zowel automatisering als datawetenschap gaan parallel. Het ene proces is niet compleet zonder het andere. Ruwe gegevens zijn niets waard als ze niet kunnen worden gemanipuleerd om zinvolle resultaten te produceren en op dezelfde manier kan machine learning niet plaatsvinden zonder voldoende en relevante gegevens.

Big data opnemen in bedrijfsmodellen

Dynes zegt:"Bedrijven beseffen het belang van data en nemen Big Data en Machine Learning-oplossingen op in hun bedrijfsmodellen." Hij voegt hieraan toe:“We zien automatisering overal om ons heen gebeuren. Het is duidelijk zichtbaar in de e-commerce- en productiesectoren en heeft enorme toepassingen in mobiel bankieren en financieren.”

Toen ik hem vroeg naar zijn mening over de transformatie in de vraag naar machine learning-processen en -platforms, voegde hij eraan toe:"De vraag is er altijd geweest. Data-analyse was vijf jaar geleden even nuttig als nu. Het enige verschil is dat er vijf jaar geleden een ondernemersmonopolie heerste en gegevens heimelijk werden opgeslagen. Wie de data had, had de macht, en er waren maar een paar prominente marktspelers die toegang hadden tot data.”

Justin heeft met verschillende bedrijven gewerkt. Enkele van zijn meest prominente klanten waren Calor Gas, Jaeger en Wejo. Toen hij sprak over de uitdagingen waarmee deze bedrijven werden geconfronteerd voordat ze geavanceerde analyses of machine learning implementeerden, zei hij:"De grootste uitdagingen waarmee de meeste van mijn klanten worden geconfronteerd, was de accumulatie van de essentiële gegevens op één plek, zodat de complexe algoritmen tegelijkertijd kunnen worden uitgevoerd, maar de resultaten kunnen op één plek worden bekeken voor een betere analyse. Het datatransport en de datapijplijnen waren van cruciaal belang om data-inzichten continu te laten worden in plaats van eenmalig.”

De redenen voor snelle digitalisering

Dynes zegt:"We ervaren een snelle digitalisering vanwege twee belangrijke redenen. De technologie is de afgelopen jaren exponentieel geëvolueerd en ten tweede is de organisatiecultuur enorm geëvolueerd.” Hij voegt eraan toe:"Met de komst van open source-technologieën en cloudplatforms zijn gegevens nu toegankelijker. Meer mensen hebben nu toegang tot informatie en ze gebruiken deze informatie in hun voordeel.”

Naast de vooruitgang en ontwikkelingen in de technologie, “is de nieuwe generatie die de beroepsbevolking betreedt ook afhankelijk van technologie. Ze zijn sterk afhankelijk van de technologie voor hun dagelijkse alledaagse taken. Ze staan ​​meer open voor transparante communicatie. Daarom is het gemakkelijker om gegevens van deze generatie te verzamelen, omdat ze bereid zijn om over hun meningen en voorkeuren te praten. Ze staan ​​klaar om onmogelijke vragen te stellen en te beantwoorden”, zegt Dynes.

Als we het hebben over de uitdagingen waarmee bedrijven worden geconfronteerd wanneer ze kiezen voor Big Data-analyseoplossingen, voegt Mullen eraan toe:"De uitdagingen waarmee de industrie momenteel wordt geconfronteerd bij het gebruik van machine learning, zijn tweeledig. De eerste uitdaging waarmee ze worden geconfronteerd, heeft betrekking op gegevensverzameling, gegevensopname, gegevenscuratie (kwaliteit) en vervolgens gegevensaggregatie. De tweede uitdaging is het bestrijden van het gebrek aan menselijke vaardigheden op het gebied van data-engineering, geavanceerde analyse en machine learning”

Dynes zegt:“Je moet een nieuwe wereld integreren met de oude wereld. De oude wereld leunde sterk op het verzamelen van gegevens, terwijl de nieuwe wereld zich vooral richt op de gegevensoplossingen. Er zijn momenteel beperkte oplossingen in de branche die aan beide eisen tegelijk voldoen."

Hij besluit door te zeggen:"Het belang van data-engineering kan niet worden verwaarloosd, en machine learning is als de doos van Pandora. De toepassingen ervan worden algemeen gezien in veel sectoren, en zodra u zich als een kwaliteitsaanbieder heeft gevestigd, zullen bedrijven naar u toe komen voor uw diensten. Dat is een goede zaak.”

Volg Ciaran Dynes, Justin Mullen en Ronald van Loon op Twitter en LinkedIn voor meer interessante updates over Big Data-oplossingen en machine learning.