Als data de nieuwe olie is, wie is dan uw raffinaderij?

Voor enterprise-teams lijken gegevens overal te zijn, wachtend om te worden ontgrendeld om uw zakelijke doelen vooruit te helpen. We hebben onlangs gesproken met twee van Nokia's toonaangevende IoT-autoriteiten - Marc Jadoul, IoT Market Development Director, Denny Lee, Head of Analytics Strategy - om te praten over hoe de gegevens van uw bedrijf de olie kunnen zijn die het vooruit helpt.

ReadWrite: Dus deze uitdrukking - "Data is de nieuwe olie" - is iets dat ik heb gehoord op conferenties en een paar keer heb gehoord. Maar het punt is, olie kan een brandstof zijn, en het kan ook een smeermiddel zijn, in je hoofd, met je klanten, wat betekent dat?

Marc Jadoul: De manier waarop ik ernaar kijk, is vanuit een waarde-oogpunt. Als je de prijs van een vat ruwe olie vergelijkt met de prijs van een vat vliegtuigbrandstof, dan is er nogal wat verschil. Gegevens, zoals olie, kunnen en moeten een soortgelijk verfijningsproces doorlopen.

Hoe verfijnder het is, hoe meer waarde het kan bieden, omdat het, net als brandstof, meer geavanceerde toepassingen zal ondersteunen. Een andere manier om hierover na te denken is als een piramide:als je onderaan de piramide begint, verzamel je in feite onbewerkte gegevens op sensorniveau. In de volgende fase begin je deze gegevens te monitoren en begin je te ontdekken wat erin is opgenomen. U zult waarschijnlijk enkele anomalieën of trends ontdekken en op basis van uw analyse kunt u kritieke informatie ontdekken die u helpt waarde te creëren voor het bedrijf en betere besluitvorming te stimuleren, de zogenaamde Data Driven Decision Making (DDDM).

Als je deze besluitvorming vervolgens doet in een soort leerfase op basis van cognitieve analyses, ga je niet alleen helpen bij het nemen van beslissingen, maar ook om gedrag te voorspellen. Zodra u gedrag kunt voorspellen, bent u op het punt gekomen van de meest verfijnde gegevens, waar de gegevens zuiver genoeg zijn om te worden omgezet in kennis om uw machines en toepassingen te helpen autonome beslissingen te nemen.

Wat ik heb beschreven, is een waardeketen waarin gegevens inzicht en kennis verschaffen om bedrijven te helpen betere beslissingen te nemen en uiteindelijk sommige processen en besluitvorming te automatiseren. Ik trek de parallel met de olie-industrie, niet als metafoor voor de smeeroliefunctie (lacht ), maar in vergelijking met het verfijningsproces. Hoe meer je het verfijnt, hoe nuttiger het wordt en hoe meer waarde je terugkrijgt.

Denny Lee: Als mensen de nieuwe olie-uitdrukking gebruiken, denk ik altijd terug aan de jaren zeventig:als je de olie controleert, heb je de economie onder controle. Ik denk dat wanneer men zegt "data is de nieuwe olie", het geworteld is in deze gelijkenis. Data is de nieuwe olie betekent ook dat als je die controle kunt krijgen, je die economie en je sector beter kunt beheersen.

Als ik die term hoor, gaat het ook terug naar het idee dat 'data de valuta is'. Gegevens zijn vrij ruw in zijn vorm en mensen gebruiken deze term vaak vrij losjes. Sommigen denken misschien dat data, inzicht en intelligentie allemaal naar hetzelfde verwijzen. Maar eigenlijk maken we hier nogal een onderscheid tussen. Uiteindelijk pleiten we ervoor dat data het ruwe ingrediënt is en willen we data verwerken die leiden tot inzichten. Inzichten en intelligentie zijn wat het bedrijf nodig heeft. Ik weet zeker dat we later zullen bespreken hoe we deze informatie kunnen gebruiken voor bruikbare zakelijke doeleinden.

RW: Dus als u met een klant gaat zitten om te bespreken hoe u hem een ​​datagestuurde innovatie binnen zijn organisatie kunt laten zien, wat is dan het eerste dat hij moet weten, het eerste dat hij moet vragen?

MJ: Ik denk dat het eerste wat ze moeten doen, is begrijpen wat hun eigen bedrijf is en wat de uitdagingen en problemen zijn die ze willen oplossen. In plaats van het tegendeel, proberen ze een probleem voor hun oplossing te vinden. Om Simon Sinek te citeren, moet men beginnen met het "waarom?" in plaats daarvan met de "hoe?" of de "wat?" vraag.

DL: Bedrijfsresultaat is zeker één ding, maar daarvoor moet je de vraag stellen met wie je in de organisatie spreekt. Elk heeft een andere organisatorische grens of verantwoordelijkheidsgebied, wat een andere reeks vragen zal oproepen.

Als je bijvoorbeeld met een CEO praat, is zijn of haar zandbak enorm. Aan de andere kant zou je kunnen praten met een afgezonderd deel van de organisatie waar hun eigen universum zeer gedefinieerd is. Vervolgens moet u hun zakelijke context en hun uiteindelijke gewenste bedrijfsresultaat begrijpen. Vervolgens werkt u achteruit en zegt u "ok, wat voor soort gegevens heeft u eigenlijk?"; en je probeert het probleem te verbinden met een oplossing. Als we het hebben over de analysecontext, gaat het natuurlijk om het verwerken van de gegevens tot het punt waarop het hun bedrijfsresultaten kan stimuleren.

Dan moeten we het uiteindelijk hebben over het overschrijden van organisatiegrenzen. Dit is een heel belangrijk punt dat we niet mogen missen. Soms komen de klompjes intelligentie alleen door de barrières tussen organisaties te slechten.

RW: Je hebt in termen van de CEO gezegd dat je een grotere sandbox hebt om in te werken, maar als ik praat met andere mensen die proberen een of andere datagestuurde oplossing rond IoT te implementeren, krijg ik het idee wie de kampioen binnen een organisatie vormt vaak de kern van wie echt weet dat er uitdagingen zijn binnen de organisatie. Is er iets dat je kunt zeggen over hoe een typische organisatiekampioen eruit zou zien en hoe je die doelen in de hele organisatie kunt oriënteren?

DL: Welnu, in de IoT-context kan de organisatie vaak in twee domeinen worden verdeeld. De Operations Technology (OT) kant en de Information Technology (IT) kant. Aan de OT-kant kan uw oplossing gericht zijn op de persoon die de infrastructuur voor zijn of haar bedrijf beheert. Afhankelijk van de persoon met wie je spreekt binnen die groep, zullen ze verschillende behoeften hebben.

Laten we als voorbeeld de klant nemen die gericht is op predictief onderhoud. In dit geval heeft hij of zij misschien alleen budget om zich te concentreren op onderhoud en big data en machine learning te gebruiken om de onderhoudscyclus te ondersteunen en machine-uitval te minimaliseren. Dit is een zeer beperkte use-case met een specifiek doel. Maar als je met hun manager praat, is de reikwijdte en de context van het probleem dat ze proberen op te lossen veel breder en kunnen ze de organisatiegrenzen overschrijden

MJ: Ik zou deze visie graag aanvullen met een blik op een ander onderdeel van de organisatie. Naast de leiders die de analytics nodig hebben om goede beslissingen te nemen, zie ik in een aantal organisaties het belang van de rol van data-analist ontstaan. Deze experts weten hoe ze met de data moeten omgaan – of met de metafoor die we eerder gebruikten:het verfijningsproces beheersen. We hebben het hier over een andere set vaardigheden dan de traditionele IT-ers. Mijn educatieve achtergrond is computerwetenschappen en 20 jaar geleden was wiskunde de basis van het computerwetenschappelijk onderwijs. Toen ik 5-10 jaar later naar het curriculum keek, was de nadruk verschoven naar algoritmen en programmeertalen. Vandaag doet mijn zoon zijn doctoraat in AI en geloof me, deze studenten moeten weer een heel goed begrip hebben van wiskunde en statistiek. En laten we niet vergeten dat - aangezien datawetenschappers de zakelijke beslissingen van ondernemingen moeten ondersteunen - ze ook een goed niveau van domeinkennis en zakelijk inzicht moeten hebben.

RW: Dus de cirkel is rond?

MJ: Bij de meeste complexe problemen waarbij je niet zomaar onbewerkte computergegevens en rekenwerk kunt gebruiken om iets met de gegevens te doen. Je hebt de domeinkennis echt nodig om te weten wat zinvol is en wat niet. En dit zijn de mensen die het in organisaties mogelijk maken, omdat ze een ondersteunende rol vervullen voor de interne besluitvormers, zoals Denny beschreef.

RW: We zien veel IoT-oplossingen rond de enorme hoeveelheid data die je hebt of zou kunnen analyseren. Dus tot op zekere hoogte, als je die datakennis in huis hebt, is dat geweldig, maar als je dat niet hebt, bestaat het risico een klant te overweldigen en te veel data-opties te bieden, hebben ze dat talent echt in huis nodig?

MJ: Het hangt natuurlijk af van het soort oplossingen dat u wilt bouwen. En waar je op een deel van de gegevens kunt filteren en drempels kunt instellen, bijvoorbeeld als je een temperatuursensor op een koelinstallatie hebt, zijn de enige gegevens die je eigenlijk wilt bemachtigen de uitzonderingen of anomalieën want als daar alles normaal is is het niet nodig om overweldigd te raken door enorme hoeveelheden normale gegevens. Dus wat belangrijk is, is dat u intelligente gegevens verzamelt en probeert om de cijfers zo vroeg mogelijk uit te filteren en de cijfers vooraf te analyseren en te kraken. Om het verfijningsproces zo dicht mogelijk bij het apparaat te starten waar de gegevens worden gegenereerd.

DL: Laat me een visie op ons denken met u delen. Dit geldt ook voor IoT. Kortom, de manier waarop we naar data-intelligentie kijken, is vergelijkbaar met een menselijk brein. We sturen eigenlijk een idee van intelligentiestapel aan. Als je erover nadenkt in termen van je eigen brein, zijn er dingen die een snellere responstijd hebben en meer autonoom zijn. Op deze laag verwerkt u de omgevingsgegevens, maar met een beperkt bereik. Laten we nu de gelijkenis met IoT trekken. Dingen gebeuren op zichzelf en wanneer het wat feedback-aanpassingen nodig heeft, neemt het een autonome, lokale beslissing.

In de volgende laag kan er sprake zijn van een gematigde responstijdactie en is deze enigszins autonoom. En dan is er nog de bovenste laag die we augmented intelligence noemen. Het dient om de mens te helpen; want op de hoogste toplaag is het nog steeds de menselijke beheerder - de menselijke uitvoerende macht die beleidswijzigingen op de langere termijn aanbrengt. En die toegevoegde laag is de bovenste laag van de software waar het verborgen inzichten voor de mens blootlegt om betere, andere en langere termijn aanpassingen te maken.

Dus als je deze verschillende lagen als onderdeel van een stapel beschouwt, zelfs als je erover nadenkt in een IoT-context, zeg maar op fabrieksniveau:hoe dichter je bij de bodem bent, we hebben het over robotica waar dingen automatisch gaan . En als je omhoog gaat, wordt het menselijker; en software speelt een grotere rol bij het ontdekken van inzichten zodat de mens beter kan oordelen.

MJ: Interessant is dat dit ook tot uiting komt op infrastructuurniveau. Waarschijnlijk heb je wel eens gehoord van edge cloud of multi-access edge computing of MEC, waarbij je een deel van de gegevensverwerking daadwerkelijk zo dicht mogelijk bij de bron gaat doen. En het is om twee redenen:ten eerste wilt u de latentie in het netwerk verminderen en de doorlooptijd voor besluitvorming verkorten. Ten tweede wil je niet al deze enorme hoeveelheden data door de kern van je cloud trombone. U wilt alleen dat uw gebruikers en besluitvormers zich bezighouden met de echt nuttige dingen. Als ik edge computing moet uitleggen, omschrijf ik het soms als reverse CDN (content delivery network).

Kijk eens wat we jaren geleden deden toen video on demand en live streaming populair werden. We werden plotseling geconfronteerd met het probleem dat we misschien niet genoeg bandbreedte hebben om elke gebruiker te bedienen met een individuele stream, en met een mogelijke latentie. Dus hebben we cachingservers dichter bij de eindgebruiker geplaatst waarop we de meest populaire inhoud zouden plaatsen en wat lokale inhoudsnavigatie en -verwerking zouden kunnen doen, zoals snel vooruit- en terugspoelen, en inhoudaanpassing. Dit was dus downstream-opslag en optimalisatie van computerbronnen. En vandaag hebben we een aantal spelers op internet, bijvoorbeeld Akamai, die goed geld verdienen met dergelijke caching- en optimalisatiediensten.

Als je nu naar het internet der dingen kijkt, zit het probleem niet in de hoeveelheid downstream-gegevens zoals in video, maar de uitdaging zit in het aantal gegevensbronnen en in de hoeveelheid upstream-gegevens. Omdat je een enorm aantal IoT-apparaten hebt die een enorm aantal gegevensrecords genereren en wat je eigenlijk gaat doen, is een soort upstream-cachingservice plaatsen die dicht bij de bron staat om de gegevens te verzamelen, wat low-level analyses uitvoeren en zorg ervoor dat u alleen zinvolle informatie verder naar beneden in de cloud verzendt voor verdere verwerking en verdere verfijning, om de metafoor van de olie-industrie opnieuw te gebruiken. En daarom noem ik edge computing vaak een soort "omgekeerd CDN" omdat het dezelfde soort functies levert, maar een andere architectuur gebruikt en op stromen in een andere richting werkt.

RW: OK, dus we hebben iemand die wil investeren in een project van welke aard dan ook, meestal heeft iemand een kostenbesparing of een nieuwe inkomstenstroom denk ik, maar ik denk vaker dat niet, het lijkt een go/no-go-beslissing wordt meestal gedreven door kostenreductie of efficiëntie - wat altijd aantrekkelijk is in de meeste organisaties. Kunnen jullie allebei een voorbeeld geven van een datagedreven proces dat niet alleen de kostenbesparingen kan ontsluiten, maar misschien ook het beslissingstraject, zoals elk een voorbeeld?

MJ: Ik zou kunnen beginnen met wat we doen met onze oplossing voor videoanalyse. Dit is een voorbeeld van een toepassing die enorme hoeveelheden gegevens gebruikt die worden gestreamd door b.v. videobewakingscamera's met gesloten circuit.

In steden heb je honderden of duizenden van deze camera's die enorme aantallen live videostreams creëren. Over het algemeen is er niet genoeg personeel om alle schermen tegelijk te bekijken, omdat het extreem duur en inefficiënt zou zijn om mensen 24/7 al deze videostreams te laten bekijken. Wat de oplossing van Nokia doet, is deze video's analyseren en op zoek gaan naar afwijkingen. Er zijn tal van use case voorbeelden, zoals een auto die in de verkeerde richting rijdt, onrust op een luchthaven, sommige mensen of objecten die ongebruikelijke bewegingen maken. Wat we eigenlijk doen, is deze videogegevens verzamelen en door de verfijningsketen sturen, verwerkt door een aantal algoritmen die specifieke situaties herkennen en afwijkingen detecteren. Door er AI-mogelijkheden aan toe te voegen, wordt het systeem zelflerend en kan het elk type "gebeurtenis" dat ongewoon is, identificeren, waarschuwen en voorspellen. Dit helpt bij het nemen van beslissingen, maar is tegelijkertijd ook een enorme kostenbesparing omdat steden en beveiligingsbedrijven slechts een fractie van de mensen nodig hebben. Analysetechnologieën maken dit soort videobewakingsoplossingen mogelijk en betaalbaar.

RW: Juist, menselijke ogen zijn niet erg schaalbaar.

MJ: Juist, menselijke ogen zijn niet erg schaalbaar en waarschijnlijk heeft 99,99% van deze CCTV-video-inhoud geen aandacht nodig. Je moet dus leren de gegevens zo dicht mogelijk bij de bron te filteren en alleen verder te werken met wat relevant is.

DL: Dus Trevor, ik zal je ook een paar voorbeelden geven. De eerste groep zou zijn die voor het sneller versnellen van de oplossing:zoals voorspellend onderhoud, "Next Best Action", onder het domein van voorspellende zorg voor het aanbevelen van workflow-acties aan zorgmedewerkers en geautomatiseerde analyse van de oorzaak. Deze gebruiksvoorbeelden werden voorheen handmatig gedaan. Je wacht tot er wat storingen optreden en kijkt er dan naar. Met automatisering en voorspelling; in plaats daarvan kan een machine learning-oplossing het optreden van mogelijke fouten van tevoren voorspellen en kunt u dure onderhoudsacties minimaliseren om het probleem achteraf op te lossen.

Een andere reeks voorbeelden valt onder de categorie klantgerichtheid met het gebruik van kunstmatige intelligentie. Veel klanten zijn geïnteresseerd in dit onderwerp omdat ze uiteindelijk erkennen dat hun concurrentie ook probeert hun eindklanten zo goed mogelijk te sussen. En wie dat het beste kan, wint de dag. Dus het waarderen en begrijpen van de klantervaring en het kunnen voorspellen en reageren op hun behoeften, zou een belangrijk aspect zijn van de oplossing voor big data-analyse. In de context van aanbieders en operators van netwerkoplossingen is het bijvoorbeeld belangrijk om van tevoren te weten dat er een congestie gaat optreden en erop te reageren. Misschien is een goed beheerde, maar verslechterde prestatie in bepaalde omstandigheden beter dan helemaal geen services. Dus het probleem met klantgerichtheid een stap voor zijn, is ook een vorm van AI-toepassing - begrijp hun ervaring en handel daarnaar. De derde is, zou ik zeggen, de augmented reality use-cases die aantrekkelijk zijn voor de hogere uitvoerende macht en de beleidseigenaren van de operators van de IoT-onderneming.

Een andere klasse van problemen zou onder de categorie 'optimalisatie' passen. Als je naar een reeks bedrijfsresultaten kijkt, kun je het probleem opzetten als een optimalisatieprobleem:dit zijn mijn sandboxen, hier zijn mijn onbewerkte gegevens en mijn KPI's en dat is wat ik als doelen wil optimaliseren. Het systeem kan vervolgens worden ingesteld om het te optimaliseren. Dit houdt verband met het punt waarop men de mogelijkheid heeft om organisatorische silo's af te breken en bepaalde resultaten te optimaliseren die voorheen onvindbaar waren wanneer de organisaties in silo's werden geplaatst. Een dergelijk type intelligentie spreekt de bestuurders en beleidseigenaren van de organisaties meer aan.

Dit artikel is geproduceerd in samenwerking met Nokia. Het maakt deel uit van een reeks artikelen waarin het team van Nokia deskundig advies geeft en dieper ingaat op data-analyse, beveiliging en IoT-platforms.