Realtime behoeften oplossen terwijl bedrijfsleiders vooroplopen met ML en AI

Drie nieuwe rapporten van Gartner benadrukken de toenemende urgentie voor ondernemingen om waardegenererende operationele applicaties te bouwen die zijn doordrenkt met AI en ML - of het risico lopen voor altijd achter te lopen .

UrgencyBuilder #1: In de laatste AI-voorspelling voor bedrijfswaarde zegt Gartner dat AIaugmentation $ 2,9 biljoen zal creëren van bedrijfswaarde in 2021. Dat is in slechts één jaar.

UrgencyBuilder #2: Gartner's AI- en ML DevelopmentStrategy-onderzoek wijst uit dat toonaangevende organisaties verwachten hun AI/ML-projecten enorm te vergroten - van gemiddeld vier dit jaar tot 35 in 2022.

UrgencyBuilder #3: In het rapport “Predicts 2019:Data &Analytics Strategy” zegt Gartner:“Effectief databeheer is belangrijker dan ooit. Terwijl sommige bedrijven de controle over hun gegevens hebben overgenomen en er een wapen van hebben gemaakt om marktdominantie veilig te stellen, worstelen vele anderen met een probleem dat de coördinatie van de inlichtingendiensten in de weg staat:silo's .”

Zie ook: Hoe u AI-implementatie kunt versnellen om sneller CI-voordelen te behalen

De 'leidende organisaties' van Gartner zijn degenen die vooraan in de race zijn om aandelen te veroveren van die $ 2,9 biljoen aan bedrijfswaarde die zal vloeien uit AI-, ML- en IoE-initiatieven rond beslissingsondersteuning, realtime beslissingsautomatisering en AI-augmented intelligence, onder andere.

Wat houdt bedrijven terug?

Siled data is niet het enige dat de inspanningen ondermijnt om IoE-applicaties te bouwen en ML- en AI-projecten te implementeren. Inflexibele, legacy-systemen die niet geschikt zijn voor het verwerken van tijdreeksgegevens die verband houden met IoT, en realtime operaties kunnen ook verwarren.

Waar blijft je organisatie in de race om waarde te realiseren? Hoe gaat het met jij helpen de weg te effenen voor de implementatie van AI- of ML-projecten en IoE-applicaties? Als u zoals veel bedrijven bent, worden uw inspanningen geconfronteerd met verschillende belangrijke uitdagingen, te beginnen met silogegevens.

Het onvermogen om gegevens uit verschillende bronnen samen te brengen en een holistisch beeld te geven, is een belangrijke reden waarom sommige bedrijven moeite hebben om bij te blijven, zelfs voordat ze hun IoE-toepassingsvereisten (Internet of Everything) hebben overwogen.

Jarenlang zetten ze zich in voor datasilo's die hen werden opgedrongen door generaties branchespecifieke, smalfunctionele SaaS- en enterprise cloud-applicaties. Maar nu raken ze de analytische limieten van gescheiden gegevens en ontdekken ze dat ze hun gegevens niet holistisch kunnen analyseren of ernaar kunnen handelen zoals ze bestaan, of deze eenvoudig kunnen implementeren in nieuwere generatie applicaties.

Data het zwaartepunt maken

Om te slagen, moeten alle inspanningen op het gebied van ML en AI gebaseerd zijn op data. Elke procesautomatiseringsbehoefte bekijken we eerst via een datalens. Het is het zwaartepunt voor alles wat we doen, elk proces dat we automatiseren en elke realtime beslissing of actie die we mogelijk maken.

Hoewel we eerst zijn geoptimaliseerd voor sensor-gegenereerde tijdreeksgegevens, maakt het echt niet uit welk type gegevens het is, van welke bron het afkomstig is, of in welk volume of snelheid - gegevens zijn onze hoofdoorzaak. Het bouwen van de data-automatiseringsbasis voor data-agnostische applicaties maakt het mogelijk om de voortgang van data-unificatie in de gefragmenteerde wereld van enterprise SaaS silo-busting te geven.

We zien het als een omnidata aanpak - iets waar u meer over zult horen, aangezien gegevensbeheervereisten voor sensornetwerken omnidata-voordelen elders in de onderneming mogelijk maken.

De heersende marktbenaderingen volgen zelden dit edict. Praat bijvoorbeeld met een typisch IoT-bedrijf en ze zullen geen goed verhaal hebben over hoe ze mensen brengen in de vergelijking. Ze gaan allemaal over dingen. Evenzo hebben leveranciers van locatiegegevens en personeelsbeheer een goed verhaal over het volgen van mensen en werknemers, maar hebben ze weinig geloofwaardigheid voor het integreren van dingen .

Dit is een van de redenen waarom IoE veel meer aanwezig is in onze communicatie dan IoT. Bij de meeste bedrijfsproblemen zijn mensen en dingen in gelijke mate betrokken. Vanuit een gegevensperspectief is er geen verschil in orbias.

De OldData Management Order is uit

Data-operationalisering zorgt voor enorme nieuwe uitdagingen voor de oude orde van gegevensbeheer. Of ze het nu weten of niet, bedrijven betreden een wereld van 'post database management system (DBMS)'. Ze vinden het steeds moeilijker – zo niet onmogelijk – om data-in-motion-gebruiksgevallen in een starre, verouderde DBMS-infrastructuur op te nemen.

De gegevensvereisten voor softwaretoepassingen zijn drastisch veranderd. Zowel gebruikers als machines creëren meer gegevens om bedrijfslogica te stimuleren met behulp van technieken zoals realtime gegevensanalyse en machine learning.

Traditioneel werden alle gegevens van een applicatie opgeslagen in gecentraliseerde of kantoorgerichte, relationele databases. Maar dit is niet schaalbaar voor de door sensoren aangestuurde, tijdreeksgegevensexplosie waarvan realtime operaties en intelligentie afhankelijk zijn.

Om echte datagestuurde oplossingen te bouwen, waren de engineering- en onderhoudslasten onomkeerbaar gecompliceerd. We zijn van een handvol subsystemen naar tientallen subsystemen gegaan die de expertise van duurdere big data-engineeringteams vereisen.

Gebruiksscenario's begrijpen

Het eenvoudigweg visualiseren en begrijpen van IoE-, ML- en AI-gerelateerde use-cases is een andere grote uitdaging die bedrijven tegenhoudt.

Ongeveer 42% van de respondenten van Gartner's AI/MLdevelopment-enquête noemde het identificeren van use-cases hun op één na grootste uitdaging (na een gebrek aan vaardigheden). We zien dit keer op keer.

Andere belangrijke uitdagingen zijn schaalbaarheid, samen met inflexibele, legacy-systemen die niet kunnen omgaan met tijdreeksgegevens of grote hoeveelheden gegevens met hoge snelheid uit verschillende bronnen.

OneBackbone om alles te regeren

Gezien deze reeks uitdagingen, experimenteren steeds meer bedrijven met het gebruik van een 'single backbone'-basis voor gegevensautomatisering voor het bouwen van IoE-applicaties. Dit vereist een open, flexibel platform voor het bouwen van realtime, schaalbare, gegevensautomatisering en AI-oplossingen die schaalbare gegevensopname, normalisatie en verrijking aankunnen, samen met realtime bedrijfslogica, gegevensopslag en beslissingsanalyses.

Een data-backbone-aanpak stelt ontwikkelaars in staat zich te concentreren op het inbouwen van unieke bedrijfs- en gebruikerswaarde in hun oplossing, in plaats van te proberen te anticiperen op al het gebruik van data om in een oudere, meer rigide DBMS-infrastructuur te passen.

Ondernemingen hebben systemen nodig waarmee ze sensorgegevens kunnen opnemen met verschillende volumes en snelheden, met elk type of combinatie van inputs en outputs. En ze moeten de mogelijkheid hebben om dergelijke mogelijkheden on-premises, in de cloud, op de Edge of een hybride versie te implementeren.

Dit lost of vermijdt een veelheid aan problemen, van data in silo's en beperkte schaalbaarheid tot de uitdagingen van het bouwen van meerdere applicaties zonder de data-basis elke keer opnieuw uit te vinden. En het biedt een sneller pad naar waarderealisatie.