Inferentie: de volledige waarde van uw data ontgrendelen voor slimme beslissingen

Door de inferentie-capaciteiten van een knowledge graph te benutten, kunnen organisaties nieuwe dataverbindingen extrapoleren en elke nieuwe verbinding die ze creëren verklaren.

Digitale transformatie is de hype, en in de meeste gevallen is het doel van digitale transformatie om data te behandelen als een activum. In sommige gevallen betekent dat data monetariseren, en in anderen is het doel om data efficiënter te benutten om inzicht te verkrijgen voor betere beslissingen. Echter, in de realiteit zijn beide moeilijk te bereiken. Digitale transformatie eist snelle inzichten van steeds meer hybride, gevarieerde en veranderende data, maar traditionele dataintegratieplatforms zijn niet ontworpen voor de huidige omgeving. Als resultaat kunnen organisaties niet langer bijhouden met data's groeiende complexiteit, noch kunnen ze verborgen relaties en verbindingen tussen de data identificeren om nieuwe kansen ontdekken. Toegenomen is wat er nodig is: een inferentie-capaciteit die bedrijven in staat stelt om verschillende datasets samen te brengen en te analyseren om inzichten af te leiden.

Groei en innovatie drijven in de huidige complexe wereld van nooit-ophoudende dataverzameling is alleen mogelijk wanneer IT-teams kunnen uitbreken uit rigide datastructuren en verouderde integratiestijlen.

Agiliteit is de sleutel tot zakelijk succes, en enterprises zijn desperaat om data bruikbaar te maken wanneer het erop aankomt, niet voor antwoorden morgen of volgende week, maar voor nu.

Maar het ontgrendelen van onbenutte waarde vereist de capaciteit om data te verbinden op basis van zijn zakelijke betekenis, ongeacht formaat, bron of onderliggende tech. De schiere hoeveelheid data afgeleid van machine learning en andere bronnen vereist de capaciteit om gerelateerde informatie opgeslagen in uiteenlopende bronnen te associëren en vervolgens een rijk web van relaties toe te passen om nieuwe associaties te ontdekken. Dit is de sleutel tot het realiseren van de belofte van digitale transformatie. Maar hoe gaat men dit aan?

Van premissen naar logische gevolgen: Hoe data fabrics de benodigde inferentie bieden

Organisaties vandaag adoptoren moderne integratiebenaderingen zoals data fabrics om collaboratieve, cross-functionele projecten en producten te sturen en reactieve workflows te ontlopen. Door data van interne silo's en externe bronnen te weven, creëren ze een netwerk van informatie om de bedrijfsapplicaties, AI en analytics te voeden. Eenvoudig gezegd, ondersteunen ze de volledige breedte van de complexe enterprise van vandaag door verbindingen te creëren tussen informatie opgeslagen in uiteenlopende bronnen.

Knowledge graphs zijn een integraal onderdeel van een effectieve data fabric omdat ze een herbruikbaar netwerk van informatie creëren, data van diverse structuren representeren en meerdere schema's ondersteunen. Het creëren van het semantische begrip van enterprise- en derdepartijdata, dienen knowledge graphs als de kern van de data fabric — bestaande investeringen verrijkend en versnellend en cruciale toegang biedend tot zakelijk inzicht. Belangrijker nog, knowledge graphs zetten data om in machine-begrijpbare, real-world kennis die situationale veranderingen ondersteunt, zodat betekenis verandert afhankelijk van omstandigheden. Eenmaal gevestigd, gebruikt de knowledge graph ook dit rijke web van relaties om nieuwe associaties binnen de data te ontdekken. Deze geïndeerde relaties creëren een rijker, nauwkeuriger beeld van de data van een enterprise.

Door gelaagde associaties tussen concepten te bieden, bieden knowledge graphs genuanceerd begrip zodat kennis-gedreven organisaties nieuwe ontdekkingen kunnen identificeren. Ze bieden ook de context die vaak ontbreekt in data omdat de knowledge graph doelbewust gebouwd is om de fluctuerende aard van kennis te ondersteunen. Het resultaat is een flexibele fundering voor digitale operaties omdat de technologie eenvoudig nieuwe data, definities en vereisten accepteert.

Het datamodel van de knowledge graph, vaak een ontologie of vocabulaire genoemd, legt algemene relaties tussen entiteiten vast en stelt bedrijven in staat complexe domeinen te beschrijven. Overweeg geneeskunde als voorbeeld. Om een nieuwe therapie te ontwikkelen, moeten farmaceutische bedrijven toegang hebben tot meerdere feiten, modelconstructies en business rules, die allemaal met elkaar moeten interacteren om nieuwe verbindingen te impliceren. Deze inferentie-capaciteit is wat het mogelijk maakt voor fabrikanten om mensen te koppelen aan infrastructuur via de applicaties die ze gebruiken. Het helpt ze ook om controles toe te passen gebaseerd op de gelijkenis van nieuwe incidenten met verleden incidenten en geïndeerde links te vinden tussen onderzoekers en therapeutische gebieden op basis van de condities die in studies onderzocht worden. En de lijst gaat door.

Het toepassen van meerdere datamodellen op een data fabric tegelijkertijd stelt organisaties in staat om meerdere applicaties te ondersteunen die verschillende interpretaties van dezelfde data vereisen. Traditionele dataintegratiebenaderingen zoals data lakes of data warehouses zijn beperkt in deze capaciteit, omdat ze het moeilijk maken om meer dan één schema te ondersteunen. Dit is een reden waarom enterprises voortdurend nieuwe data silo's moeten creëren voor elke nieuwe applicatie, project of analyse. Zo'n benadering vermindert de capaciteit om inferentie-analyse uit te voeren.

De verbonden enterprise mogelijk maken — additionele componenten van een succesvolle data fabric

Door de inferentie-capaciteiten van een knowledge graph te benutten, extrapoleren organisaties niet alleen nieuwe dataverbindingen, maar verklaren ze ook elke nieuwe verbinding die het creëert. In tegenstelling tot black box aanbevelingssystemen, die geen enkele verklaring of rationale voor hun resultaten kunnen geven, kan de knowledge graph alle inferenties en resultaten verklaren in termen van data, schema en business rules. Deze verklarende transparantie stelt gebruikers in staat om te beoordelen hoe de knowledge graph bij een antwoord kwam en de bedrijfslogica die ervoor refereerde. Dit is niet alleen cruciaal voor het leveren van vertrouwde resultaten en verantwoordelijkheid binnen een organisatie, maar ook noodzakelijk voor bepaalde juridische en regelgevende vereisten.

Terwijl een knowledge graph het cruciale ingrediënt is van de data fabric, is het niet het enige wat een organisatie nodig heeft om succesvol te zijn. Een effectieve data fabric vereist het benutten en verbinden van bestaande bronsystemen. Het vereist ook de capaciteit om te verbinden met bestaande datacatalogi, data lakes, databases en andere datamanagementplatforms. Voor data fabric-implementaties is het benutten van werk voltooid in datacatalogi de sleutel tot het versnellen van data-ontdekking en semantische verrijking. Door de datacatalogus als input te gebruiken, bouwt de knowledge graph een datakaart van de data-activa van een enterprise wat de data fabric-creatie verder versnelt door gedeeltelijk geautomatiseerd leren en auto-mapping van bestaande bronnen.

Het creëren van een enterprise-brededatamodel is een andere veelvoorkomende vraag bij het implementeren van een data fabric. Velen denken dat dit een potentieel dure en tijdrovende voorwaarde is voor het initiatief, maar in de realiteit hoeven ze alleen zoveel concepten te definiëren als nodig voor hun initiële use case. Begin met het identificeren van een kritiek zakelijk probleem om de bredere data fabric-initiatief te leiden. Benader de data fabric met een MVP-mindset en focus alleen op het minimale werk dat nodig is om het eerste zakelijke objectief te bereiken.

Organisaties van alle maten leggen een nog grotere focus en investering op digitale transformatie. Ondanks deze vernieuwde aandacht, blijven fundamentele data-uitdagingen een primaire obstakel. Digitale transformatie vereist datamastery en dankzij het legacy van IT is dat geen simpele zaak om te bereiken. Er zijn gewoon te veel dingen om te managen: dataformaten, standaarden, datatypes, velocities, schema's, systemen, databases, silo's, methodologieën, modellen, etc. De schiere diversiteit van het moderne enterprise IT-landschap is ontzagwekkend.

Door de moderne benadering van knowledge graphs te benutten, kunnen organisaties niet alleen hun interne data silo's op een betekenisvolle nieuwe manier verbinden, maar ze kunnen ook verborgen feiten en relaties ontdekken via inferenties die anders op grote schaal niet te vangen zouden zijn. Door de genuanceerde betekenis die verschillende zakelijke eenheden voor dezelfde entiteit kunnen hebben vast te leggen, kunnen organisaties een herbruikbare digitale fundering creëren die tempo houdt met voortdurende marktverschuivingen en voorbereid is op wat er ook komt.