Por qué la inferencia es clave para aprovechar todo el potencial de los datos

Aprovechando las capacidades de inferencia de un gráfico de conocimiento, las organizaciones pueden extrapolar nuevas conexiones de datos y explicar cualquier nueva conexión que creen.

La transformación digital está de moda y, en la mayoría de los casos, el objetivo de la transformación digital es tratar los datos como un activo. En algunos casos, eso significa monetizar los datos y, en otros, el objetivo es aprovechar los datos de manera más eficiente para obtener información para tomar mejores decisiones. Sin embargo, en realidad, ambos son difíciles de lograr. La transformación digital exige conocimientos rápidos a partir de datos cada vez más híbridos, variados y cambiantes, pero las plataformas tradicionales de integración de datos no se diseñaron para el entorno actual. Como resultado, las organizaciones ya no pueden mantenerse al día con la creciente complejidad de los datos, ni pueden identificar relaciones y conexiones ocultas entre los datos para descubrir nuevas oportunidades. Cada vez más, lo que se necesita es una capacidad de inferencia que permita a las empresas reunir diferentes conjuntos de datos y analizarlos para obtener información.

Impulsar el crecimiento y la innovación en el complejo mundo actual de captura de datos interminable solo es posible cuando los equipos de TI pueden liberarse de estructuras de datos rígidas y estilos de integración obsoletos.

La agilidad es clave para el éxito comercial, y las empresas están desesperadas por hacer que los datos sean utilizables cuando sea necesario, no para obtener respuestas mañana o la próxima semana, sino ahora mismo.

Pero obtener valor sin explotar requiere la capacidad de conectar datos en función de su significado comercial, independientemente del formato, la fuente o la tecnología subyacente. La gran cantidad de datos derivados del aprendizaje automático y otras fuentes requiere la capacidad de asociar información relacionada almacenada en fuentes dispares y luego aplicar una rica red de relaciones para descubrir nuevas asociaciones. Esto es clave para hacer realidad la promesa de la transformación digital. Pero, ¿cómo se hace para lograr esto?

Pasar de las premisas a las consecuencias lógicas:cómo las estructuras de datos proporcionan la inferencia necesaria

Las organizaciones de hoy en día están adoptando enfoques de integración modernos, como estructuras de datos, para impulsar proyectos y productos colaborativos y multifuncionales y escapar de los flujos de trabajo reactivos. Al tejer datos de silos internos y fuentes externas, crean una red de información para potenciar las aplicaciones, la inteligencia artificial y los análisis de la empresa. Sencillamente, admiten toda la amplitud de la compleja empresa actual al crear conexiones entre la información almacenada en fuentes dispares.

Los gráficos de conocimiento son una parte integral de una estructura de datos efectiva, ya que crean una red de información reutilizable, representan datos de varias estructuras y admiten múltiples esquemas. Al crear la comprensión semántica de los datos empresariales y de terceros, los gráficos de conocimiento sirven como el núcleo de la estructura de datos, enriqueciendo y acelerando las inversiones existentes y brindando acceso crítico a la información comercial. Más importante aún, los gráficos de conocimiento convierten los datos en conocimiento del mundo real comprensible por máquina que admite cambios situacionales, por lo que el significado se modifica según las circunstancias. Una vez establecido, el gráfico de conocimiento también utiliza esta rica red de relaciones para descubrir nuevas asociaciones dentro de los datos. Estas relaciones inferidas crean una vista más rica y precisa de los datos de una empresa.

Al proporcionar asociaciones en capas entre conceptos, los gráficos de conocimiento brindan una comprensión matizada para que las organizaciones basadas en el conocimiento puedan identificar nuevos descubrimientos. También brindan el contexto que a menudo falta en los datos porque el gráfico de conocimiento está diseñado específicamente para respaldar la naturaleza fluctuante del conocimiento. El resultado es una base más flexible para las operaciones digitales, ya que la tecnología acepta fácilmente nuevos datos, definiciones y requisitos.

El modelo de datos del gráfico de conocimiento, a menudo llamado ontología o vocabulario, establece relaciones comunes entre entidades y permite a las empresas describir dominios complejos. Considere la medicina como un ejemplo. Para desarrollar una nueva terapia, las compañías farmacéuticas deben tener acceso a múltiples hechos, construcciones de modelos y reglas comerciales, todos los cuales deben interactuar entre sí para implicar nuevas conexiones. Esta capacidad de inferencia es lo que hace posible que los fabricantes vinculen a las personas con la infraestructura a través de las aplicaciones que utilizan. También les ayuda a aplicar controles basados ​​en la similitud de los incidentes nuevos con los incidentes anteriores y a encontrar vínculos inferidos entre los investigadores y las áreas terapéuticas en función de las condiciones que se investigan. en estudios. Y la lista continúa.

La aplicación de múltiples modelos de datos a un tejido de datos al mismo tiempo permite a las organizaciones admitir múltiples aplicaciones que requieren diferentes interpretaciones de los mismos datos. Los enfoques tradicionales de integración de datos, como los lagos de datos o los almacenes de datos, están limitados en esta capacidad, ya que dificultan la compatibilidad con más de un esquema. Esta es una de las razones por las que las empresas tienen que crear continuamente nuevos silos de datos para cada nueva aplicación, proyecto o análisis. Tal enfoque reduce la capacidad de realizar análisis de inferencia.

Habilitación de la empresa conectada:componentes adicionales de una estructura de datos exitosa

Aprovechando las capacidades de inferencia de un gráfico de conocimiento, las organizaciones no solo extrapolan nuevas conexiones de datos, sino que también explican cualquier nueva conexión que crea. A diferencia de los sistemas de recomendación de caja negra, que no pueden proporcionar ninguna explicación o fundamento para sus resultados, el gráfico de conocimiento puede explicar todas las inferencias y resultados en términos de datos, esquemas y reglas comerciales. Esta transparencia explicativa permite a los usuarios revisar cómo el gráfico de conocimiento llegó a una respuesta y la lógica empresarial a la que se hace referencia para hacerlo. Esto no solo es fundamental para brindar resultados confiables y responsabilidad dentro de una organización, sino que también es necesario para ciertos requisitos legales y reglamentarios.

Si bien un gráfico de conocimiento es el ingrediente clave de la estructura de datos, no es lo único que una organización necesita para tener éxito. Una estructura de datos eficaz requiere aprovechar y conectar los sistemas de origen existentes. También requiere la capacidad de conectarse a catálogos de datos, lagos de datos, bases de datos y otras plataformas de gestión de datos existentes. Para las implementaciones de estructura de datos, aprovechar el trabajo realizado en los catálogos de datos es clave para acelerar el descubrimiento de datos y el enriquecimiento semántico. Con el catálogo de datos como entrada, el gráfico de conocimiento crea un mapa de datos de los activos de datos de una empresa, lo que acelera aún más la creación de estructuras de datos a través del aprendizaje parcialmente automatizado y automático. -mapeo de fuentes existentes.

La creación de un modelo de datos para toda la empresa es otra pregunta común con respecto a la implementación de una estructura de datos. Muchos piensan que este es un requisito previo potencialmente costoso y lento para la iniciativa, pero, en realidad, solo necesitan definir tantos conceptos como sea necesario para su caso de uso inicial. Empiece por identificar un problema comercial crítico para encabezar la iniciativa de estructura de datos más amplia. Aborde la estructura de datos con una mentalidad de MVP y concéntrese solo en la cantidad mínima de trabajo necesaria para lograr el primer objetivo comercial.

Las organizaciones de todos los tamaños se están centrando e invirtiendo aún más en la transformación digital. A pesar de esta renovada atención, los desafíos fundamentales de los datos siguen siendo un obstáculo principal. La transformación digital requiere el dominio de los datos y, gracias al legado de TI, no es algo sencillo de lograr. Hay demasiadas cosas que administrar:formatos de datos, estándares, tipos de datos, velocidades, esquemas, sistemas, bases de datos, silos, metodologías, modelos, etc. La gran diversidad del panorama de TI de la empresa moderna es abrumadora.

Aprovechando el enfoque moderno de los gráficos de conocimiento, las organizaciones no solo pueden conectar sus silos de datos internos de una manera nueva y significativa, sino que también pueden descubrir hechos ocultos y relaciones a través de inferencias que de otro modo no podrían captar a gran escala. Al capturar el significado matizado que las diferentes unidades de negocios pueden tener para la misma entidad, las organizaciones pueden crear una base digital reutilizable que se mantenga al margen de los cambios continuos en el mercado y esté preparada para lo que venga a continuación.