Resolviendo necesidades en tiempo real a medida que los líderes empresariales avanzan con ML e IA

Hacer que los datos sean procesables rápidamente crea desafíos difíciles para el antiguo orden de gestión de datos.

Tres nuevos informes de Gartner ponen de relieve la creciente urgencia de que las empresas construyan aplicaciones operativas que generen valor con IA y ML, o corren el riesgo de quedarse atrás para siempre .

Constructor de urgencia n.º 1: En su último pronóstico de valor comercial de IA, Gartner dice que AIaugmentation generará $2.9 billones de valor comercial en 2021. Eso es en solo un año.

Constructor de urgencia n.° 2: El estudio de estrategia de desarrollo de inteligencia artificial y aprendizaje automático de Gartner revela que las organizaciones líderes esperan aumentar enormemente sus proyectos de inteligencia artificial/aprendizaje automático, de una media de cuatro este año a 35 para 2022.

Constructor de urgencia n.º 3: En su informe "Predicts 2019:Data &Analytics Strategy", Gartner dice:"La gestión eficaz de los datos es más importante que nunca. Mientras que algunas empresas han tomado el control de sus datos y los han convertido en un arma para asegurar el dominio del mercado, muchas otras están luchando con un problema que está frenando la coordinación de inteligencia:silos .”

Ver también: Cómo acelerar la implementación de IA para lograr beneficios de CI más rápido

Las "organizaciones líderes" de Gartner son las que están al frente en la carrera por obtener acciones de ese valor comercial de $ 2,9 billones que fluirá de las iniciativas de IA, ML e IoE en torno al soporte de decisiones, la automatización de decisiones en tiempo real y la inteligencia aumentada por IA, entre otros.

¿Qué frena a las empresas?

Los datos en silos no son lo único que socava los esfuerzos para crear aplicaciones de IdT e implementar proyectos de aprendizaje automático e inteligencia artificial. Sistemas heredados inflexibles que no son aptos para manejar datos de series temporales asociados con IoT y tiempo real las operaciones también pueden confundir.

¿Dónde está su rango de la organización en la carrera para obtener valor? ¿Cómo estás tú? ayudando a allanar el camino para implementar proyectos de IA o ML y aplicaciones de IoE? Si es como muchas empresas, sus esfuerzos enfrentan varios desafíos clave, comenzando con datos en silos.

La incapacidad de reunir datos de fuentes dispares y brindar una vista holística es un motivo principal por el cual algunas empresas luchan por mantenerse al día, incluso antes de considerar sus requisitos de aplicaciones de Internet de todo (IoE).

Durante años, se comprometieron con los silos de datos que les impusieron generaciones de SaaS de función estrecha y específicas de la industria y aplicaciones empresariales en la nube. Pero ahora están alcanzando los límites analíticos de los datos segregados y descubriendo que no pueden analizar o actuar de manera holística sobre sus datos tal como existen o implementarlos fácilmente en aplicaciones de nueva generación.

Hacer de los datos el centro de gravedad

Para tener éxito, todos los esfuerzos de ML e IA deben basarse en datos. Primero vemos todos los requisitos de automatización de procesos a través de una lente de datos. Es el centro de gravedad de todo lo que hacemos, cada proceso que automatizamos y cada decisión o acción en tiempo real que habilitamos.

Si bien estamos optimizados primero para datos de series de tiempo generados por sensores, realmente no importa qué tipo de datos sean, de qué fuente provienen o en qué volumen o velocidad:los datos son nuestra causa principal. Construir la base de automatización de datos para aplicaciones independientes de datos permite el progreso de la unificación de datos que destruye los silos en el mundo fracturado de SaaS empresarial.

Lo consideramos como un omnidata enfoque:algo de lo que escuchará más a medida que los requisitos de administración de datos para las redes de sensores habilitan los beneficios de Omnidata en otras partes de la empresa.

Los enfoques de mercado prevalecientes rara vez siguen este edicto. Hable con una empresa típica de IoT, por ejemplo, y no tendrán una buena historia sobre cómo atraen a personas en la ecuación. Se trata de cosas. Del mismo modo, los servicios de datos de ubicación y los proveedores de administración de la fuerza laboral cuentan una buena historia sobre el seguimiento de personas y trabajadores, pero tienen poca credibilidad para integrar cosas. .

Esta es una de las razones por las que IoE está mucho más presente en nuestras comunicaciones que IoT. La mayoría de los problemas operativos de la empresa involucran personas y cosas en igual medida. Desde una perspectiva de datos, no hay diferencia orbias.

El orden de gestión de OldData está fuera

La operacionalización de datos está creando grandes desafíos nuevos para el antiguo orden de gestión de datos. Ya sea que lo sepan o no, las empresas están entrando en un mundo de "sistema de gestión de base de datos posterior (DBMS)". Les resulta cada vez más difícil, si no imposible, calzar casos de uso de datos en movimiento en una infraestructura DBMS heredada y rígida.

Los requisitos de datos para las aplicaciones de software han cambiado drásticamente. Tanto los usuarios como las máquinas están creando más datos para impulsar la lógica empresarial utilizando técnicas como el análisis de datos en tiempo real y el aprendizaje automático.

Tradicionalmente, todos los datos de una aplicación se almacenaban en bases de datos relacionales centralizadas o centradas en la oficina. Pero esto no se adapta a la explosión de datos de series temporales impulsada por sensores de la que dependen las operaciones y la inteligencia en tiempo real.

Para construir verdaderas soluciones basadas en datos, las cargas de ingeniería y mantenimiento han sido irreversiblemente complicadas. Hemos pasado de un puñado de subsistemas a docenas de subsistemas que requieren la experiencia de equipos de ingeniería de big data más costosos.

Comprensión de los casos de uso

Simplemente imaginar y comprender casos de uso relacionados con IoE, ML e IA es otro desafío importante que frena a las empresas.

Alrededor del 42% de los encuestados en la encuesta de desarrollo de IA/ML de Gartner mencionaron la identificación de casos de uso como su segundo mayor desafío (después de la falta de habilidades). Vemos esto, una y otra vez.

Otros desafíos clave incluyen la escalabilidad, junto con sistemas heredados inflexibles que no pueden manejar datos de series temporales o grandes volúmenes de datos de alta velocidad de fuentes dispares.

OneBackbone para gobernar todo

Dada esta serie de desafíos, cada vez más empresas están experimentando con el uso de una base de automatización de datos de "red troncal única" para crear aplicaciones de IoE. Esto requiere una plataforma abierta y flexible para crear soluciones de IA, automatización de datos y escalables en tiempo real que puedan manejar la incorporación, normalización y enriquecimiento de datos escalables junto con lógica empresarial, almacenamiento de datos y análisis de decisiones en tiempo real.

Un enfoque de red troncal de datos permite a los desarrolladores centrarse en generar un valor comercial y de usuario único en su solución, en lugar de tratar de anticipar todos los usos de los datos para que encajen en una infraestructura de DBMS más antigua y más rígida.

Las empresas necesitan sistemas que les permitan ingerir datos de sensores a diferentes volúmenes y velocidades, con cualquier tipo o combinación de entradas y salidas. Y deberían tener la capacidad de implementar dichas capacidades en las instalaciones, en la nube, en el perímetro o en una versión híbrida.

Esto resuelve o evita una multitud de problemas, desde datos en silos y escalabilidad limitada hasta los desafíos de crear múltiples aplicaciones sin reinventar la base de datos cada vez. Y proporcionará un camino más rápido hacia la realización de valor.