Acelerando el Éxito Empresarial: IA y ML Resuelven Desafíos de Datos en Tiempo Real

Hacer que los datos sean rápidamente accionables crea desafíos difíciles para el viejo orden de gestión de datos.

Tres nuevos informes de Gartner ponen en foco agudo la urgencia creciente para las empresas de construir aplicaciones operativas generadoras de valor infundidas con IA y ML — o arriesgarse a quedarse para siempre atrás.

Generador de Urgencia #1: En su último pronóstico de valor de negocio de IA, Gartner dice que la aumentación de IA creará $2.9 billones de valor de negocio en 2021. Eso es en solo un año.

Generador de Urgencia #2: El estudio de Estrategia de Desarrollo de IA y ML de Gartner encuentra que las organizaciones líderes esperan aumentar masivamente sus proyectos de IA/ML — de una media de cuatro este año a 35 para 2022.

Generador de Urgencia #3: En su informe "Predicciones 2019: Estrategia de Datos y Analítica", Gartner dice, "La gestión efectiva de datos es más crítica que nunca. Mientras algunas empresas han tomado control de sus datos y los han convertido en un arma para asegurar dominancia de mercado, muchas otras están luchando con un problema que está poniendo frenos a la coordinación de inteligencia: silos."

Ver también: Cómo Acelerar el Despliegue de IA para Lograr Beneficios de CI Más Rápido

Las "organizaciones líderes" de Gartner son las que van delante en la carrera por capturar partes de esos $2.9 billones en valor de negocio que fluirán de iniciativas de IA, ML e IoE alrededor de soporte a decisiones, automatización de decisiones en tiempo real e inteligencia aumentada por IA, entre otros.

¿Qué Está Frenando a las Empresas?

Los datos en silos no son lo único que socava los esfuerzos para construir aplicaciones IoE y desplegar proyectos de ML e IA. Sistemas heredados inflexibles, inadecuados para manejar datos de series temporales asociados con IoT, y operaciones en tiempo real también pueden confundir.

¿Dónde se clasifica tu organización en la carrera por realizar valor? ¿Cómo estás tú ayudando a allanar el camino para desplegar proyectos de IA o ML y aplicaciones IoE? Si eres como muchas empresas, tus esfuerzos enfrentan varios desafíos clave, comenzando con datos en silos.

La incapacidad de reunir datos de fuentes dispares y render una vista holística es un motor principal de por qué algunas empresas están luchando por mantenerse al día, incluso antes de considerar sus requisitos de aplicación de Internet de Todo (IoE).

Durante años se comprometieron con silos de datos forzados sobre ellos por generaciones de aplicaciones SaaS y cloud empresariales específicas de industria, de función estrecha. Pero ahora están chocando con los límites analíticos de datos segregados y descubriendo que no pueden analizar u actuar holísticamente sobre sus datos como existen o desplegarlos fácilmente a aplicaciones de nueva generación.

Haciendo de los Datos el Centro de Gravedad

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

Aunque estamos optimizados primero para datos de series temporales generados por sensores, realmente no importa qué tipo de datos sean, de qué fuente vengan, o en qué volumen o velocidad — los datos son nuestra causa raíz. Construir la base de automatización de datos para aplicaciones agnósticas de datos permite progreso de unificación de datos rompiendo silos en el mundo fracturado de SaaS empresarial.

Lo pensamos como un enfoque omnidata — algo que oirás más a medida que los requisitos de gestión de datos para redes de sensores permitan beneficios omnidata en otras partes de la empresa.

Los enfoques prevalecientes en el mercado rara vez siguen este edicto. Habla con una empresa típica de IoT, por ejemplo, y no tendrán una buena historia sobre cómo traen personas a la ecuación. Todo se trata de cosas. Similarmente, servicios de datos de ubicación y proveedores de gestión de fuerza laboral hablan una buena historia sobre rastrear personas y trabajadores pero tienen poca credibilidad para integrar cosas.

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

El Viejo Orden de Gestión de Datos Ha Quedado Obsoleto

La operacionalización de datos está creando vastos nuevos desafíos para el viejo orden de gestión de datos. Lo sepan o no, las empresas están entrando en un mundo "post-sistema de gestión de bases de datos (DBMS)". Les resulta cada vez más difícil — si no imposible — encajar casos de uso de datos en movimiento en infraestructura DBMS heredada y rígida.

Los requisitos de datos para aplicaciones de software han cambiado dramáticamente. Tanto usuarios como máquinas están creando más datos para impulsar lógica de negocio usando técnicas como analítica de datos en tiempo real y aprendizaje automático.

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

Para construir verdaderas soluciones impulsadas por datos, las cargas de ingeniería y mantenimiento se han complicado irreversiblemente. Hemos pasado de un puñado de subsistemas a docenas de subsistemas que requieren la experiencia de equipos de ingeniería de big data más costosos.

Entendiendo Casos de Uso

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

Alrededor del 42% de los encuestados a la encuesta de desarrollo de IA/ML de Gartner nombraron 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 escalabilidad, junto con sistemas heredados inflexibles que no pueden lidiar con datos de series temporales o grandes volúmenes de datos de alta velocidad de fuentes dispares.

Una Columna Vertebral para Governarlos a Todos

Dada esta balsa de desafíos, cada vez más empresas están experimentando con usar una "única columna vertebral" de base de automatización de datos para construir aplicaciones IoE. Esto requiere una plataforma abierta y flexible para construir soluciones de automatización de datos, IA y tiempo real escalables que puedan manejar ingestión escalable de datos, normalización y enriquecimiento junto con lógica de negocio en tiempo real, almacenamiento de datos y analítica de decisiones.

Un enfoque de columna vertebral de datos permite a los desarrolladores enfocarse en construir valor único de negocio y usuario en su solución, en lugar de intentar anticipar todos los usos de datos para ajustarse dentro de infraestructura DBMS más antigua y rígida.

Las empresas necesitan sistemas que les permitan ingerir datos de sensores a volúmenes y velocidades variables, con cualquier tipo o combinación de entradas y salidas. Y deberían tener la capacidad de desplegar tales capacidades on-premise, en la nube, en el Edge o una versión híbrida.

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