Inferencia: Desbloqueando el valor total de tus datos para decisiones más inteligentes

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

La transformación digital es toda la rabia, y en la mayoría de casos, el objetivo es tratar datos como un activo. En algunos casos, eso significa monetizar datos, y en otros, el objetivo es aprovechar datos más eficientemente para derivar insight para tomar mejores decisiones. Sin embargo, en la realidad, ambos son difíciles de lograr. La transformación digital demanda insights rápidos de datos cada vez más híbridos, variados y cambiantes, pero las plataformas tradicionales de integración de datos no fueron diseñadas para el entorno actual. Como resultado, las organizaciones ya no pueden mantenerse al día con la complejidad creciente 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 empresas reunir diferentes conjuntos de datos y analizarlos para derivar insights.

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

La agilidad es clave para el éxito empresarial, y las empresas están desesperadas por hacer datos utilizables cuando cuenta, no para respuestas mañana o la próxima semana, sino para ahora mismo.

Pero derivar valor no explotado requiere la capacidad de conectar datos basándose en su significado empresarial, independientemente del formato, fuente o tecnología subyacente. La gran cantidad de datos derivados de machine learning y otras fuentes requieren 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 realizar la promesa de transformación digital. Pero, ¿cómo lograr esto?

De premisas a consecuencias lógicas: Cómo los data fabrics proporcionan inferencia necesaria

Organizaciones hoy están adoptando enfoques modernos de integración como data fabrics para potenciar proyectos y productos colaborativos cross-funcionales y escapar de flujos de trabajo reactivos. Tejiendo juntos datos de silos internos y fuentes externas, crean una red de información para potenciar aplicaciones del negocio, IA y analítica. Muy simplemente, soportan toda la amplitud de la empresa compleja actual creando conexiones entre información almacenada en fuentes dispares.

Los grafos de conocimiento son parte integral de un data fabric efectivo ya que crean una red de información reutilizable, representan datos de varias estructuras y soportan múltiples esquemas. Creando la comprensión semántica de datos empresariales y de terceros, los grafos de conocimiento sirven como núcleo del data fabric —enriqueciendo y acelerando inversiones existentes y proporcionando acceso crítico a insight de negocio. Más importante, los grafos de conocimiento convierten datos en conocimiento real entendible por máquina que soporta cambios situacionales, así el significado altera dependiendo de circunstancias. Una vez establecido, el grafo de conocimiento también usa 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 grafos de conocimiento proporcionan comprensión matizada para que organizaciones impulsadas por conocimiento puedan identificar nuevos descubrimientos. También proporcionan el contexto que a menudo falta en los datos porque el grafo de conocimiento está diseñado a propósito para soportar la naturaleza fluctuante del conocimiento. El resultado es una base más flexible para operaciones digitales ya que la tecnología acepta fácilmente nuevos datos, definiciones y requisitos.

El modelo de datos del grafo de conocimiento, a menudo llamado ontología o vocabulario, establece relaciones comunes entre entidades y permite a empresas describir dominios complejos. Consideren medicina como ejemplo. Para desarrollar una nueva terapia, empresas farmacéuticas deben tener acceso a múltiples hechos, constructos de modelado y reglas de negocio, todos los cuales deben interactuar entre sí para implicar nuevas conexiones. Esta capacidad de inferencia es lo que hace posible para fabricantes vincular personas a infraestructura vía las aplicaciones que usan. También les ayuda a aplicar controles basados en similitud de nuevos incidentes a incidentes pasados y encontrar enlaces inferidos entre investigadores y áreas terapéuticas basados en condiciones investigadas en estudios. Y la lista continúa.

Aplicar múltiples modelos de datos a un data fabric al mismo tiempo permite a organizaciones soportar múltiples aplicaciones que requieren diferentes interpretaciones de los mismos datos. Enfoques tradicionales de integración de datos como data lakes o data warehouses son limitados en esta capacidad, ya que dificultan soportar más de un esquema. Esta es una razón por la que 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.

Habilitando la empresa conectada —componentes adicionales de un data fabric exitoso

Aprovechando capacidades de inferencia del grafo de conocimiento, organizaciones no solo extrapolan nuevas conexiones de datos sino que también explican cualquier nueva conexión que crean. En contraste con sistemas de recomendación de caja negra, que no pueden proporcionar explicación o razonamiento para sus resultados, el grafo de conocimiento puede explicar todas las inferencias y resultados en términos de datos, esquema y reglas de negocio. Esta transparencia explicativa permite a usuarios revisar cómo el grafo de conocimiento llegó a una respuesta y la lógica de negocio referenciada para hacerlo. Esto no solo es crítico para proporcionar resultados confiables y rendición de cuentas dentro de una organización sino también necesario para ciertos requisitos legales y regulatorios.

Mientras un grafo de conocimiento es el ingrediente clave del data fabric, no es lo único que una organización necesita para tener éxito. Un data fabric efectivo requiere aprovechar y conectar sistemas de origen existentes. También requiere la capacidad de conectar a catálogos de datos existentes, data lakes, bases de datos y otras plataformas de gestión de datos. Para despliegues de data fabric, aprovechar trabajo completado en catálogos de datos es clave para acelerar descubrimiento de datos y enriquecimiento semántico. Usando el catálogo de datos como entrada, el grafo de conocimiento construye un mapa de datos de los activos de datos de una empresa que acelera aún más la creación de data fabric mediante aprendizaje parcialmente automatizado y auto-mapeo de fuentes existentes.

Crear un modelo de datos empresarial es otra pregunta común sobre despliegue de data fabric. Muchos piensan que esto es un prerrequisito potencialmente costoso y lento para la iniciativa, pero en realidad solo necesitan definir tantos conceptos como necesiten para su caso de uso inicial. Empiecen identificando un problema de negocio crítico para encabezar la iniciativa de data fabric más amplia. Enfoquen el data fabric con mentalidad MVP y céntrense solo en la cantidad mínima de trabajo necesaria para lograr el primer objetivo de negocio.

Organizaciones de todos los tamaños están poniendo un foco e inversión aún mayor en transformación digital. A pesar de esta atención renovada, desafíos fundamentales de datos siguen siendo un obstáculo primario. La transformación digital requiere maestría de datos y gracias al legado de TI no es algo simple de lograr. Hay simplemente demasiadas cosas que gestionar: formatos de datos, estándares, tipos de datos, velocidades, esquemas, sistemas, bases de datos, silos, metodologías, modelos, etc. La pura diversidad del panorama TI empresarial moderno es abrumadora.

Aprovechando el enfoque moderno de grafos de conocimiento, organizaciones no solo pueden conectar sus silos internos de datos de una manera significativa nueva, sino que también pueden descubrir hechos y relaciones ocultas a través de inferencias que de otro modo serían incapaces de detectar a gran escala. Capturando el significado matizado que diferentes unidades de negocio pueden tener para la misma entidad, organizaciones pueden crear una base digital reutilizable que mantenga el ritmo con cambios continuos en el mercado y estén preparadas para lo que venga después.