So beginnen Sie mit der Integration von maschinellem Lernen in den Unternehmensbereich

Die Welt hat die industrielle Revolution längst hinter sich, und jetzt erleben wir eine Ära der digitalen Revolution. Maschinelles Lernen, künstliche Intelligenz und Big-Data-Analyse sind die Realität der heutigen Welt.

Vor kurzem hatte ich die Gelegenheit, mit Ciaran Dynes, Senior Vice President of Products bei Talend, und Justin Mullen, Managing Director bei Datalytyx, zu sprechen. Talend ist ein Anbieter von Softwareintegration, der Big-Data-Lösungen für Unternehmen bereitstellt, und Datalytyx ist ein führender Anbieter von Big-Data-Engineering, Datenanalyse und Cloud-Lösungen, die eine schnellere, effektivere und profitablere Entscheidungsfindung im gesamten Unternehmen ermöglichen.

Die Entwicklung von Big-Data-Operationen

Um mehr über die Entwicklung von Big-Data-Operationen zu erfahren, fragte ich Justin Mullen nach den Herausforderungen, denen sein Unternehmen vor fünf Jahren gegenüberstand und warum es nach modernen Integrationsplattformen suchte. Er antwortete:„Wir standen vor ähnlichen Herausforderungen wie unsere Kunden. Vor Big Data Analytics war es das, was ich nenne

Er antwortete:„Wir standen vor ähnlichen Herausforderungen wie unsere Kunden. Vor der Big-Data-Analyse war es das, was ich „Schwierige Datenanalyse“ nenne. Es gab eine Menge manueller Aggregation und Verarbeitung von Daten aus größtenteils On-Premise-Systemen. Und dann war die größte Herausforderung, der wir wahrscheinlich gegenüberstanden, die Daten zu zentralisieren und ihnen zu vertrauen, bevor die verschiedenen verfügbaren Analysealgorithmen angewendet wurden, um die Rohdaten zu analysieren und die Ergebnisse auf sinnvolle Weise für das Unternehmen verständlich zu visualisieren.“

Er fügte hinzu:„Unsere Kunden wollten diese Analyse nicht nur einmal, sondern sie wollten auch über Monate und Jahre hinweg die Aktualisierungen der KPI-Leistung kontinuierlich aktualisieren. Mit manuellen Data-Engineering-Praktiken war es für uns sehr schwierig, die Anforderungen unserer Kunden zu erfüllen, und da entschieden wir, dass wir eine robuste und vertrauenswürdige Datenmanagement-Plattform benötigen, die diese Herausforderungen löst.“

Das Aufkommen der Datenwissenschaft

Die meisten Ökonomen und Sozialwissenschaftler sind besorgt über die Automatisierung, die die Fertigungs- und kommerziellen Prozesse übernimmt. Wenn Digitalisierung und Automatisierung im gleichen Tempo weiter wachsen wie derzeit, besteht eine hohe Wahrscheinlichkeit, dass Maschinen den Menschen in der Belegschaft teilweise ersetzen. Wir sehen heute einige Beispiele für die Phänomene in unserer Welt, aber es wird vorhergesagt, dass sie in Zukunft viel stärker auftreten werden.

Dynes sagt jedoch:„Datenwissenschaftler bieten Lösungen für komplizierte und komplexe Probleme, mit denen verschiedene Sektoren heute konfrontiert sind. Sie nutzen nützliche Informationen aus der Datenanalyse, um Dinge zu verstehen und zu beheben. Data Science ist ein Input und der Output erfolgt in Form von Automatisierung. Maschinen automatisieren, aber Menschen liefern den notwendigen Input, um den gewünschten Output zu erzielen.“

Dies schafft ein Gleichgewicht in der Nachfrage nach Human- und Machine-Services. Automatisierung und Data Science laufen parallel. Ein Prozess ist ohne den anderen unvollständig. Rohdaten sind nichts wert, wenn sie nicht manipuliert werden können, um aussagekräftige Ergebnisse zu erzielen, und ebenso kann maschinelles Lernen ohne ausreichende und relevante Daten nicht stattfinden.

Big Data in Geschäftsmodelle einbinden

Dynes sagt:„Unternehmen erkennen die Bedeutung von Daten und integrieren Big Data- und Machine Learning-Lösungen in ihre Geschäftsmodelle.“ Er fügt hinzu:„Wir sehen überall um uns herum Automatisierung. Es ist im E-Commerce- und Fertigungssektor offensichtlich und hat umfangreiche Anwendungen im mobilen Banking und Finanzwesen.“

Als ich ihn nach seiner Meinung zum Wandel der Nachfrage nach maschinellen Lernprozessen und Plattformen fragte, fügte er hinzu:„Die Nachfrage war schon immer da. Die Datenanalyse war vor fünf Jahren genauso nützlich wie heute. Der einzige Unterschied besteht darin, dass vor fünf Jahren ein Unternehmermonopol bestand und die Daten heimlich gespeichert wurden. Wer auch immer die Daten hatte, hatte die Macht, und es gab nur wenige prominente Marktteilnehmer, die Zugang zu Daten hatten.“

Justin hat mit verschiedenen Unternehmen zusammengearbeitet. Einige seiner bekanntesten Kunden waren Calor Gas, Jaeger und Wejo. Als er über die Herausforderungen sprach, mit denen Unternehmen vor der Implementierung von Advanced Analytics oder Machine Learning konfrontiert waren, sagte er:„Die größten Herausforderungen, mit denen die meisten meiner Kunden konfrontiert sind, waren die Ansammlung der wesentlichen Daten an einem Ort, damit die komplexen Algorithmen gleichzeitig ausgeführt werden können, die Ergebnisse jedoch können“ zur besseren Analyse an einem Ort angezeigt werden. Die Datenleitungen und Datenpipelines waren von entscheidender Bedeutung, damit Dateneinblicke kontinuierlich und nicht einmalig werden.“

Die Gründe für die rasante Digitalisierung

Dynes sagt:„Wir erleben eine rasante Digitalisierung aus zwei Hauptgründen. Die Technologie hat sich in den letzten Jahren exponentiell weiterentwickelt und zweitens hat sich die Unternehmenskultur massiv weiterentwickelt.“ Er fügt hinzu:„Mit dem Aufkommen von Open-Source-Technologien und Cloud-Plattformen sind Daten jetzt leichter zugänglich. Mehr Menschen haben jetzt Zugang zu Informationen und sie nutzen diese Informationen zu ihrem Vorteil.“

Zusätzlich zu den Fortschritten und Entwicklungen in der Technologie „ist auch die neue Generation, die in die Belegschaft eintritt, technologieabhängig. Sie verlassen sich bei ihren alltäglichen Aufgaben stark auf die Technologie. Sie sind offener für eine transparente Kommunikation. Daher ist es einfacher, Daten von dieser Generation zu sammeln, da sie bereit sind, über ihre Meinungen und Vorlieben zu sprechen. Sie sind bereit, unmögliche Fragen zu stellen und zu beantworten“, sagt Dynes.

In Bezug auf die Herausforderungen, denen sich Unternehmen bei der Entscheidung für Big-Data-Analyselösungen gegenübersehen, fügt Mullen hinzu:„Die Industrie steht derzeit vor zwei Herausforderungen beim Einsatz von maschinellem Lernen. Die erste Herausforderung, mit der sie konfrontiert sind, betrifft die Datensammlung, Datenaufnahme, Datenpflege (Qualität) und dann die Datenaggregation. Die zweite Herausforderung besteht darin, den Mangel an menschlichen Fähigkeiten in den Bereichen Data Engineering, Advanced Analytics und Machine Learning zu bekämpfen.“

Dynes sagt:„Du musst eine neue Welt in die alte Welt integrieren. Die alte Welt stützte sich stark auf die Datensammlung, während sich die neue Welt hauptsächlich auf die Datenlösungen konzentriert. Heutzutage gibt es in der Branche nur begrenzte Lösungen, die beide Anforderungen gleichzeitig erfüllen.“

Er schließt mit den Worten:„Die Bedeutung von Data Engineering darf nicht vernachlässigt werden, und maschinelles Lernen ist wie die Büchse der Pandora. Seine Anwendungen sind in vielen Branchen weit verbreitet, und sobald Sie sich als Qualitätsanbieter etabliert haben, werden Unternehmen für Ihre Dienstleistungen zu Ihnen kommen. Das ist gut so.“

Folgen Sie Ciaran Dynes, Justin Mullen und Ronald van Loon auf Twitter und LinkedIn, um weitere interessante Updates zu Big-Data-Lösungen und maschinellem Lernen zu erhalten.