Lösen von Echtzeitanforderungen, während Unternehmensführer mit ML und KI vorankommen

Daten schnell umsetzbar zu machen, stellt schwierige Herausforderungen für die alte Datenverwaltungsordnung dar.

Drei neue Berichte von Gartner betonen die zunehmende Dringlichkeit für Unternehmen, wertschöpfende operative Anwendungen mit KI und ML zu entwickeln – oder das Risiko, für immer ins Hintertreffen zu geraten .

UrgencyBuilder Nr. 1: In seiner neuesten KI-Geschäftswertprognose sagt Gartner, dass KI-Augmentation $2,9 Billionen schaffen wird des Geschäftswerts im Jahr 2021. Das ist in nur einem Jahr.

UrgencyBuilder Nr. 2: Die AI and ML DevelopmentStrategy-Studie von Gartner stellt fest, dass führende Unternehmen erwarten, ihre KI/ML-Projekte massiv zu steigern – von durchschnittlich vier in diesem Jahr auf 35 bis 2022.

UrgencyBuilder Nr. 3: In seinem Bericht „Predicts 2019:Data &Analytics Strategy“ sagt Gartner:„Ein effektives Datenmanagement ist wichtiger denn je. Während einige Unternehmen die Kontrolle über ihre Daten übernommen und sie in eine Waffe zur Sicherung der Marktbeherrschung verwandelt haben, kämpfen viele andere mit einem Problem, das die Geheimdienstkoordination bremst:Silos .“

Siehe auch: So beschleunigen Sie die KI-Bereitstellung, um schneller CI-Vorteile zu erzielen

Die „führenden Organisationen“ von Gartner sind diejenigen, die im Rennen um Anteile an diesem Geschäftswert von 2,9 Billionen US-Dollar, der unter anderem aus KI-, ML- und IoE-Initiativen rund um Entscheidungsunterstützung, Echtzeit-Entscheidungsautomatisierung und KI-erweiterte Intelligenz fließen wird, ganz vorne mit dabei sind.

Was hält Unternehmen zurück?

Silo-Daten sind nicht das einzige, was die Bemühungen zum Erstellen von IoE-Anwendungen und zum Bereitstellen von ML- und KI-Projekten untergräbt. Unflexible Legacy-Systeme, die nicht geeignet sind, Zeitreihendaten im Zusammenhang mit IoT und Echtzeit zu verarbeiten Operationen können auch verwirren.

Woher kommt Ihre Rang der Organisation im Rennen um Wertrealisierung? Wie geht es dir dabei helfen, den Weg zur Bereitstellung von KI- oder ML-Projekten und IoE-Anwendungen zu ebnen? Wenn Sie wie viele Unternehmen sind, stehen Ihre Bemühungen vor mehreren großen Herausforderungen, beginnend mit isolierten Daten.

Die Unfähigkeit, Daten aus unterschiedlichen Quellen zusammenzuführen und eine ganzheitliche Sicht zu bieten, ist ein Hauptgrund dafür, warum einige Unternehmen Schwierigkeiten haben, Schritt zu halten, noch bevor sie die Anforderungen ihrer Internet of Everything (IoE)-Anwendung berücksichtigen.

Jahrelang haben sie sich Datensilos verschrieben, die ihnen von Generationen branchenspezifischer SaaS- und Enterprise-Cloud-Anwendungen mit eingeschränktem Funktionsumfang aufgezwungen wurden. Aber jetzt stoßen sie an die analytischen Grenzen von segregierten Daten und stellen fest, dass sie ihre Daten nicht ganzheitlich analysieren oder darauf reagieren können, wie sie existieren, oder sie einfach für Anwendungen der neueren Generation bereitstellen können.

Daten zum Gravitationszentrum machen

Um erfolgreich zu sein, müssen alle ML- und KI-Bemühungen auf Daten basieren. Wir betrachten jede Anforderung zur Prozessautomatisierung zuerst durch eine Datenlinse. Es ist der Schwerpunkt für alles, was wir tun, für jeden Prozess, den wir automatisieren, und für jede Echtzeitentscheidung oder -aktion, die wir ermöglichen.

Während wir zunächst für sensorgenerierte Zeitreihendaten optimiert sind, spielt es wirklich keine Rolle, um welche Art von Daten es sich handelt, aus welcher Quelle sie stammen, in welchem ​​​​Volumen oder in welcher Geschwindigkeit – Daten sind unsere Hauptursache. Der Aufbau der Datenautomatisierungsgrundlage für datenunabhängige Anwendungen ermöglicht Fortschritte bei der Datenvereinheitlichung in der zersplitterten Welt von EnterpriseSaaS.

Wir betrachten es als Omnidata Ansatz – etwas, von dem Sie mehr hören werden, wenn Datenmanagementanforderungen für Sensornetzwerke Omnidata-Vorteile an anderer Stelle im Unternehmen ermöglichen.

Vorherrschende Marktansätze folgen diesem Edikt selten. Sprechen Sie zum Beispiel mit einem typischen IoT-Unternehmen, und sie werden keine gute Geschichte darüber haben, wie sie Menschen bringen in die Gleichung. Bei ihnen dreht sich alles um Dinge. In ähnlicher Weise sprechen Standortdatendienste und Workforce-Management-Anbieter eine gute Geschichte über die Verfolgung von Personen und Arbeitern, haben jedoch wenig Glaubwürdigkeit für die Integration von Dingen .

Dies ist einer der Gründe, warum IoE in unserer Kommunikation weitaus präsenter ist als IoT. Die meisten betrieblichen Probleme betreffen Menschen und Dinge gleichermaßen. Aus Datensicht gibt es keinen Unterschied Orbias.

Der OldData-Verwaltungsauftrag ist abgelaufen

Die Datenoperationalisierung stellt die alte Datenverwaltungsordnung vor enorme neue Herausforderungen. Ob sie es wissen oder nicht, Unternehmen treten in eine „Post Database Management System (DBMS)“-Welt ein. Sie finden es zunehmend schwierig – wenn nicht gar unmöglich – Data-in-Motion-Anwendungsfälle in starre, veraltete DBMS-Infrastrukturen zu integrieren.

Die Datenanforderungen für Softwareanwendungen haben sich dramatisch geändert. Sowohl Benutzer als auch Maschinen erstellen mehr Daten, um die Geschäftslogik mithilfe von Techniken wie Echtzeit-Datenanalyse und maschinellem Lernen voranzutreiben.

Traditionell wurden alle Daten einer Anwendung in zentralisierten oder bürozentrierten, relationalen Datenbanken gespeichert. Dies gilt jedoch nicht für die sensorgesteuerte Zeitreihen-Datenexplosion, von der Echtzeitoperationen und -informationen abhängen.

Um echte datengesteuerte Lösungen zu entwickeln, war der Engineering- und Wartungsaufwand unumkehrbar kompliziert. Wir haben uns von einer Handvoll Subsystemen zu Dutzenden von Subsystemen entwickelt, die das Fachwissen teurerer Big-Data-Engineering-Teams erfordern.

Anwendungsfälle verstehen

Die bloße Vorstellung und das Verständnis von IoE-, ML- und KI-bezogenen Anwendungsfällen ist eine weitere große Herausforderung, die Unternehmen zurückhält.

Etwa 42 % der Befragten der Gartner-Umfrage zur Entwicklung von KI/ML nannten die Identifizierung von Anwendungsfällen als ihre zweitgrößte Herausforderung (nach fehlenden Fähigkeiten). Wir sehen das immer wieder.

Weitere wichtige Herausforderungen sind die Skalierbarkeit sowie unflexible Legacy-Systeme, die Zeitreihendaten oder große Mengen an Hochgeschwindigkeitsdaten aus unterschiedlichen Quellen nicht verarbeiten können.

Ein Rückgrat für alle

Angesichts dieser Fülle von Herausforderungen experimentieren immer mehr Unternehmen mit der Verwendung einer „Single Backbone“-Datenautomatisierungsgrundlage für die Erstellung von IoE-Anwendungen. Dies erfordert eine offene, flexible Plattform zum Aufbau von skalierbaren Echtzeit-Datenautomatisierungs- und KI-Lösungen, die skalierbare Datenerfassung, -normalisierung und -anreicherung sowie Echtzeit-Geschäftslogik, Datenspeicherung und Entscheidungsanalysen handhaben können.

Ein Daten-Backbone-Ansatz ermöglicht es Entwicklern, sich darauf zu konzentrieren, einen einzigartigen Geschäfts- und Benutzerwert in ihre Lösung einzubauen, anstatt zu versuchen, alle Verwendungen von Daten vorwegzunehmen, um in eine ältere, starrere DBMS-Infrastruktur zu passen.

Unternehmen benötigen Systeme, die es ihnen ermöglichen, Sensordaten in unterschiedlichen Mengen und Geschwindigkeiten mit jeder Art oder Kombination von Ein- und Ausgängen aufzunehmen. Und sie sollten in der Lage sein, solche Funktionen vor Ort, in der Cloud, am Edge oder in einer Hybridversion bereitzustellen.

Dies löst oder vermeidet eine Vielzahl von Problemen, von isolierten Daten und begrenzter Skalierbarkeit bis hin zu den Herausforderungen, mehrere Anwendungen zu erstellen, ohne die Datengrundlage jedes Mal neu erfinden zu müssen. Und es wird einen schnelleren Weg zur Wertrealisierung bieten.