Unternehmenserfolg beschleunigen: KI & ML lösen Echtzeit-Datenherausforderungen

Daten schnell actionable zu machen, schafft schwierige Herausforderungen für das alte Data-Management-Regime.

Drei Gartner-Reports: Dringlichkeit für KI/ML-Operationalisierung

Drei neue Gartner-Reports fokussieren steigende Dringlichkeit für Enterprises: Wertgenerierende operative Applikationen mit KI/ML aufbauen – oder riskieren, für immer hinterherzuhinken.

Dringlichkeits-Treiber #1: Gartners KI-Business-Value-Forecast: KI-Augmentation schafft 2,9 Billionen $ Business Value 2021. In nur einem Jahr.

Dringlichkeits-Treiber #2: Gartners KI/ML-Development-Strategy-Study: Führende Orgs erwarten massiven Anstieg KI/ML-Projekte – von Mittelwert 4 dieses Jahr auf 35 bis 2022.

Dringlichkeits-Treiber #3: Gartners „Predicts 2019: Data & Analytics Strategy“: „Effektives Data Management kritischer denn je. Manche kontrollieren Daten, machen zur Waffe für Marktdominanz – viele kämpfen mit Issue, das Intelligence-Koordination bremst: Silos.“

Siehe auch: Wie KI-Deployment beschleunigen für schnellere CI-Vorteile

Gartners „führende Organisationen“: Vorne im Rennen um Anteile an 2,9 Bio. $ Business Value aus KI/ML/IoE-Initiativen (Decision Support, Real-Time Decision Automation, KI-Augmented Intelligence).

Was hält Unternehmen zurück?

Silodierte Daten nicht das Einzige. Inflexible Legacy-Systeme, unfit für Time-Series-Daten (IoT) und Echtzeit-Operationen, verwirren auch.

Wo steht Ihre Org im Wertrealisierungs-Rennen? Wie glätten Sie Weg zu KI/ML-Projekten und IoE-Applikationen? Wie viele: Vor mehreren Key Challenges, beginnend mit silodierten Daten.

Unfähigkeit, Daten aus disparaten Quellen zusammenzuführen für holistische Sicht = Haupttreiber, warum manche nicht mithalten, noch vor IoE-App-Anforderungen.

Jahrelang festgehalten an Datensilos, erzwungen durch Generationen branchenspezifischer, eng-funktionaler SaaS/Enterprise-Cloud-Apps. Jetzt: Analytische Limits segregierter Daten erreicht – können nicht holistisch analysieren/agieren auf Daten as-is oder einfach für Next-Gen-Apps deployen.

Daten als Center of Gravity machen

Erfolg: Alle ML/KI-Bemühungen müssen in Daten geerdet sein. Jede Prozessautomatisierung durch Daten-Linse first. Center of Gravity für alles: Prozesse automatisieren, Echtzeit-Entscheidungen/Aktionen enable.

Optimiert first für Sensor-generierte Time-Series-Daten – aber egal: Datentyp, Quelle, Volumen, Velocity – Data ist Root Cause. Data-Automation-Foundation für data-agnostische Applikationen ermöglicht Silo-Busting Data-Unification in fractured Enterprise-SaaS-Welt.

„Omnidata“-Ansatz – wird man mehr hören, da Data-Management-Anforderungen für Sensor-Netzwerke Omnidata-Vorteile anderswo im Enterprise enable.

Marktgängige Ansätze folgen selten diesem Edikt. Typische IoT-Firma: Keine gute Story, wie sie Menschen in Equation bringen. Alles um Things. Location-Data-Services/Workforce-Management: Gute Story um People/Worker-Tracking, wenig Credibility für Things-Integration.

Deshalb IoE > IoT in unserer Kommunikation. Meiste Enterprise-Operating-Problems involvieren People und Things gleichmaßig. Datenperspektivisch: Kein Difference/Bias.

Altes Data-Management-Order ist out

Data-Operationalisierung schafft gewaltige neue Herausforderungen für altes Data-Management. Enterprises betreten „Post-DBMS-Welt“ – wissen oder nicht. Immer schwieriger – wenn nicht unmöglich –, Data-in-Motion-Use-Cases in rigide Legacy-DBMS-Infrastruktur zu zwängen.

Datenanforderungen für Software-Applikationen haben sich dramatisch geändert. User und Machines erstellen mehr Data für Business Logic via Real-Time-Analytics, ML.

Traditionell: Alle App-Daten in zentralisierten/office-zentrischen Relational DBs. Skaliert nicht für Sensor-getriebene Time-Series-Data-Explosion, worauf Real-Time-Ops/Intelligence dependieren.

Um echte Data-Driven-Lösungen zu bauen: Engineering/Maintenance-Burden irreversibel kompliziert. Von Handvoll Subsystems zu Dutzenden, die Expertise teurer Big-Data-Engineering-Teams brauchen.

Use Cases verstehen

Einfach IoE/ML/KI-Use-Cases envisioning/understanding = weitere große Challenge.

~42 % Gartner KI/ML-Development-Survey-Respondents: Use-Case-Identifikation = zweitgrößte Challenge (nach Skills-Mangel). Sehen wir immer wieder.

Weitere Key Challenges: Skalierbarkeit, inflexible Legacy-Systeme, die Time-Series/High-Velocity-Daten aus disparaten Quellen nicht bewältigen.

Ein Backbone für alles

Angesichts Challenges: Immer mehr Companies experimentieren mit „Single Backbone“ Data-Automation-Foundation für IoE-Apps. Erfordert: Offene, flexible Plattform für Real-Time, Scalable, Data-Automation, KI-Lösungen – scalable Data Ingestion, Normalization, Enrichment + Real-Time Business Logic, Data Storage, Decision Analytics.

Data-Backbone-Ansatz: Developers fokussieren auf einzigartigen Business/User-Value in Solution, statt alle Datennutzungen antizipieren für ältere, rigide DBMS-Infrastruktur.

Enterprises brauchen Systeme: Sensor-Daten bei variierenden Volumen/Velocities ingest, any Type/Combo Inputs/Outputs. Deployment On-Prem, Cloud, Edge, Hybrid.

Löst/vermeidet Vielzahl Probleme: Silodierte Daten, limitierte Skalierbarkeit, Challenges multiple Apps ohne Neu-Erfindung Data-Foundation each time. Schnellerer Pfad zur Wertrealisierung.