Inferenz: Den vollen Wert Ihrer Daten für intelligentere Entscheidungen freisetzen

Durch Nutzung der Inferenzfähigkeiten eines Knowledge Graphen können Organisationen neue Datenverbindungen extrapolieren und jede neu geschaffene Verbindung erklären.

Die Herausforderung der Digitalen Transformation

Digitale Transformation ist in aller Munde, und meist ist das Ziel, Daten wie einen Asset zu behandeln. Manchmal bedeutet das Monetarisierung, manchmal effizientere Nutzung für bessere Entscheidungen. Doch in der Realität sind beide schwer zu erreichen. Digitale Transformation verlangt schnelle Insights aus zunehmend hybriden, variablen, sich ändernden Daten, aber traditionelle Datenintegrationsplattformen waren nicht für die heutige Umgebung designed. Resultat: Organisationen können nicht mehr mit wachsender Datenkomplexität Schritt halten, noch versteckte Beziehungen und Verbindungen zwischen Daten identifizieren, um neue Chancen aufzudecken. Zunehmend nötig: Inferenzfähigkeit, die Unternehmen erlaubt, verschiedene Datensätze zusammenzubringen und zu analysieren, um Insights abzuleiten.

Wachstum und Innovation in der komplexen Welt nie endender Datenerfassung sind nur möglich, wenn IT-Teams sich von rigiden Datenstrukturen und veralteten Integrationsstilen befreien.

Agilität ist Schlüssel zum Geschäftserfolg, und Enterprises sind verzweifelt, Daten nutzbar zu machen, wenn es zählt – nicht für Antworten morgen oder nächste Woche, sondern für jetzt.

Aber ungenutzten Wert zu heben, erfordert Fähigkeit, Daten basierend auf ihrer geschäftlichen Bedeutung zu verbinden – unabhängig von Format, Source, zugrundeliegender Tech. Die schiere Menge an Daten aus ML und anderen Quellen erfordert Fähigkeit, verwandte Informationen in disparaten Quellen zu assoziieren und dann ein reiches Netzwerk von Beziehungen anzuwenden, um neue Assoziationen zu entdecken. Das ist der Schlüssel zur Verwirklichung des Digital-Transformation-Versprechens. Aber wie erreicht man das?

Von Prämissen zu logischen Konsequenzen: Wie Data Fabrics nötige Inferenz liefern

Organisationen adoptieren heute moderne Integrationsansätze wie Data Fabrics, um kollaborative, cross-funktionale Projekte und Produkte zu powern und reaktive Workflows zu entkommen. Indem sie Daten aus internen Silos und externen Quellen zusammenweben, schaffen sie ein Netzwerk von Informationen, das Business-Applikationen, KI und Analytics antreibt. Ganz einfach: Sie unterstützen die volle Breite des komplexen Enterprises, indem sie Verbindungen zwischen in disparaten Quellen gespeicherten Informationen schaffen.

Knowledge Graphen sind integraler Teil eines effektiven Data Fabric – sie erstellen ein wiederverwendbares Informationsnetzwerk, repräsentieren Daten verschiedener Strukturen, unterstützen multiple Schemas. Durch Schaffung semantischen Verständnisses von Enterprise- und Third-Party-Daten dienen Knowledge Graphen als Kern des Data Fabric – bereichern und beschleunigen bestehende Investitionen und bieten kritischen Zugang zu Business Insight. Noch wichtiger: Knowledge Graphen wandeln Daten in maschinenverständliches, realweltliches Wissen um, das situative Änderungen unterstützt – Meaning ändert sich je nach Umständen. Einmal etabliert, nutzt der Knowledge Graph dieses reiche Beziehungsnetz, um neue Assoziationen in den Daten zu entdecken. Diese inferierten Beziehungen schaffen einen reicheren, genaueren Blick auf Enterprise-Daten.

Durch gelayerte Assoziationen zwischen Konzepten bieten Knowledge Graphen nuanciertes Verständnis, damit wissensgetriebene Organisationen neue Entdeckungen identifizieren können. Sie liefern auch den Kontext, der oft in Daten fehlt, weil der Knowledge Graph purpose-built ist, die fluktuierende Natur von Wissen zu unterstützen. Resultat: flexiblere Foundation für digitale Operations, da Technologie neue Daten, Definitionen, Anforderungen leicht akzeptiert.

Das Datenmodell des Knowledge Graphen – oft Ontologie oder Vokabular genannt – legt gemeinsame Beziehungen zwischen Entitäten fest und erlaubt Unternehmen, komplexe Domänen zu beschreiben. Beispiel Medizin: Für neue Therapieentwicklung müssen Pharmaunternehmen auf multiple Fakten, Modeling-Konstrukte, Business Rules zugreifen, die alle miteinander interagieren müssen, um neue Verbindungen zu implizieren. Diese Inferenzfähigkeit macht es möglich, Menschen über Applikationen mit Infrastruktur zu verknüpfen. Sie hilft auch, Controls basierend auf Ähnlichkeit neuer Incidents zu vergangenen Incidents anzuwenden und inferierte Links zwischen Investigators und therapeutischen Areas basierend auf untersuchten Bedingungen in Studien zu finden. Die Liste geht weiter.

Anwendung multipler Datenmodelle auf ein Data Fabric gleichzeitig ermöglicht Organisationen, multiple Applikationen zu unterstützen, die unterschiedliche Interpretationen derselben Daten benötigen. Traditionelle Ansätze wie Data Lakes oder Data Warehouses sind limitiert, da sie erschweren, mehr als ein Schema zu unterstützen. Das ist ein Grund, warum Enterprises kontinuierlich neue Datensilos für jede neue Applikation, Projekt, Analyse erstellen müssen. Solch ein Ansatz reduziert Fähigkeit zur Inferenzanalyse.

Connected Enterprise ermöglichen – weitere Komponenten erfolgreichen Data Fabric

Durch Nutzung der Inferenzfähigkeiten eines Knowledge Graphen extrapolieren Organisationen nicht nur neue Datenverbindungen, sondern erklären auch jede neu geschaffene Verbindung. Im Gegensatz zu Black-Box-Empfehlungssystemen, die keine Erklärung oder Rationale für Ergebnisse liefern können, kann der Knowledge Graph alle Inferenzen und Ergebnisse in Terms von Daten, Schema, Business Rules erklären. Diese erklärende Transparenz ermöglicht Usern, zu reviewen, wie der Knowledge Graph zur Antwort kam und welche Business Logic referenziert wurde. Das ist nicht nur kritisch für vertrauenswürdige Ergebnisse und Accountability in der Organisation, sondern auch notwendig für bestimmte rechtliche/regulatorische Anforderungen.

Während Knowledge Graph der Key Ingredient des Data Fabric ist, ist er nicht das Einzige für Erfolg. Effektives Data Fabric erfordert Leveraging und Verbinden bestehender Source-Systeme. Auch Verbindung zu bestehenden Data Catalogs, Data Lakes, Datenbanken, anderen Data-Management-Plattformen. Für Data-Fabric-Deployments ist Leveraging der in Data Catalogs geleisteten Arbeit Key zur Beschleunigung von Data Discovery und semantischer Anreicherung. Data Catalog als Input nutzend, baut der Knowledge Graph eine Data Map der Enterprise-Data-Assets – was Data-Fabric-Erstellung durch partiell automatisiertes Learning und Auto-Mapping bestehender Sources weiter beschleunigt.

Enterprise-weites Datenmodell erstellen ist eine häufige Frage bei Data-Fabric-Deployment. Viele denken, das sei teurer/zeitaufwändiger Prerequisite, aber realiter: Sie müssen nur so viele Konzepte definieren, wie für den initialen Use Case nötig. Starten Sie mit Identifikation eines kritischen Business-Problems, um die breitere Data-Fabric-Initiative zu speerheaden. Gehen Sie mit MVP-Mindset an Data Fabric heran – Fokus nur auf minimalen Aufwand für erstes Business-Ziel.

Organisationen aller Größen legen noch größeren Fokus und Investment auf digitale Transformation. Trotz erneuter Aufmerksamkeit bleiben fundamentale Datenherausforderungen primäres Hindernis. Digitale Transformation erfordert Data Mastery – und dank Legacy-IT ist das keine einfache Sache. Es gibt zu viel zu managen: Datenformate, Standards, Typen, Velocities, Schemas, Systeme, Datenbanken, Silos, Methodologien, Modelle etc. Die schiere Diversität der modernen Enterprise-IT-Landschaft ist einschüchternd.

Durch Nutzung moderner Knowledge-Graph-Ansätze können Organisationen nicht nur interne Datensilos sinnvoll neu verbinden, sondern auch versteckte Fakten und Beziehungen durch Inferenzen entdecken, die sonst im großen Maßstab nicht fassbar wären. Indem sie nuancierte Meaning erfassen, das verschiedene Business Units für dieselbe Entität haben, können Organisationen eine wiederverwendbare digitale Foundation schaffen, die mit fortgesetzten Marktverschiebungen Schritt hält und auf alles vorbereitet ist, was kommt.