Resolvendo necessidades em tempo real à medida que os líderes empresariais avançam com ML e IA

Tornar os dados rapidamente acionáveis ​​cria desafios difíceis para a antiga ordem de gerenciamento de dados.

Três novos relatórios do Gartner colocam em foco a crescente urgência para as empresas de criar aplicativos operacionais geradores de valor infundidos com IA e ML – ou o risco de ficar para sempre para trás .

UrgencyBuilder nº 1: Em sua última previsão de valor de negócios de IA, o Gartner diz que o AIaugmentation criará US$ 2,9 trilhões de valor comercial em 2021. Isso em apenas um ano.

UrgencyBuilder nº 2: O estudo AI and ML DevelopmentStrategy do Gartner descobriu que as principais organizações esperam aumentar massivamente seus projetos de IA/ML – de uma média de quatro este ano para 35 até 2022.

UrgencyBuilder nº 3: Em seu relatório “Predicts 2019:Data &Analytics Strategy”, o Gartner diz:“O gerenciamento eficaz de dados é mais crítico do que nunca. Enquanto algumas empresas assumiram o controle de seus dados e os transformaram em uma arma para garantir o domínio do mercado, muitas outras estão lutando com um problema que está colocando o freio na coordenação da inteligência:silos .”

Veja também: Como acelerar a implantação de IA para obter benefícios de CI mais rapidamente

As “organizações líderes” do Gartner são as que estão à frente na corrida para obter ações desses US$ 2,9 trilhões em valor comercial que fluirão de iniciativas de IA, ML e IoE em torno de suporte a decisões, automação de decisões em tempo real e inteligência aumentada por IA, entre outros.

O que está retendo as empresas?

Os dados em silos não são a única coisa que prejudica os esforços para criar aplicativos de IoE e implantar projetos de ML e IA. Sistemas legados inflexíveis e inadequados para lidar com dados de séries temporais associados à IoT e tempo real operações também podem confundir.

Onde está seu classificação da organização na corrida para realizar valor? Como está você ajudando a facilitar o caminho para a implantação de projetos de IA ou ML e aplicativos de IoE? Se você for como muitas empresas, seus esforços estão enfrentando vários desafios importantes, começando com dados em silos.

A incapacidade de reunir dados de fontes diferentes e renderizar uma visão holística é o principal motivo pelo qual algumas empresas estão lutando para acompanhar, mesmo antes de considerar seus requisitos de aplicativos de Internet de Todas as Coisas (IoE).

Durante anos, eles se comprometeram com silos de dados forçados a eles por gerações de aplicativos SaaS e de nuvem corporativa específicos do setor e de função restrita. Mas agora eles estão atingindo os limites analíticos de dados segregados e descobrindo que não podem analisar ou agir de forma holística em seus dados como existem ou implantá-los facilmente em aplicativos de geração mais recente.

Transformando os dados no centro de gravidade

Para ter sucesso, todos os esforços de ML e IA devem ser fundamentados em dados. Primeiro, visualizamos todos os requisitos de automação de processos por meio de uma lente de dados. É o centro de gravidade de tudo o que fazemos, todos os processos que automatizamos e todas as decisões ou ações em tempo real que viabilizamos.

Embora sejamos otimizados primeiro para dados de séries temporais gerados por sensores, realmente não importa que tipo de dados são, de que fonte eles vêm ou em que volume ou velocidade – os dados são nossa causa raiz. Construir a base de automação de dados para aplicativos agnósticos de dados permite o progresso da unificação de dados que elimina os silos no mundo fragmentado do SaaS corporativo.

Pensamos nisso como um omnidata abordagem – algo sobre o qual você ouvirá mais, pois os requisitos de gerenciamento de dados para redes de sensores permitem benefícios omnidata em outras partes da empresa.

As abordagens de mercado predominantes raramente seguem esse decreto. Fale com uma empresa típica de IoT, por exemplo, e eles não terão uma boa história sobre como trazem pessoas na equação. Eles são tudo sobre as coisas. Da mesma forma, provedores de serviços de dados de localização e gerenciamento de força de trabalho contam uma boa história sobre rastreamento de pessoas e trabalhadores, mas têm pouca credibilidade para integrar coisas .

Essa é uma razão pela qual a IoE está muito mais presente em nossas comunicações do que a IoT. A maioria dos problemas operacionais da empresa envolve pessoas e coisas em igual medida. Do ponto de vista dos dados, não há orbias de diferença.

O pedido de gerenciamento de dados antigos foi encerrado

A operacionalização de dados está criando novos desafios para a antiga ordem de gerenciamento de dados. Quer saibam ou não, as empresas estão entrando em um mundo “post database management system (DBMS)”. Eles estão achando cada vez mais difícil – se não impossível – encaixar casos de uso de dados em movimento em uma infraestrutura de DBMS rígida e legada.

Os requisitos de dados para aplicativos de software mudaram drasticamente. Tanto os usuários quanto as máquinas estão criando mais dados para direcionar a lógica de negócios usando técnicas como análise de dados em tempo real e aprendizado de máquina.

Tradicionalmente, todos os dados de um aplicativo eram armazenados em bancos de dados relacionais centralizados ou centrados no escritório. Mas isso não é dimensionado para a explosão de dados de séries temporais orientada por sensores, da qual dependem as operações e a inteligência em tempo real.

Para construir soluções verdadeiramente orientadas a dados, os encargos de engenharia e manutenção foram irreversivelmente complicados. Passamos de um punhado de subsistemas para dezenas de subsistemas que exigem a experiência de equipes de engenharia de big data mais caras.

Compreendendo os casos de uso

Simplesmente imaginar e entender os casos de uso relacionados a IoE, ML e IA é outro grande desafio que impede as empresas.

Cerca de 42% dos entrevistados da pesquisa de desenvolvimento de IA/ML do Gartner nomearam a identificação de casos de uso como seu segundo maior desafio (depois da falta de habilidades). Vemos isso, uma e outra vez.

Outros desafios importantes incluem escalabilidade, juntamente com sistemas legados inflexíveis que não podem lidar com dados de séries temporais ou grandes volumes de dados de alta velocidade de fontes diferentes.

OneBackbone para governar tudo

Dada essa série de desafios, mais e mais empresas estão experimentando o uso de uma base de automação de dados de “backbone único” para criar aplicativos de IoE. Isso requer uma plataforma aberta e flexível para criar soluções de automação de dados e IA em tempo real, escaláveis, que possam lidar com ingestão, normalização e enriquecimento de dados escaláveis, juntamente com lógica de negócios, armazenamento de dados e análise de decisão em tempo real.

Uma abordagem de backbone de dados permite que os desenvolvedores se concentrem na criação de valor exclusivo para o negócio e para o usuário em sua solução, em vez de tentar antecipar todos os usos dos dados para se adequarem à infraestrutura DBMS mais antiga e mais rígida.

As empresas precisam de sistemas que permitam a ingestão de dados de sensores em volumes e velocidades variados, com qualquer tipo ou combinação de entradas e saídas. E eles devem ter a capacidade de implantar esses recursos no local, na nuvem, no Edge ou em uma versão híbrida.

Isso resolve ou evita uma infinidade de problemas, desde dados em silos e escalabilidade limitada até os desafios de criar vários aplicativos sem reinventar a base de dados a cada vez. E fornecerá um caminho mais rápido para a realização de valor.