Por que a inferência é a chave para realizar todo o potencial dos dados

Aproveitando os recursos de inferência de um gráfico de conhecimento, as organizações podem extrapolar novas conexões de dados e explicar qualquer nova conexão que criem.

A transformação digital está na moda e, na maioria dos casos, o objetivo da transformação digital é tratar os dados como um ativo. Em alguns casos, isso significa monetizar dados e, em outros, o objetivo é aproveitar os dados com mais eficiência para obter insights para tomar melhores decisões. No entanto, na realidade, ambos são difíceis de alcançar. A transformação digital exige insights rápidos de dados cada vez mais híbridos, variados e em mudança, mas as plataformas tradicionais de integração de dados não foram projetadas para o ambiente atual. Como resultado, as organizações não podem mais acompanhar a crescente complexidade dos dados, nem podem identificar relacionamentos e conexões ocultas entre os dados para descobrir novas oportunidades. Cada vez mais, o que é necessário é um recurso de inferência que permita às empresas reunir diferentes conjuntos de dados e analisá-los para obter insights.

Impulsionar o crescimento e a inovação no mundo complexo de captura de dados sem fim de hoje só é possível quando as equipes de TI podem se libertar de estruturas de dados rígidas e estilos de integração desatualizados.

A agilidade é a chave para o sucesso dos negócios, e as empresas estão desesperadas para tornar os dados utilizáveis ​​quando necessário, não para obter respostas amanhã ou na próxima semana, mas agora.

Mas derivar valor inexplorado requer a capacidade de conectar dados com base em seu significado comercial, independentemente do formato, fonte ou tecnologia subjacente. A enorme quantidade de dados derivados do aprendizado de máquina e de outras fontes exige a capacidade de associar informações relacionadas armazenadas em fontes diferentes e, em seguida, aplicar uma rica rede de relacionamentos para descobrir novas associações. Isso é fundamental para concretizar a promessa da transformação digital. Mas como se faz para conseguir isso?

Passando das premissas para as consequências lógicas:como os datafabrics fornecem a inferência necessária

As organizações hoje estão adotando abordagens modernas de integração, como malhas de dados, para impulsionar projetos e produtos colaborativos e multifuncionais e escapar de fluxos de trabalho reativos. Combinando dados de silos internos e fontes externas, eles criam uma rede de informações para alimentar os aplicativos de negócios, Al e análises. De forma simples, eles suportam toda a amplitude da empresa complexa de hoje, criando conexões entre informações armazenadas em fontes diferentes.

Os gráficos de conhecimento são parte integrante de uma malha de dados eficaz, pois criam uma rede reutilizável de informações, representam dados de várias estruturas e suportam vários esquemas. Criando a compreensão semântica de dados corporativos e de terceiros, os gráficos de conhecimento servem como o núcleo da malha de dados – enriquecendo e acelerando os investimentos existentes e fornecendo acesso crítico a insights de negócios. Mais importante, os gráficos de conhecimento transformam os dados em conhecimento do mundo real, compreensível por máquina, que suporta mudanças situacionais, de modo que o significado muda dependendo das circunstâncias. Uma vez estabelecido, o gráfico de conhecimento também usa essa rica rede de relacionamentos para descobrir novas associações dentro dos dados. Esses relacionamentos inferidos criam uma visão mais rica e precisa dos dados de uma empresa.

Ao fornecer associações em camadas entre os conceitos, os gráficos de conhecimento fornecem uma compreensão diferenciada para que as organizações orientadas ao conhecimento possam identificar novas descobertas. Eles também fornecem o contexto que geralmente está ausente dos dados porque o gráfico de conhecimento é construído especificamente para dar suporte à natureza flutuante do conhecimento. O resultado é uma base mais flexível para operações digitais, pois a tecnologia aceita facilmente novos dados, definições e requisitos.

O modelo de dados do gráfico de conhecimento, muitas vezes chamado de ontologia ou vocabulário, estabelece relacionamentos comuns entre entidades e permite que as empresas descrevam domínios complexos. Considere a medicina como um exemplo. Para desenvolver uma nova terapia, as empresas farmacêuticas devem ter acesso a vários fatos, construções de modelagem e regras de negócios, os quais devem interagir entre si para implicar novas conexões. Essa capacidade de inferência é o que possibilita aos fabricantes vincular as pessoas à infraestrutura por meio dos aplicativos que eles usam. nos estudos. E a lista continua.

A aplicação de vários modelos de dados a uma malha de dados ao mesmo tempo permite que as organizações ofereçam suporte a vários aplicativos que exigem diferentes interpretações dos mesmos dados. As abordagens tradicionais de integração de dados, como data lakes ou data warehouses, são limitadas nessa capacidade, pois dificultam o suporte a mais de um esquema. Essa é uma das razões pelas quais as empresas precisam criar continuamente novos silos de dados para cada novo aplicativo, projeto ou análise. Essa abordagem reduz a capacidade de realizar análises de inferência.

Ativando os componentes corporativos adicionais conectados de uma malha de dados bem-sucedida

Aproveitando os recursos de inferência do gráfico de conhecimento, as organizações não apenas extrapolam novas conexões de dados, mas também explicam qualquer nova conexão criada. Ao contrário dos sistemas de recomendação de caixa preta, que não podem fornecer nenhuma explicação ou justificativa para seus resultados, o gráfico de conhecimento pode explicar todas as inferências e resultados em termos de dados, esquema e regras de negócios. Essa transparência explicativa permite que os usuários revisem como o gráfico de conhecimento chegou a uma resposta e a lógica de negócios referenciada para isso. Isso não é apenas crítico para fornecer resultados confiáveis ​​e responsabilidade dentro de uma organização, mas também é necessário para certos requisitos legais e regulatórios.

Embora o gráfico de reconhecimento seja o principal ingrediente da malha de dados, não é a única coisa que uma organização precisa para ser bem-sucedida. Uma malha de dados eficaz requer alavancagem e conexão de sistemas de origem existentes. Também requer a capacidade de se conectar a catálogos de dados, data lakes, bancos de dados e outras plataformas de gerenciamento de dados existentes. Para implantações de malha de dados, aproveitar o trabalho concluído em catálogos de dados é fundamental para acelerar a descoberta de dados e o enriquecimento semântico. -mapeamento de fontes existentes.

A criação de um modelo de dados para toda a empresa é outra pergunta comum sobre a implantação de uma malha de dados. Muitos pensam que este é um pré-requisito potencialmente caro e demorado para a iniciativa, mas, na realidade, eles só precisam definir quantos conceitos forem necessários para seu caso de uso inicial. Comece identificando um problema crítico de negócios para liderar a iniciativa de malha de dados mais ampla. Aborde a malha de dados com uma mentalidade de MVP e concentre-se apenas na quantidade mínima de trabalho necessária para atingir o primeiro objetivo de negócios.

Organizações de todos os tamanhos estão colocando um foco e investimentos ainda maiores na transformação digital. Apesar dessa atenção renovada, os desafios fundamentais de dados continuam sendo um obstáculo primário. A transformação digital exige domínio de dados e graças ao legado de TI não é algo simples de se conseguir. Há muitas coisas para gerenciar:formatos de dados, padrões, tipos de dados, velocidades, esquemas, sistemas, bancos de dados, silos, metodologias, modelos, etc. A grande diversidade do cenário de TI empresarial moderno é assustadora.

Aproveitando a abordagem moderna dos gráficos de conhecimento, as organizações podem não apenas conectar seus silos de dados internos de uma maneira nova e significativa, mas também descobrir fatos e relacionamentos ocultos por meio de inferências que, de outra forma, seriam incapazes de capturar em grande escala. Ao capturar o significado diferenciado que diferentes unidades de negócios podem ter para a mesma entidade, as organizações podem criar uma base digital reutilizável que mantém espaço com mudanças contínuas no mercado e está preparada para o que vier a seguir.