Se data for o novo óleo, quem é o seu refinador?

Para equipes corporativas, os dados parecem estar em todos os lugares, esperando para serem desbloqueados para impulsionar seus objetivos de negócios. Nós conversamos recentemente com duas das principais autoridades de IoT da Nokia - Marc Jadoul, diretor de desenvolvimento do IoT Market, Denny Lee, chefe de estratégia de análise - para falar sobre como os dados de sua empresa podem ser o petróleo que os impulsiona.

ReadWrite: Portanto, esta expressão - “Dados são o novo óleo” - é algo que ouvi falar em conferências e levantar algumas vezes. Mas a questão é que o óleo pode ser um combustível e também pode ser um lubrificante, na sua cabeça, com seus clientes, o que isso significa?

Marc Jadoul: A maneira como vejo isso é de um ponto de vista de valor. Se você comparar o preço do barril de petróleo bruto com o preço do barril de combustível de aviação, há uma grande diferença. Os dados, como o petróleo, podem e devem passar por um processo de refinamento semelhante.

Quanto mais refinado, mais valor pode fornecer, porque, como o combustível, oferecerá suporte a aplicações mais sofisticadas. Outra maneira de pensar sobre isso é como uma pirâmide - se você está começando na base da pirâmide, está basicamente coletando dados brutos no nível do sensor. No próximo estágio, você começa a monitorar esses dados e começa a descobrir o que está incluído neles. Provavelmente, você descobrirá algumas anomalias ou tendências e, com base em sua análise, poderá descobrir informações críticas que ajudam a criar valor para a empresa, conduzindo a uma melhor tomada de decisão, a chamada Tomada de Decisão Orientada a Dados (DDDM).

Então, se você fizer essa tomada de decisão em uma espécie de fase de aprendizado com base em análises cognitivas, você não só ajudará a tomar decisões, mas também a prever o comportamento. Uma vez que você pode prever o comportamento, você chegou ao ponto dos dados mais refinados, onde os dados são puros o suficiente para serem transformados em conhecimento a fim de ajudar suas máquinas e aplicativos a tomar decisões autônomas.

O que descrevi é uma cadeia de valor onde os dados fornecem insights e conhecimentos para ajudar as empresas a tomar melhores decisões e, em última análise, automatizar alguns processos e tomadas de decisão. Estou fazendo um paralelo com a indústria do petróleo, não como uma metáfora para a função do lubrificante ( risos ), mas em comparação com o processo de refinamento. Quanto mais você o refina, mais ele se torna útil e mais valor você recupera.

Denny Lee: Quando as pessoas usam a nova frase do petróleo, sempre penso na década de 1970 - quando você controla o petróleo, você controla a economia. Acho que quando se diz “os dados são o novo petróleo” está enraizado nesta semelhança. Dados são o novo petróleo também significa que, se você for capaz de assumir esse controle, poderá comandar melhor a economia e seu setor.

Quando ouço esse termo, também remeto à ideia de que "os dados são a moeda". Os dados são bastante crus em sua forma e as pessoas costumam usar esse termo de maneira bastante vaga. Alguns podem pensar que dados, insights e inteligência se referem à mesma coisa. Mas, na verdade, fazemos uma grande distinção entre eles. Em última análise, defendemos que os dados são o ingrediente principal e queremos processar dados que conduzam a percepções. Insights e inteligência são o que a empresa precisa. Tenho certeza de que falaremos mais tarde sobre como utilizar essa inteligência para fins de negócios acionáveis.

RW: Então, quando você se senta com um cliente para discutir como fazê-lo imaginar uma inovação baseada em dados dentro de sua organização, qual é a primeira coisa que ele precisa saber, a primeira coisa que ele deve perguntar?

MJ: Acho que a primeira coisa que eles precisam fazer é entender seu próprio negócio e quais são os desafios e problemas que desejam resolver. Em vez do contrário, procuram encontrar um problema para a sua solução. Citando Simon Sinek, deve-se começar com o "por quê?" em vez do "como?" ou o "o quê?" pergunta.

DL: O resultado do negócio é definitivamente uma coisa, mas antes disso você tem que fazer a pergunta com quem está falando na organização. Cada um terá um limite organizacional ou domínio de responsabilidade diferente, o que conduzirá a um conjunto diferente de perguntas.

Por exemplo, se você está falando com um CEO, sua caixa de areia é enorme. Por outro lado, você pode estar conversando com uma parte isolada da organização onde seu próprio universo é muito definido. Em seguida, você precisa entender o contexto de negócios e o resultado comercial desejado. Em seguida, retroceda e diga “ok, que tipo de dados você realmente tem?”; e você tenta conectar o problema a uma solução. Obviamente, quando falamos sobre o contexto analítico, trata-se de processar os dados até o ponto em que possam direcionar seus resultados de negócios.

Então, eventualmente, devemos falar sobre cruzar os limites da organização. Este é um ponto muito importante que não devemos perder. Às vezes, as pepitas de inteligência surgem apenas com a quebra das barreiras entre as organizações.

RW: Em termos do CEO, você disse que tem uma área restrita maior para trabalhar, mas quando converso com outras pessoas que estão tentando implementar uma solução baseada em dados de algum tipo em torno da IoT, a ideia de quem é o campeão dentro uma organização geralmente está no centro de quem realmente sabe que os desafios estão dentro da organização, há algo que você possa dizer sobre como seria um campeão organizacional típico e como orientar essas metas em toda a organização?

DL: Bem, no contexto da IoT, a organização geralmente pode ser dividida em dois domínios. O lado da Tecnologia de Operações (OT) e o lado da Tecnologia da Informação (TI). No lado da OT, sua solução pode ser direcionada à pessoa que controla a infraestrutura de sua empresa. Dependendo da pessoa com quem você está falando dentro desse grupo, elas terão necessidades diferentes.

Vamos pegar o cliente que está focado na manutenção preditiva como exemplo. Nesse caso, ele pode ter orçamento apenas para se concentrar na manutenção e usar big data e aprendizado de máquina para dar suporte ao ciclo de manutenção e minimizar as interrupções da máquina. Este é um caso de uso muito restrito com um objetivo específico. Mas se você conversar com seu gerente, o escopo e o contexto do problema que eles estão tentando resolver são muito mais amplos e podem ultrapassar os limites da organização

MJ: Eu realmente gostaria de complementar essa visão com um olhar para uma parte diferente da organização. Além dos líderes que precisam da análise para tomar boas decisões, vejo a importância do papel do analista de dados emergindo em várias organizações. Esses especialistas sabem como lidar com os dados - ou usando a metáfora que usamos antes:controlar o processo de refinamento. Estamos falando aqui sobre um conjunto de habilidades diferente daquele que o pessoal de TI tradicional possui. Minha formação acadêmica é ciência da computação e, há 20 anos, a base do ensino da ciência da computação era matemática. Quando examinei o currículo 5-10 anos depois, a ênfase mudou para algoritmos e linguagens de programação. Hoje, meu filho está fazendo seu PhD em IA e, acredite, esses alunos devem ter um conhecimento muito sólido de matemática e estatística novamente. E não vamos esquecer que - como os cientistas de dados precisam apoiar as decisões de negócios das empresas - eles também devem ter um bom nível de conhecimento de domínio e visão de negócios.

RW: Então é um círculo completo?

MJ: Com a maioria dos problemas complexos, onde você não pode simplesmente usar dados brutos do computador e processamento de números para fazer algo com os dados. Você realmente precisa do conhecimento do domínio para saber o que é significativo e o que não é. E essas são as pessoas que estão fazendo isso acontecer nas organizações, pois desempenham um papel de apoio aos tomadores de decisão internos, conforme Denny descreveu.





RW: Vemos muitas soluções de IoT lançadas em torno da enorme quantidade de dados que você tem ou poderia analisar. Então, até certo ponto, se você tem esse conhecimento de dados internamente, isso é ótimo, mas se não tiver, há o risco de sobrecarregar um cliente e oferecer muitas opções de dados, será que ele realmente precisa desse talento internamente?

MJ: Depende do tipo de solução que você deseja construir, é claro. E onde você pode filtrar e definir limites em alguns dos dados, por exemplo, se você tiver um sensor de temperatura em uma instalação de refrigeração, os únicos dados que você realmente deseja obter são as exceções ou anomalias, porque se tudo estiver normal lá não é necessário ficar sobrecarregado por grandes volumes de dados normais. Portanto, o que é importante é que você faça uma coleta de dados inteligente e tente filtrar, pré-analisar e processar os números o mais cedo possível. Para iniciar o processo de refinamento o mais próximo possível do dispositivo onde os dados são gerados.

DL: Deixe-me compartilhar com você uma visão de nosso pensamento. Isso também se aplica à IoT. Em suma, a maneira como olhamos para a inteligência de dados é semelhante a um cérebro humano. Na verdade, estamos conduzindo uma noção de pilha de inteligência. Se você pensar nisso em termos de seu próprio cérebro, há coisas que têm tempo de resposta mais rápido e são mais autônomas. Nesta camada, você está processando os dados do ambiente, mas com um escopo estreito. Agora vamos desenhar a semelhança com a IoT. As coisas estão acontecendo por conta própria e quando precisa de alguns ajustes de feedback, está tomando uma decisão autônoma e local.

Na próxima camada, pode haver uma ação de tempo de resposta moderado e é um tanto autônomo. E então há a camada superior que chamamos de inteligência aumentada. Serve para ajudar o humano; porque na camada superior ainda é o administrador humano - o executivo humano que faz mudanças de política de longo prazo. E essa camada aumentada é a camada superior do software, onde revela insights ocultos para o ser humano fazer ajustes melhores, diferentes e de longo prazo.

Então, se você pensar nessas diferentes camadas como parte de uma pilha, mesmo se você pensar sobre isso em um contexto de IoT, digamos em um nível de fábrica:quanto mais perto você está do fundo, estamos falando em termos de robótica, onde as coisas são automáticas . E conforme você sobe, é mais humano; e o software desempenha um papel mais importante em termos de descoberta de insights para que o ser humano faça julgamentos melhores.

MJ: O interessante é que isso também se reflete no nível de infraestrutura. Provavelmente você já ouviu falar em nuvem de borda ou computação de borda de multiacesso ou MEC, onde na verdade fará parte do processamento de dados o mais próximo possível da fonte. E é por dois motivos:primeiro, você deseja reduzir a latência na rede e reduzir o tempo de resposta para a tomada de decisões. Em segundo lugar, você não quer trombone todas essas enormes quantidades de dados através do núcleo de sua nuvem. Você só deseja que seus usuários e tomadores de decisão lidem com as coisas realmente úteis. Quando preciso explicar a computação de ponta, às vezes a descrevo como CDN reverso (rede de distribuição de conteúdo).

Dê uma olhada no que fizemos anos atrás, quando o vídeo sob demanda e a transmissão ao vivo se tornaram populares. De repente, fomos confrontados com o problema de não termos largura de banda suficiente para atender a cada usuário com um fluxo individual e com uma possível latência. Portanto, colocamos os servidores de cache mais próximos do usuário final, no qual colocaríamos o conteúdo mais popular e poderíamos fazer alguma navegação e processamento de conteúdo local, como avanço e retrocesso rápido e adaptação de conteúdo. Portanto, isso era armazenamento downstream e otimização de recursos de computação. E hoje temos vários jogadores na internet, por exemplo Akamai, que estão ganhando um bom dinheiro com esses serviços de cache e otimização.

Agora, se você olhar para a Internet das Coisas, o problema não está em termos da quantidade de dados downstream como no vídeo, mas o desafio está no número de fontes de dados e no volume de dados upstream. Porque você tem um grande número de dispositivos IoT gerando um grande número de registros de dados e o que você realmente vai fazer é colocar algum tipo de serviço de cache upstream próximo à fonte para coletar os dados, fazer algumas análises de baixo nível e certifique-se de enviar apenas informações que façam sentido mais abaixo na nuvem para processamento e refinamento adicionais, para usar a metáfora da indústria do petróleo mais uma vez. E, portanto, eu chamo de computação de borda muitas vezes uma espécie de "CDN reverso", pois fornece o mesmo tipo de funções, mas usando uma arquitetura diferente e operando em fluxos em uma direção diferente.

RW: OK, então temos alguém que quer investir em um projeto de qualquer tipo, normalmente alguém tem uma economia de custos ou um novo fluxo de receita, eu acho, mas acho que com mais frequência que não, parece uma decisão ir / não ir é mais frequentemente impulsionado pela redução de custos ou eficiência - o que sempre tem apelo na maioria das organizações. Vocês podem dar um exemplo de um processo orientado por dados que pode desbloquear não apenas a economia de custos, mas talvez também o caminho de decisão, como um exemplo de cada um?

MJ: Eu poderia começar com o que estamos fazendo com nossa solução de análise de vídeo. Este é um exemplo de um aplicativo que usa grandes volumes de dados transmitidos por, por exemplo, câmeras de vigilância por vídeo em circuito fechado.

Nas cidades, você tem centenas ou milhares dessas câmeras que criam um grande número de streams de vídeo ao vivo. Geralmente, não há equipe suficiente para olhar para todas as telas simultaneamente, porque seria extremamente caro e ineficiente ter pessoas assistindo a todos esses streams de vídeo 24 horas por dia, 7 dias por semana. Então, o que a solução da Nokia faz é analisar esses vídeos e procurar anomalias. Existem muitos exemplos de casos de uso, como um carro dirigindo na direção errada, turbulência em um aeroporto, algumas pessoas ou objetos fazendo movimentos incomuns. O que estamos realmente fazendo é coletar esses dados de vídeo e colocá-los na cadeia de refinamento, processada por meio de uma série de algoritmos que reconhecem situações específicas e detectam anomalias. Adicionando recursos de IA a ele, o sistema torna-se autoaprendizado e pode identificar, alertar e prever qualquer tipo de “acontecimento” fora do comum. Isso está ajudando na tomada de decisões, mas ao mesmo tempo também é uma enorme economia de custos porque as cidades e empresas de segurança precisam apenas de uma fração das pessoas. As tecnologias de análise estão, na verdade, tornando esses tipos de soluções de vigilância por vídeo possíveis e acessíveis.

RW: Certo, os olhos humanos não são muito escaláveis.

MJ: Certo, os olhos humanos não são muito escaláveis ​​e provavelmente 99,99% do conteúdo do vídeo CCTV não precisa de atenção. Então você precisa aprender a filtrar os dados o mais próximo possível da fonte e só continuar trabalhando com o que é relevante.

DL: Trevor, também darei alguns conjuntos de exemplos. O primeiro grupo seria aquele para acelerar a resolução mais rapidamente:como manutenção preditiva, “Próxima melhor ação”, sob o domínio de cuidado preditivo para recomendar ações de fluxo de trabalho para o agente de cuidado e análise automatizada de causa raiz. Esses exemplos de casos de uso eram feitos manualmente. Você espera que algumas falhas ocorram e então as examina. Com automação e previsão; em vez disso, alguma solução de aprendizado de máquina pode prever a ocorrência de falha potencial com antecedência e você pode minimizar a ação de manutenção cara para corrigir o problema após o fato.

Outro conjunto de exemplos está na categoria de centralização no cliente com o uso de inteligência artificial. Muitos clientes estão interessados ​​neste tópico porque, no final das contas, eles reconhecem que a concorrência também está tentando apaziguar os clientes finais da melhor maneira possível. E quem conseguir fazer isso melhor ganha o dia. Portanto, apreciar e compreender a experiência do cliente e ser capaz de prever isso e responder às suas necessidades seria um aspecto importante da solução analítica de big data. Por exemplo, no contexto de provedores e operadoras de soluções de rede, seria importante saber com antecedência que um congestionamento vai acontecer e reagir a ele. Talvez ter um desempenho bem gerenciado, mas degradado, seja melhor do que não ter nenhum serviço em certas circunstâncias. Portanto, antecipar-se ao problema com a centralização no cliente também é uma forma de aplicação de IA - entenda sua experiência e aja de acordo. O terceiro, eu diria, são os casos de uso de realidade aumentada que atrai o executivo de nível superior e os proprietários de políticas dos operadores da empresa de IoT.

Outra classe de problemas se enquadraria na categoria de "otimização". Se você olhar para um conjunto de resultados de negócios, poderá configurar o problema como um problema de otimização:esses são meus sandboxes, aqui estão meus dados brutos e meus KPIs e é isso que desejo otimizar como metas. O sistema pode então ser configurado para otimizá-lo. Isso está relacionado ao ponto em que se tem a oportunidade de quebrar silos organizacionais e otimizar certos resultados que antes eram desconhecidos quando as organizações estavam isoladas. Esse tipo de inteligência atrai mais os executivos e os donos das políticas das organizações.

Este artigo foi produzido em parceria com a Nokia. É parte de uma série de artigos em que a equipe da Nokia fornecerá consultoria especializada e se aprofundará em análise de dados, segurança e plataformas de IoT.