Acelerando Sucesso Empresarial: IA e ML Resolvem Desafios de Dados em Tempo Real

Tornar dados rapidamente acionáveis cria desafios difíceis para a velha ordem de gerenciamento de dados.

Três novos relatórios do Gartner trazem em foco nítido a urgência crescente para empresas de construir aplicações operacionais geradoras de valor infundidas com IA e ML — ou correr o risco de ficar para trás para sempre.

Construtor de Urgência #1: Em sua última previsão de valor de negócios de IA, Gartner diz que aumento de IA criará $2,9 trilhões de valor de negócios em 2021. Isso é em apenas um ano.

Construtor de Urgência #2: Estudo de Estratégia de Desenvolvimento de IA e ML do Gartner descobre que organizações líderes esperam aumentar massivamente seus projetos de IA/ML — de uma média de quatro este ano para 35 até 2022.

Construtor de Urgência #3: Em seu relatório "Predicts 2019: Data & Analytics Strategy", Gartner diz, "Gerenciamento de dados eficaz é mais crítico do que nunca. Enquanto algumas empresas assumiram controle de seus dados e os transformaram em uma arma para garantir dominância de mercado, muitas outras estão lutando com um problema que está freando a coordenação de inteligência: silos."

Veja também: Como Acelerar Implantação de IA para Alcançar Benefícios de CI Mais Rápido

As "organizações líderes" do Gartner são as que estão na frente na corrida para agarrar fatias daquele $2,9 trilhões em valor de negócios que fluirá de iniciativas de IA, ML e IoE em torno de suporte a decisão, automação de decisão em tempo real e inteligência aumentada por IA, entre outros.

O Que Está Segurando as Empresas?

Dados em silos não é a única coisa minando esforços para construir aplicações IoE e implantar projetos de ML e IA. Sistemas legados inflexíveis inadequados para lidar com dados de séries temporais associados com IoT, e operações em tempo real também podem confundir.

Onde sua organização se classifica na corrida para realizar valor? Como você está ajudando a suavizar o caminho para implantar projetos de IA ou ML e aplicações IoE? Se você é como muitas empresas, seus esforços estão enfrentando vários desafios-chave, começando com dados em silos.

A incapacidade de reunir dados de fontes díspares e render uma visão holística é um driver principal para por que algumas empresas estão lutando para acompanhar, mesmo antes de considerar seus requisitos de aplicação Internet of Everything (IoE).

Por anos eles se comprometeram com silos de dados forçados sobre eles por gerações de aplicações SaaS e enterprise cloud específicas de indústria, de função estreita. Mas agora estão batendo nos limites analíticos de dados segregados e descobrindo que não podem analisar ou agir holisticamente em seus dados como existem ou implantá-los facilmente em aplicações de nova geração.

Tornando Dados o Centro de Gravidade

Para ter sucesso, todos os esforços de ML e IA devem ser fundamentados em dados. Vemos cada requisito de automação de processo através de uma lente de dados primeiro. É o centro de gravidade para tudo que fazemos, todo processo que automatizamos, e toda decisão ou ação em tempo real que habilitamos.

Enquanto somos otimizados primeiro para dados de séries temporais gerados por sensores, realmente não importa que tipo de dados é, de que fonte vem, ou em que volume ou velocidade — dados são nossa causa raiz. Construir a fundação de automação de dados para aplicações agnósticas de dados permite progresso de unificação de dados que quebram silos no mundo fraturado de SaaS empresarial.

Pensamos nisso como uma abordagem omnidata — algo que você ouvirá mais sobre à medida que requisitos de gerenciamento de dados para redes de sensores habilitem benefícios omnidata em outros lugares na empresa.

Abordagens prevalecentes no mercado raramente seguem este edito. Converse com uma empresa IoT típica, por exemplo, e eles não terão uma boa história em torno de como eles trazem pessoas para a equação. Eles são todos sobre coisas. Similarmente, serviços de dados de localização e provedores de gerenciamento de força de trabalho contam uma boa história em torno de rastrear pessoas e trabalhadores mas têm pouca credibilidade para integrar coisas.

Esta é uma razão pela qual IoE está muito mais presente em nossas comunicações que IoT. A maioria dos problemas operacionais empresariais envolvem pessoas e coisas em medida igual. De uma perspectiva de dados, não há diferença ou viés.

A Velha Ordem de Gerenciamento de Dados Acabou

Operacionalização de dados está criando novos desafios vastos para a velha ordem de gerenciamento de dados. Se eles sabem ou não, empresas estão entrando em um mundo "pós-sistema de gerenciamento de banco de dados (DBMS)". Elas estão achando cada vez mais difícil — se não impossível — enfiar casos de uso de dados em movimento em infraestrutura DBMS legada rígida.

Requisitos de dados para aplicações de software mudaram dramaticamente. Tanto usuários quanto máquinas estão criando mais dados para impulsionar lógica de negócios usando técnicas como análises de dados em tempo real e machine learning.

Tradicionalmente, todos os dados de uma aplicação eram armazenados em bancos de dados relacionais centralizados ou centrados em escritório. Mas isso não escala para a explosão de dados de séries temporais impulsionada por sensores na qual operações e inteligência em tempo real dependem.

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

Entendendo Casos de Uso

Simplesmente visualizar e entender casos de uso relacionados a IoE, ML e IA é outro grande desafio segurando empresas.

Cerca de 42% dos respondentes à pesquisa de desenvolvimento IA/ML do Gartner nomearam identificação de caso de uso como seu segundo maior desafio (após falta de habilidades). Vemos isso, vez após vez.

Outros desafios-chave incluem escalabilidade, junto com sistemas legados inflexíveis que não podem lidar com dados de séries temporais ou grandes volumes de dados de alta velocidade de fontes díspares.

Uma Espinha Dorsal para Governar Todos

Dada esta série de desafios, cada vez mais empresas estão experimentando usar uma "espinha dorsal única" de fundação de automação de dados para construir aplicações IoE. Isso requer uma plataforma aberta e flexível para construir soluções de IA, automação de dados e tempo real escaláveis que possam lidar com ingestão escalável de dados, normalização e enriquecimento junto com lógica de negócios em tempo real, armazenamento de dados e análises de decisão.

Uma abordagem de espinha dorsal de dados permite que desenvolvedores foquem em construir valor único de negócio e usuário em sua solução, em vez de tentar antecipar todos os usos de dados para encaixar em infraestrutura DBMS mais antiga e rígida.

Empresas precisam de sistemas que lhes permitam ingerir dados de sensores em volumes e velocidades variáveis, com qualquer tipo ou combinação de entradas e saídas. E eles devem ter a capacidade de implantar tais capacidades on-premises, na nuvem, no Edge ou uma versão híbrida.

Isso resolve ou evita uma multidão de problemas, desde dados em silos e escalabilidade limitada até os desafios de construir múltiplas aplicações sem reinventar a fundação de dados cada vez. E fornecerá um caminho mais rápido para realização de valor.