Inferência: Desbloqueando Valor Total dos Seus Dados para Decisões Mais Inteligentes

Aproveitando capacidades de inferência de knowledge graph, organizações podem extrapolar novas conexões de dados e explicar qualquer nova conexão que criam.

Transformação digital é toda a moda, e na maioria dos casos, objetivo da transformação digital é tratar dados como ativo. Em alguns casos, isso significa monetizar dados, e em outros, objetivo é alavancar dados mais eficientemente para derivar insight para tomar melhores decisões. No entanto, na realidade, ambos são difíceis de alcançar. Transformação digital exige insights rápidos de dados cada vez mais híbridos, variados e mutáveis, mas plataformas tradicionais de integração de dados não foram desenhadas para ambiente de hoje. Como resultado, organizações não conseguem mais acompanhar complexidade crescente dos dados, nem identificar relações e conexões ocultas entre dados para descobrir novas oportunidades. Cada vez mais, o que é necessário é capacidade de inferência que permita empresas trazer diferentes datasets juntos e analisá-los para derivar insights.

Impulsionar crescimento e inovação no mundo complexo de hoje de captura de dados interminável só é possível quando equipes de TI podem se libertar de estruturas de dados rígidas e estilos de integração ultrapassados.

Agilidade é chave para sucesso de negócios, e empresas estão desesperadas para tornar dados usáveis quando conta, não para respostas amanhã ou na próxima semana, mas para agora.

Mas derivar valor inexplorado requer capacidade de conectar dados baseados em seu significado de negócio, independente de formato, fonte ou tech subjacente. A enorme quantidade de dados derivada de machine learning e outras fontes requer capacidade de associar informação relacionada armazenada em fontes díspares e então aplicar rica teia de relacionamentos para descobrir novas associações. Isso é chave para realizar promessa de transformação digital. Mas como alcançar isso?

Movendo de premissas para consequências lógicas: Como data fabrics fornecem inferência necessária

Organizações hoje estão adotando abordagens modernas de integração como data fabrics para impulsionar projetos e produtos cross-funcionais colaborativos e escapar de workflows reativos. Tecendo juntos dados de silos internos e fontes externas, criam rede de informação para impulsionar aplicações, IA e analytics do negócio. Simplesmente, suportam amplitude total da empresa complexa de hoje criando conexões entre informação armazenada em fontes díspares.

Knowledge graphs são parte integral de data fabric eficaz pois criam rede de informação reutilizável, representam dados de várias estruturas e suportam múltiplos schemas. Criando entendimento semântico de dados empresariais e de terceiros, knowledge graphs servem como núcleo do data fabric — enriquecendo e acelerando investimentos existentes e fornecendo acesso crítico a insight de negócio. Mais importante, knowledge graphs transformam dados em conhecimento real compreensível por máquina que suporta mudanças situacionais, então significado altera dependendo das circunstâncias. Uma vez estabelecido, knowledge graph também usa essa rica teia de relacionamentos para descobrir novas associações dentro dos dados. Essas relações inferidas criam visão mais rica e precisa dos dados de uma empresa.

Fornecendo associações em camadas entre conceitos, knowledge graphs fornecem entendimento matizado para que organizações orientadas a conhecimento possam identificar novas descobertas. Eles também fornecem contexto frequentemente ausente de dados porque knowledge graph é purpose-built para suportar natureza flutuante do conhecimento. Resultado é fundação mais flexível para operações digitais pois tecnologia aceita facilmente novos dados, definições e requisitos.

Modelo de dados do knowledge graph, frequentemente chamado ontologia ou vocabulário, delineia relacionamentos comuns entre entidades e permite empresas descreverem domínios complexos. Considere medicina como exemplo. Para desenvolver nova terapia, empresas farmacêuticas devem ter acesso a múltiplos fatos, construtos de modelagem e regras de negócio, todos os quais devem interagir entre si para implicar novas conexões. Essa capacidade de inferência é o que torna possível para fabricantes ligar pessoas a infraestrutura via aplicações que usam. Também ajuda a aplicar controles baseados em similaridade de novos incidentes a incidentes passados e encontrar links inferidos entre investigadores e áreas terapêuticas baseados nas condições investigadas em estudos. E a lista continua.

Aplicar múltiplos modelos de dados a um data fabric ao mesmo tempo permite organizações suportar múltiplas aplicações que requerem diferentes interpretações dos mesmos dados. Abordagens tradicionais de integração de dados como data lakes ou data warehouses são limitadas nessa capacidade, pois dificultam suportar mais de um schema. Essa é uma razão pela qual empresas têm que continuamente criar novos silos de dados para cada nova aplicação, projeto ou análise. Tal abordagem reduz capacidade de realizar análise de inferência.

Habilitando empresa conectada — componentes adicionais de data fabric bem-sucedido

Aproveitando capacidades de inferência de knowledge graph, organizações não apenas extrapolam novas conexões de dados mas também explicam qualquer nova conexão que cria. Em contraste com sistemas de recomendação black box, que não fornecem explicação ou racional para seus resultados, knowledge graph pode explicar todas as inferências e resultados em termos de dados, schema e regras de negócio. Essa transparência explicativa permite usuários revisarem como knowledge graph chegou a uma resposta e lógica de negócio referenciada para fazê-lo. Isso não é apenas crítico para fornecer resultados confiáveis e accountability dentro de organização mas também necessário para certos requisitos legais e regulatórios.

Embora knowledge graph seja ingrediente-chave do data fabric, não é única coisa que organização precisa para ser bem-sucedida. Data fabric eficaz requer alavancar e conectar sistemas de origem existentes. Também requer capacidade de conectar a catálogos de dados existentes, data lakes, bancos de dados e outras plataformas de gestão de dados. Para implantações de data fabric, alavancar trabalho completado em catálogos de dados é chave para acelerar descoberta de dados e enriquecimento semântico. Usando catálogo de dados como entrada, knowledge graph constrói mapa de dados dos ativos de dados da empresa que acelera ainda mais criação de data fabric através de aprendizado parcialmente automatizado e auto-mapeamento de fontes existentes.

Criar modelo de dados enterprise-wide é outra pergunta comum sobre implantação de data fabric. Muitos pensam que isso é pré-requisito potencialmente caro e demorado para iniciativa, mas, na realidade, só precisam definir tantos conceitos quanto necessários para seu caso de uso inicial. Comece identificando problema de negócio crítico para liderar iniciativa mais ampla de data fabric. Aborde data fabric com mentalidade MVP e foque apenas na quantidade mínima de trabalho necessária para realizar primeiro objetivo de negócio.

Organizações de todos os tamanhos estão colocando foco e investimento ainda maior em transformação digital. Apesar dessa atenção renovada, desafios fundamentais de dados permanecem obstáculo primário. Transformação digital requer domínio de dados e graças ao legado de TI não é coisa simples de alcançar. Há muitas coisas para gerenciar: formatos de dados, padrões, tipos de dados, velocidades, schemas, sistemas, bancos de dados, silos, metodologias, modelos, etc. A diversidade pura da paisagem moderna de TI empresarial é assustadora.

Aproveitando abordagem moderna de knowledge graphs, organizações não apenas conectam seus silos internos de dados de forma nova e significativa, mas também podem descobrir fatos e relacionamentos ocultos através de inferências que de outra forma seriam impossíveis de captar em grande escala. Capturando significado matizado que diferentes unidades de negócio podem ter para mesma entidade, organizações podem criar fundação digital reutilizável que mantém ritmo com mudanças contínuas no mercado e esteja preparada para o que vier a seguir.