Comment commencer à intégrer l'apprentissage automatique dans l'arène de l'entreprise

Le monde a dépassé la révolution industrielle depuis longtemps et nous vivons maintenant une ère de révolution numérique. L'apprentissage automatique, l'intelligence artificielle et l'analyse des mégadonnées sont la réalité du monde d'aujourd'hui.

J'ai récemment eu la chance de m'entretenir avec Ciaran Dynes, Senior Vice President of Products chez Talend et Justin Mullen, Managing Director chez Datalytyx. Talend est un fournisseur d'intégration logicielle qui fournit des solutions Big Data aux entreprises, et Datalytyx est l'un des principaux fournisseurs de solutions d'ingénierie Big Data, d'analyse de données et de cloud, permettant une prise de décision plus rapide, plus efficace et plus rentable dans toute l'entreprise.

L'évolution des opérations Big Data

Pour mieux comprendre l'évolution des opérations Big Data, j'ai interrogé Justin Mullen sur les défis auxquels son entreprise a été confrontée il y a cinq ans et pourquoi ils recherchaient des plates-formes d'intégration modernes. Il a répondu :« Nous avons été confrontés à des défis similaires à ceux auxquels nos clients étaient confrontés. Avant l'analyse Big Data, c'était ce que j'appelais

Il a répondu :« Nous avons été confrontés à des défis similaires à ceux auxquels nos clients étaient confrontés. Avant l'analyse de Big Data, c'était ce que j'appelais « Analyse de données difficiles ». Il y avait beaucoup d'agrégation manuelle et d'analyse de données provenant en grande partie de systèmes sur site. Et puis, le plus grand défi auquel nous avons probablement été confrontés était de centraliser et de faire confiance aux données avant d'appliquer les différents algorithmes analytiques disponibles pour analyser les données brutes et visualiser les résultats de manière significative pour l'entreprise. »

Il a ajouté que "Nos clients voulaient non seulement cette analyse une fois, mais ils voulaient des mises à jour continues des mises à jour sur les performances des KPI au fil des mois et des années. Avec des pratiques d'ingénierie de données manuelles, il nous était très difficile de répondre aux exigences de nos clients, et c'est à ce moment-là que nous avons décidé que nous avions besoin d'une plate-forme de gestion de données robuste et fiable qui résolve ces défis. »

L'avènement de la science des données

La plupart des économistes et des spécialistes des sciences sociales s'inquiètent de l'automatisation qui s'empare des processus de fabrication et commerciaux. Si la numérisation et l'automatisation continuent de croître au même rythme qu'elles se produisent actuellement, il y a une forte probabilité que les machines remplacent en partie les humains dans la main-d'œuvre. Nous voyons quelques exemples de phénomènes dans notre monde aujourd'hui, mais il est prévu qu'ils soient beaucoup plus importants à l'avenir.

Cependant, dit Dynes, « les scientifiques des données fournissent des solutions aux problèmes complexes et complexes auxquels sont confrontés divers secteurs aujourd'hui. Ils utilisent des informations utiles issues de l'analyse des données pour comprendre et résoudre les problèmes. La science des données est une entrée et la sortie est produite sous forme d'automatisation. Les machines automatisent, mais les humains fournissent les données nécessaires pour obtenir le résultat souhaité. »

Cela crée un équilibre dans la demande de services humains et machines. L'automatisation et la science des données vont de pair. Un processus est incomplet sans l'autre. Les données brutes ne valent rien si elles ne peuvent pas être manipulées pour produire des résultats significatifs. De même, l'apprentissage automatique ne peut pas se produire sans données suffisantes et pertinentes.

Intégrer le Big Data dans les modèles commerciaux

Dynes déclare :« Les entreprises prennent conscience de l'importance des données et intègrent des solutions Big Data et Machine Learning dans leurs modèles commerciaux. Il ajoute en outre que « Nous voyons l'automatisation se produire tout autour de nous. Il est évident dans les secteurs du commerce électronique et de la fabrication, et a de vastes applications dans les services bancaires et financiers mobiles. »

Lorsque je lui ai demandé son avis sur la transformation de la demande de processus et de plates-formes d'apprentissage automatique, il a ajouté que « la demande a toujours été là. L'analyse des données était tout aussi utile il y a cinq ans qu'aujourd'hui. La seule différence est qu'il y a cinq ans, il y avait un monopole entrepreneurial et les données étaient stockées de manière secrète. Celui qui avait les données, avait le pouvoir, et il n'y avait que quelques acteurs importants du marché qui avaient accès aux données. »

Justin a travaillé avec différentes entreprises. Certains de ses clients les plus importants étaient Calor Gas, Jaeger et Wejo. En parlant des défis auxquels ces entreprises étaient confrontées avant de mettre en œuvre des analyses avancées ou un apprentissage automatique, il a déclaré :« Les plus grands défis auxquels la plupart de mes clients sont confrontés étaient l'accumulation des données essentielles en un seul endroit afin que les algorithmes complexes puissent être exécutés simultanément, mais les résultats peuvent être visualisé en un seul endroit pour une meilleure analyse. La plomberie des données et les pipelines de données étaient essentiels pour permettre aux informations sur les données de devenir continues plutôt que ponctuelles. »

Les raisons d'une numérisation rapide

Dynes déclare :« Nous vivons une numérisation rapide pour deux raisons principales. La technologie a évolué à un rythme exponentiel au cours des deux dernières années et deuxièmement, la culture de l'organisation a énormément évolué. Il ajoute :« Avec l'avènement des technologies open source et des plateformes cloud, les données sont désormais plus accessibles. De plus en plus de personnes ont désormais accès à l'information, et elles utilisent cette information à leur avantage. »

En plus des avancées et des développements technologiques, « la nouvelle génération qui entre sur le marché du travail est également dépendante de la technologie. Ils comptent beaucoup sur la technologie pour leurs tâches quotidiennes. Ils sont plus ouverts à une communication transparente. Par conséquent, il est plus facile de recueillir des données de cette génération, car ils sont prêts à parler de leurs opinions et préférences. Ils sont prêts à poser et à répondre à des questions impossibles », déclare Dynes.

Lorsqu'il parle des défis auxquels les entreprises sont confrontées lorsqu'elles optent pour des solutions d'analyse de Big Data, Mullen ajoute :« Les défis auxquels l'industrie est actuellement confrontée lors de l'utilisation de l'apprentissage automatique sont doubles. Le premier défi auquel ils sont confrontés est lié à la collecte de données, à l'ingestion de données, à la conservation des données (qualité), puis à l'agrégation des données. Le deuxième défi consiste à lutter contre le manque de compétences humaines en ingénierie des données, en analyse avancée et en apprentissage automatique »

Dynes dit :« Vous devez intégrer un nouveau monde avec l'ancien monde. L'ancien monde reposait fortement sur la collecte de données tandis que le nouveau monde se concentre principalement sur les solutions de données. Il existe aujourd'hui dans l'industrie des solutions limitées qui répondent à ces deux exigences à la fois. »

Il conclut en disant que « l'importance de l'ingénierie des données ne peut être négligée, et l'apprentissage automatique est comme la boîte de Pandore. Ses applications sont largement répandues dans de nombreux secteurs, et une fois que vous vous serez imposé comme un fournisseur de qualité, les entreprises viendront vers vous pour vos services. Ce qui est une bonne chose."

Suivez Ciaran Dynes, Justin Mullen et Ronald van Loon sur Twitter et LinkedIn pour des mises à jour plus intéressantes sur les solutions Big Data et l'apprentissage automatique.