Résoudre les besoins en temps réel alors que les chefs d'entreprise prennent de l'avance avec le ML et l'IA

Rendre les données rapidement exploitables crée des défis difficiles pour l'ancien ordre de gestion des données.

Trois nouveaux rapports de Gartner mettent en évidence l'urgence croissante pour les entreprises de créer des applications opérationnelles génératrices de valeur imprégnées d'IA et de ML - ou risquer de prendre du retard pour toujours .

UrgencyBuilder #1 : Dans ses dernières prévisions sur la valeur commerciale de l'IA, Gartner indique que l'IAaugmentation créera 2,9 billions de dollars. de la valeur commerciale en 2021. C'est dans un an seulement.

UrgencyBuilder #2 : L'étude AI and ML DevelopmentStrategy de Gartner révèle que les principales organisations prévoient d'augmenter massivement leurs projets d'IA/ML, passant d'une moyenne de quatre cette année à 35 d'ici 2022.

UrgencyBuilder #3 : Dans son rapport « Predicts 2019:Data &Analytics Strategy », Gartner déclare :« Une gestion efficace des données est plus critique que jamais. Alors que certaines entreprises ont pris le contrôle de leurs données et en ont fait une arme pour assurer leur domination sur le marché, de nombreuses autres sont aux prises avec un problème qui freine la coordination du renseignement :les silos ."

Voir aussi : Comment accélérer le déploiement de l'IA pour obtenir plus rapidement les avantages de l'IC

Les "organisations leaders" de Gartner sont celles qui sont en tête de la course pour saisir des parts de cette valeur commerciale de 2,9 000 milliards de dollars qui découlera des initiatives d'IA, de ML et d'IoE autour de l'aide à la décision, de l'automatisation des décisions en temps réel et de l'intelligence augmentée par l'IA, entre autres.

Qu'est-ce qui retient les entreprises ?

Les données cloisonnées ne sont pas la seule chose qui sape les efforts de création d'applications IoE et de déploiement de projets ML et AI. Systèmes inflexibles et hérités inaptes à gérer les données de séries chronologiques associées à l'IoT et en temps réel les opérations peuvent également confondre.

D'où vient votre rang de l'organisation dans la course à la création de valeur ? Comment allez-vous aider à faciliter le déploiement de projets d'IA ou de ML et d'applications IoE ? Si vous êtes comme de nombreuses entreprises, vos efforts sont confrontés à plusieurs défis clés, à commencer par les données cloisonnées.

L'incapacité de rassembler des données provenant de sources disparates et de fournir une vue holistique est l'un des principaux facteurs expliquant pourquoi certaines entreprises ont du mal à suivre, avant même d'avoir pris en compte les exigences de leurs applications Internet of Everything (IoE).

Pendant des années, ils se sont engagés dans des silos de données imposés par des générations d'applications cloud SaaS et d'entreprise à fonctions étroites spécifiques à l'industrie. Mais maintenant, ils atteignent les limites analytiques des données séparées et découvrent qu'ils ne peuvent pas analyser ou agir de manière holistique sur leurs données telles qu'elles existent ou les déployer facilement vers des applications de nouvelle génération.

Faire des données le centre de gravité

Pour réussir, tous les efforts de ML et d'IA doivent être ancrés dans les données. Nous examinons d'abord chaque exigence d'automatisation de processus à travers une lentille de données. C'est le centre de gravité de tout ce que nous faisons, de chaque processus que nous automatisons et de chaque décision ou action en temps réel que nous permettons.

Bien que nous soyons d'abord optimisés pour les données de séries chronologiques générées par des capteurs, peu importe le type de données dont il s'agit, la source d'où elles proviennent, ou leur volume ou leur vitesse - les données sont notre cause première. Construire la base d'automatisation des données pour les applications indépendantes des données permet de progresser dans l'unification des données en décloisonnant le monde fracturé de l'entreprise SaaS.

Nous le considérons comme un omnidata approche – quelque chose dont vous entendrez davantage parler à mesure que les exigences de gestion des données pour les réseaux de capteurs permettent d'obtenir des avantages omnidata ailleurs dans l'entreprise.

Les approches dominantes du marché suivent rarement cet édit. Parlez à une entreprise IoT typique, par exemple, et ils n'auront pas une bonne histoire sur la façon dont ils amènent les gens dans l'équation. Ils sont tous à propos de choses. De même, les services de données de localisation et les fournisseurs de gestion de la main-d'œuvre parlent d'une bonne histoire sur le suivi des personnes et des travailleurs, mais ont peu de crédibilité pour intégrer les choses .

C'est l'une des raisons pour lesquelles l'IoE est beaucoup plus présent dans nos communications que l'IoT. La plupart des problèmes d'exploitation d'une entreprise impliquent des personnes et des choses dans une mesure égale. Du point de vue des données, il n'y a pas d'orbias de différence.

La commande de gestion OldData est terminée

L'opérationnalisation des données crée de nouveaux défis considérables pour l'ancien ordre de gestion des données. Qu'elles le sachent ou non, les entreprises entrent dans un monde de « post-système de gestion de base de données (SGBD) ». Ils trouvent de plus en plus difficile, voire impossible, d'insérer des cas d'utilisation de données en mouvement dans une infrastructure de SGBD rigide et héritée.

Les exigences en matière de données pour les applications logicielles ont radicalement changé. Les utilisateurs et les machines créent plus de données pour piloter la logique métier à l'aide de techniques telles que l'analyse de données en temps réel et l'apprentissage automatique.

Traditionnellement, toutes les données d'une application étaient stockées dans des bases de données relationnelles centralisées ou centrées sur le bureau. Mais cela ne s'adapte pas à l'explosion de données en série chronologique pilotée par des capteurs, dont dépendent les opérations et l'intelligence en temps réel.

Afin de créer de véritables solutions basées sur les données, les charges d'ingénierie et de maintenance ont été irréversiblement compliquées. Nous sommes passés d'une poignée de sous-systèmes à des dizaines de sous-systèmes qui nécessitent l'expertise d'équipes d'ingénierie Big Data plus coûteuses.

Comprendre les cas d'utilisation

Imaginer et comprendre simplement les cas d'utilisation liés à l'IoE, au ML et à l'IA est un autre défi majeur qui freine les entreprises.

Environ 42 % des répondants à l'enquête de Gartner sur le développement de l'IA/ML ont désigné l'identification des cas d'utilisation comme leur deuxième plus grand défi (après le manque de compétences). Nous le voyons, maintes et maintes fois.

D'autres défis majeurs incluent l'évolutivité, ainsi que des systèmes hérités rigides qui ne peuvent pas traiter des données de séries chronologiques ou de gros volumes de données à grande vitesse provenant de sources disparates.

Une colonne vertébrale pour tout gouverner

Compte tenu de cette série de défis, de plus en plus d'entreprises expérimentent l'utilisation d'une base d'automatisation des données «simple dorsale» pour créer des applications IoE. Cela nécessite une plate-forme ouverte et flexible pour créer des solutions d'automatisation des données et d'IA en temps réel, évolutives, capables de gérer l'ingestion, la normalisation et l'enrichissement de données évolutives, ainsi que la logique métier, le stockage de données et l'analyse décisionnelle en temps réel.

Une approche de base de données permet aux développeurs de se concentrer sur la création d'une valeur commerciale et utilisateur unique dans leur solution, plutôt que d'essayer d'anticiper toutes les utilisations des données pour s'adapter à une infrastructure SGBD plus ancienne et plus rigide.

Les entreprises ont besoin de systèmes leur permettant d'ingérer les données des capteurs à des volumes et à des vitesses variables, avec n'importe quel type ou combinaison d'entrées et de sorties. Et ils devraient avoir la capacité de déployer de telles capacités sur site, dans le cloud, sur le Edge ou une version hybride.

Cela résout ou évite une multitude de problèmes, des données cloisonnées et de l'évolutivité limitée aux défis de la création d'applications multiples sans réinventer la base de données à chaque fois. Et cela fournira un chemin plus rapide vers la réalisation de valeur.