Pourquoi l'inférence est essentielle pour réaliser le plein potentiel des données

En tirant parti des capacités d'inférence d'un graphe de connaissances, les organisations peuvent extrapoler de nouvelles connexions de données et expliquer toute nouvelle connexion qu'elles créent.

La transformation numérique fait fureur et, dans la plupart des cas, l'objectif de la transformation numérique est de traiter les données comme un atout. Dans certains cas, cela signifie monétiser les données, et dans d'autres, l'objectif est d'exploiter les données plus efficacement pour en tirer des informations permettant de prendre de meilleures décisions. Cependant, en réalité, les deux sont difficiles à atteindre. La transformation numérique exige des informations rapides à partir de données de plus en plus hybrides, variées et changeantes, mais les plates-formes d'intégration de données traditionnelles n'ont pas été conçues pour l'environnement actuel. Par conséquent, les organisations ne peuvent plus suivre la complexité croissante des données, ni identifier les relations et connexions cachées entre les données pour découvrir de nouvelles opportunités. De plus en plus, ce qui est nécessaire est une capacité d'inférence qui permet aux entreprises de rassembler différents ensembles de données et de les analyser pour en tirer des informations.

Stimuler la croissance et l'innovation dans le monde complexe d'aujourd'hui où la capture de données sans fin n'est possible que lorsque les équipes informatiques peuvent se libérer des structures de données rigides et des styles d'intégration obsolètes.

L'agilité est la clé du succès commercial, et les entreprises cherchent désespérément à rendre les données utilisables quand cela compte, non pas pour obtenir des réponses demain ou la semaine prochaine, mais pour l'instant.

Mais pour obtenir une valeur inexploitée, il faut pouvoir connecter les données en fonction de leur sens commercial, quels que soient le format, la source ou la technologie sous-jacente. La quantité considérable de données dérivées de l'apprentissage automatique et d'autres sources nécessite la capacité d'associer des informations connexes stockées dans des sources disparates, puis d'appliquer un riche réseau de relations pour découvrir de nouvelles associations. C'est essentiel pour concrétiser la promesse de la transformation numérique. Mais comment fait-on pour y parvenir ?

Passer des prémisses aux conséquences logiques :comment les datafabrics fournissent l'inférence nécessaire

Aujourd'hui, les organisations adoptent des approches d'intégration modernes telles que les structures de données pour alimenter des projets et des produits collaboratifs et interfonctionnels et échapper aux flux de travail réactifs. Tissant ensemble des données provenant de silos internes et de sources externes, ils créent un réseau d'informations pour alimenter les applications, l'Al et les analyses de l'entreprise. Tout simplement, ils prennent en charge toute l'étendue de l'entreprise complexe d'aujourd'hui en créant des connexions entre les informations stockées dans des sources disparates.

Les graphes de connaissances font partie intégrante d'une structure de données efficace car ils créent un réseau d'informations réutilisable, représentent des données de différentes structures et prennent en charge plusieurs schémas. Créant la compréhension sémantique des données d'entreprise et tierces, les graphes de connaissances constituent le cœur de la fabrique de données, enrichissant et accélérant les investissements existants et fournissant un accès essentiel aux informations commerciales. Plus important encore, les graphes de connaissances transforment les données en connaissances du monde réel compréhensibles par machine qui prennent en charge les changements de situation, de sorte que le sens change en fonction des circonstances. Une fois établi, le graphe de connaissances utilise également ce riche réseau de relations pour découvrir de nouvelles associations au sein des données. Ces relations déduites créent une vue plus riche et plus précise des données d'une entreprise.

En fournissant des associations en couches entre les concepts, les graphes de connaissances fournissent une compréhension nuancée afin que les organisations axées sur les connaissances puissent identifier de nouvelles découvertes. Ils fournissent également le contexte qui fait souvent défaut dans les données, car le graphe de connaissances est spécialement conçu pour prendre en charge la nature fluctuante des connaissances. Le résultat est une base plus flexible pour les opérations numériques, car la technologie accepte facilement de nouvelles données, définitions et exigences.

Le modèle de données du graphe de connaissances, souvent appelé ontologie ou vocabulaire, établit des relations communes entre les entités et permet aux entreprises de décrire des domaines complexes. Prenons l'exemple de la médecine. Pour développer une nouvelle thérapie, les sociétés pharmaceutiques doivent avoir accès à de multiples faits, constructions de modélisation et règles métier, qui doivent tous interagir les uns avec les autres pour impliquer de nouvelles connexions. Cette capacité d'inférence est ce qui permet aux fabricants de relier les gens à l'infrastructure via les applications qu'ils utilisent. Elle les aide également à appliquer des contrôles basés sur la similitude des nouveaux incidents avec les incidents passés et à trouver des liens déduits entre les chercheurs et les domaines thérapeutiques en fonction des conditions étudiées. dans les études. Et la liste continue.

L'application simultanée de plusieurs modèles de données à une structure de données permet aux organisations de prendre en charge plusieurs applications nécessitant différentes interprétations des mêmes données. Les approches traditionnelles d'intégration de données telles que les lacs de données ou les entrepôts de données sont limitées dans cette capacité, car elles rendent difficile la prise en charge de plusieurs schémas. C'est l'une des raisons pour lesquelles les entreprises doivent continuellement créer de nouveaux silos de données pour chaque nouvelle application, projet ou analyse. Une telle approche réduit la capacité d'effectuer une analyse d'inférence.

Activer les composants supplémentaires de l'entreprise connectée d'une structure de données performante

En tirant parti des capacités d'inférence du graphe de reconnaissance, les organisations extrapolent non seulement les nouvelles connexions de données, mais expliquent également toute nouvelle connexion créée. Contrairement aux systèmes de recommandation de la boîte noire, qui ne peuvent fournir aucune explication ou justification de leurs résultats, le graphe de connaissances peut expliquer toutes les inférences et tous les résultats en termes de données, de schéma et de règles métier. Cette transparence explicative permet aux utilisateurs de revoir comment le graphe de connaissances est arrivé à une réponse et la logique métier référencée pour y parvenir. Ceci est non seulement essentiel pour fournir des résultats fiables et une responsabilité au sein d'une organisation, mais est également nécessaire pour certaines exigences légales et réglementaires.

Bien que le graphe de reconnaissance soit l'ingrédient clé de la structure de données, ce n'est pas la seule chose dont une organisation a besoin pour réussir. Une structure de données efficace nécessite d'exploiter et de connecter les systèmes sources existants. Cela nécessite également la capacité de se connecter aux catalogues de données, lacs de données, bases de données et autres plates-formes de gestion de données existants. Pour les déploiements de Data Fabric, tirer parti du travail effectué dans les catalogues de données est essentiel pour accélérer la découverte de données et l'enrichissement sémantique. En utilisant le catalogue de données comme entrée, le graphe de connaissances crée une carte de données des actifs de données d'une entreprise, ce qui accélère encore la création de Data Fabric grâce à un apprentissage partiellement automatisé et à -cartographie des sources existantes.

La création d'un modèle de données à l'échelle de l'entreprise est une autre question courante concernant le déploiement d'une structure de données. Beaucoup pensent qu'il s'agit d'une condition préalable potentiellement coûteuse et chronophage à l'initiative, mais, en réalité, ils n'ont qu'à définir autant de concepts que nécessaire pour leur cas d'utilisation initial. Commencez par identifier un problème commercial critique pour diriger l'initiative plus large de Data Fabric.Abordez le Data Fabric avec un état d'esprit MVP et concentrez-vous uniquement sur la quantité minimale de travail nécessaire pour atteindre le premier objectif commercial.

Les organisations de toutes tailles accordent encore plus d'attention et d'investissement à la transformation numérique. Malgré cette attention renouvelée, les défis fondamentaux des données restent un obstacle majeur. La transformation numérique nécessite la maîtrise des données et grâce à l'héritage de l'informatique n'est pas une chose simple à réaliser. Il y a tout simplement trop de choses à gérer :formats de données, normes, types de données, vitesses, schémas, systèmes, bases de données, silos, méthodologies, modèles, etc. La diversité même du paysage informatique de l'entreprise moderne est intimidante.

En tirant parti de l'approche moderne des graphes de connaissances, les organisations peuvent non seulement connecter leurs silos de données internes d'une manière nouvelle et significative, mais elles peuvent également découvrir des faits et des relations cachés grâce à des inférences qui, autrement, seraient incapables de saisir à grande échelle. En capturant la signification nuancée que différentes unités commerciales peuvent avoir pour la même entité, les organisations peuvent créer une base numérique réutilisable qui garde l'espace avec les changements continus du marché et se prépare à tout ce qui vient ensuite.