Accélérer le succès entreprise : IA et ML résolvent les défis des données temps réel

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

Trois rapports Gartner sonnent l'alarme

Trois nouveaux rapports de Gartner mettent en lumière l'urgence croissante pour les entreprises de construire des applications opérationnelles génératrices de valeur infusées d'IA et ML — ou risquer de rester à jamais derrière.

Urgence #1 : Dans sa dernière prévision de valeur business IA, Gartner dit que l'augmentation IA créera 2,9 trillions $ de valeur business en 2021. C'est en juste un an.

Urgence #2 : L'étude de stratégie développement IA et ML de Gartner trouve que les organisations leaders s'attendent à augmenter massivement leurs projets IA/ML — d'une moyenne de quatre cette année à 35 d'ici 2022.

Urgence #3 : Dans son rapport « Predicts 2019: Data & Analytics Strategy », Gartner dit : « La gestion efficace des données est plus critique que jamais. Alors que certaines entreprises ont pris le contrôle de leurs données et les ont transformées en arme pour sécuriser la dominance de marché, beaucoup d'autres luttent avec un problème qui met les freins sur la coordination de l'intelligence : silos. »

Voir aussi : Comment accélérer le déploiement IA pour atteindre les bénéfices CI plus vite

Les « organisations leaders » de Gartner sont celles en tête dans la course pour saisir des parts de ces 2,9 trillions $ de valeur business qui découleront des initiatives IA, ML, et IoE autour du support décisionnel, automatisation décision temps réel, et intelligence augmentée par IA, entre autres.

Qu'est-ce qui retient les entreprises ?

Les données en silos ne sont pas la seule chose sapant les efforts pour construire des applications IoE et déployer projets ML et IA. Des systèmes legacy inflexibles, inadaptés pour gérer les données time series associées à l'IoT, et les opérations temps réel peuvent aussi confondre.

Où se classe votre organisation dans la course pour réaliser de la valeur ? Comment vous aidez-vous à lisser la route vers le déploiement de projets IA ou ML et applications IoE ? Si vous êtes comme beaucoup d'entreprises, vos efforts font face à plusieurs défis clés, en commençant par les données en silos.

L'incapacité à rassembler les données de sources disparates et rendre une vue holistique est un driver principal pour pourquoi certaines entreprises luttent pour suivre, même avant de considérer leurs exigences d'applications Internet of Everything (IoE).

Pendant des années, ils se sont engagés dans des silos de données forcés sur eux par des générations d'applications cloud enterprise et SaaS étroites, spécifiques à l'industrie. Mais maintenant, ils heurtent les limites analytiques de données ségrégées et découvrent qu'ils ne peuvent pas analyser ou agir holistiquement sur leurs données comme elles existent ou les déployer facilement vers des applications de nouvelle génération.

Faire des données le centre de gravité

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

Alors que nous sommes optimisés d'abord pour données time series générées par capteurs, cela n'a pas vraiment d'importance quel type de données c'est, quelle source elle vient, ou à quel volume ou vélocité — les données sont notre cause racine. Construire la fondation d'automatisation de données pour applications data-agnostiques permet le progrès d'unification de données brisant les silos dans le monde fracturé de l'entreprise SaaS.

Nous pensons à cela comme une approche omnidata — quelque chose dont vous entendrez plus alors que les exigences de gestion de données pour réseaux de capteurs permettent les bénéfices omnidata ailleurs dans l'entreprise.

Les approches du marché prévalentes suivent rarement cet édit. Parlez à une entreprise IoT typique, par exemple, et elles n'auront pas une bonne histoire sur comment elles amènent les gens dans l'équation. Elles sont toutes sur les choses. Similairement, services de données de localisation et fournisseurs de gestion de main-d'œuvre parlent bien de tracker gens et travailleurs mais ont peu de crédibilité pour intégrer les choses.

C'est une raison pour laquelle IoE est bien plus présent dans nos communications que IoT. La plupart des problèmes opérationnels entreprise impliquent gens et choses en mesure égale. D'une perspective data, il n'y a pas de différence ou biais.

L'ancien ordre de gestion de données est dépassé

L'opérationnalisation des données crée de vastes nouveaux défis pour l'ancien ordre de gestion de données. Qu'ils le sachent ou non, les entreprises entrent dans un monde « post système de gestion de base de données (DBMS) ». Elles trouvent de plus en plus difficile — si pas impossible — de fourrer des cas d'usage data-in-motion dans une infrastructure DBMS legacy rigide.

Les exigences de données pour applications logicielles ont changé dramatiquement. Utilisateurs et machines créent plus de données pour piloter la logique business en utilisant des techniques comme l'analytique de données temps réel et le machine learning.

Traditionnellement, toutes les données d'une application étaient stockées dans des bases de données relationnelles centralisées ou centrées bureau. Mais cela ne scale pas pour l'explosion de données time series pilotées par capteurs sur laquelle les opérations et intelligence temps réel dépendent.

Pour construire de vraies solutions data-driven, les charges d'ingénierie et maintenance ont été irréversiblement compliquées. On est passé de quelques sous-systèmes à des douzaines de sous-systèmes qui requièrent l'expertise d'équipes big data engineering plus coûteuses.

Comprendre les cas d'usage

Simplement envisager et comprendre les cas d'usage liés IoE, ML, et IA est un autre défi majeur retenant les entreprises.

Environ 42 % des répondants à l'enquête de développement IA/ML de Gartner ont nommé l'identification de cas d'usage comme leur deuxième plus grand défi (après un manque de compétences). Nous voyons cela, encore et encore.

Autres défis clés incluent la scalabilité, avec des systèmes legacy inflexibles qui ne peuvent pas gérer les données time series ou gros volumes de données haute vélocité de sources disparates.

Un seul backbone pour les gouverner tous

Donné ce radeau de défis, de plus en plus d'entreprises expérimentent avec l'utilisation d'une « single backbone » fondation d'automatisation de données pour construire des applications IoE. Cela requiert une plateforme ouverte, flexible pour construire des solutions d'automatisation de données, IA, temps réel, scalables qui peuvent gérer l'ingestion scalable de données, normalisation, et enrichissement avec logique business temps réel, stockage de données, et analytique décisionnelle.

Une approche data backbone permet aux développeurs de se concentrer sur la construction de valeur business et utilisateur unique dans leur solution, plutôt qu'essayer d'anticiper tous les usages de données pour les faire rentrer dans une infrastructure DBMS plus vieille, plus rigide.

Les entreprises ont besoin de systèmes qui leur permettront d'ingérer des données capteurs à volumes et vélocités variables, avec tout type ou combinaison d'entrées et sorties. Et ils devraient avoir la capacité de déployer de telles capacités sur site, dans le cloud, sur l'Edge ou une version hybride.

Cela résout ou évite une multitude de problèmes, des données en silos et scalabilité limitée aux défis de construire multiples applications sans réinventer la fondation de données à chaque fois. Et cela fournira un chemin plus rapide vers la réalisation de valeur.