Inférence : Débloquer la pleine valeur de vos données pour des décisions plus intelligentes

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 est à la mode, et dans la plupart des cas, le but de la transformation numérique est de traiter les données comme un actif. Dans certains cas, cela signifie monétiser les données, et dans d'autres, le but est d'exploiter les données plus efficacement pour dériver de l'insight pour prendre de meilleures décisions. Cependant, en réalité, les deux sont difficiles à atteindre. La transformation numérique exige des insights rapides de données de plus en plus hybrides, variées et changeantes, mais les plateformes d'intégration de données traditionnelles n'ont pas été conçues pour l'environnement d'aujourd'hui. En résultat, 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 jeux de données et de les analyser pour dériver des insights.

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

L'agilité est la clé du succès business, et les entreprises sont désespérées de rendre les données utilisables quand ça compte, pas pour des réponses demain ou la semaine prochaine, mais pour maintenant.

Mais dériver de la valeur inexploitée nécessite la capacité de connecter les données basées sur leur signification business, indépendamment du format, source ou tech sous-jacente. La quantité massive de données dérivées de l'apprentissage machine et d'autres sources requiert la capacité d'associer l'information liée stockée dans des sources disparates et puis d'appliquer un riche réseau de relations pour découvrir de nouvelles associations. C'est la clé pour réaliser la promesse de la transformation numérique. Mais comment s'y prendre pour l'atteindre ?

Passer des prémisses aux conséquences logiques : Comment les data fabrics fournissent l'inférence nécessaire

Les organisations d'aujourd'hui adoptent des approches d'intégration modernes comme les data fabrics pour alimenter des projets et produits collaboratifs, cross-fonctionnels et échapper aux workflows réactifs. Tissant ensemble les données des silos internes et des sources externes, elles créent un réseau d'information pour alimenter les applications, l'IA et l'analytique du business. Tout simplement, elles supportent toute la largeur de l'entreprise complexe d'aujourd'hui en créant des connexions entre l'information stockée dans des sources disparates.

Les graphes de connaissances sont une partie intégrante d'un data fabric efficace car ils créent un réseau d'information réutilisable, représentent des données de diverses structures, et supportent multiples schémas. Créant la compréhension sémantique des données d'entreprise et tierces, les graphes de connaissances servent de noyau du data fabric — enrichissant et accélérant les investissements existants et fournissant un accès critique à l'insight business. Plus important, les graphes de connaissances transforment les données en connaissances compréhensibles par machine, réelles, qui supportent les changements situationnels, donc la signification change selon les circonstances. Une fois établi, le graphe de connaissances utilise aussi ce riche réseau de relations pour découvrir de nouvelles associations dans les données. Ces relations inférées créent une vue plus riche, plus précise des données d'une entreprise.

En fournissant des associations en couches entre concepts, les graphes de connaissances fournissent une compréhension nuancée pour que les organisations pilotées par la connaissance puissent identifier de nouvelles découvertes. Ils fournissent aussi le contexte souvent manquant des données car le graphe de connaissances est bâti pour supporter la nature fluctuante de la connaissance. Le résultat est une fondation 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 les relations communes entre entités et permet aux entreprises de décrire des domaines complexes. Considérez la médecine comme exemple. Pour développer une nouvelle thérapie, les entreprises pharmaceutiques doivent avoir accès à multiples faits, constructs de modélisation et règles business, tous devant interagir entre eux pour impliquer de nouvelles connexions. Cette capacité d'inférence est ce qui rend possible pour les fabricants de lier les gens à l'infrastructure via les applications qu'ils utilisent. Cela les aide aussi à appliquer des contrôles basés sur la similarité de nouveaux incidents à des incidents passés et trouver des liens inférés entre investigateurs et domaines thérapeutiques basés sur les conditions investiguées dans les études. Et la liste continue.

Appliquer multiples modèles de données à un data fabric en même temps permet aux organisations de supporter multiples applications qui requièrent différentes interprétations des mêmes données. Les approches d'intégration de données traditionnelles comme les data lakes ou data warehouses sont limitées dans cette capacité, car elles rendent difficile de supporter plus d'un schéma. C'est une raison pour laquelle les entreprises doivent continuellement créer de nouveaux silos de données pour chaque nouvelle application, projet ou analyse. Une telle approche réduit la capacité à faire de l'analyse d'inférence.

Permettre l'entreprise connectée — composants additionnels d'un data fabric réussi

En tirant parti des capacités d'inférence d'un graphe de connaissances, les organisations n'extrapolent pas seulement de nouvelles connexions de données mais expliquent aussi toute nouvelle connexion qu'il crée. En contraste avec les systèmes de recommandation boîte noire, qui ne peuvent fournir aucune explication ou rationnel pour leurs résultats, le graphe de connaissances peut expliquer toutes les inférences et résultats en termes de données, schéma et règles business. Cette transparence explicative permet aux utilisateurs de revoir comment le graphe de connaissances est arrivé à une réponse et la logique business référencée pour le faire. Ce n'est pas seulement critique pour fournir des résultats de confiance et responsabilité au sein d'une organisation mais est aussi nécessaire pour certaines exigences légales et réglementaires.

Alors qu'un graphe de connaissances est l'ingrédient clé du data fabric, ce n'est pas la seule chose dont une organisation a besoin pour réussir. Un data fabric efficace nécessite de tirer parti et connecter les systèmes sources existants. Il nécessite aussi la capacité de se connecter aux catalogues de données existants, data lakes, bases de données et autres plateformes de gestion de données. Pour les déploiements de data fabric, tirer parti du travail complété dans les catalogues de données est clé pour accélérer la découverte de données et l'enrichissement sémantique. En utilisant le catalogue de données comme entrée, le graphe de connaissances construit une carte de données des actifs de données d'une entreprise qui accélère davantage la création de data fabric par l'apprentissage partiellement automatisé et l'auto-mappage des sources existantes.

Créer un modèle de données d'entreprise est une autre question commune concernant le déploiement d'un data fabric. Beaucoup pensent que c'est un prérequis potentiellement coûteux et chronophage à l'initiative, mais, en réalité, ils n'ont besoin de définir que autant de concepts que nécessaire pour leur cas d'usage initial. Commencez par identifier un problème business critique pour spearhead l'initiative data fabric plus large. Abordez le data fabric avec un mindset MVP et focus seulement sur le travail minimal nécessaire pour accomplir le premier objectif business.

Les organisations de toutes tailles placent un focus et investissement encore plus grand sur la transformation numérique. Malgré cette attention renouvelée, les défis de données fondamentaux restent un obstacle primaire. La transformation numérique requiert la maîtrise des données et grâce à l'héritage de l'IT ce n'est pas une chose simple à atteindre. Il y a juste trop de choses à gérer : formats de données, standards, types de données, vélocités, schémas, systèmes, bases de données, silos, méthodologies, modèles, etc. La pure diversité du paysage IT d'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 nouvelle façon significative, mais elles peuvent aussi découvrir des faits et relations cachés à travers des inférences qui seraient autrement incapables d'être attrapés à grande échelle. En capturant la signification nuancée que différentes unités business peuvent avoir pour la même entité, les organisations peuvent créer une fondation digitale réutilisable qui garde le rythme avec les shifts continus du marché et soit préparée pour ce qui vient ensuite.