Jika data adalah oli baru, siapa kilang Anda?
Untuk tim perusahaan, data tampaknya ada di mana-mana, menunggu untuk dibuka untuk mendorong tujuan bisnis Anda ke depan. Kami baru-baru ini duduk dengan dua otoritas IoT terkemuka Nokia — Marc Jadoul, direktur pengembangan Pasar IoT, Denny Lee, Kepala Strategi Analisis — untuk membicarakan bagaimana data perusahaan Anda dapat menjadi minyak yang mendorongnya maju.
BacaTulis: Jadi ungkapan ini – “Data adalah minyak baru” – adalah sesuatu yang pernah saya dengar dibicarakan di konferensi dan diangkat beberapa kali. Tapi masalahnya, minyak bisa menjadi bahan bakar, dan juga bisa menjadi pelumas, dalam pikiran Anda, dengan klien Anda, apa artinya?
Marc Jadoul: Cara saya melihatnya, adalah dari sudut pandang nilai. Jika Anda membandingkan harga satu barel minyak mentah dengan harga satu barel bahan bakar jet, ada beberapa perbedaan. Data, seperti minyak, dapat dan harus melalui proses penyempurnaan yang serupa.
Semakin disempurnakan, semakin banyak nilai yang dapat diberikannya karena seperti bahan bakar, ia akan mendukung aplikasi yang lebih canggih. Cara lain untuk memikirkan hal ini adalah seperti piramida – jika Anda memulai dari bagian bawah piramida, pada dasarnya Anda mengumpulkan data mentah di tingkat sensor. Pada tahap selanjutnya, Anda mulai memantau data ini dan mulai menemukan apa yang termasuk di dalamnya. Anda mungkin akan menemukan beberapa anomali atau tren dan berdasarkan analisis Anda, Anda dapat menemukan informasi penting yang membantu Anda menciptakan nilai bagi perusahaan yang mendorong pengambilan keputusan yang lebih baik yang disebut Pengambilan Keputusan Berdasarkan Data (DDDM).
Kemudian, jika Anda melakukan pengambilan keputusan ini dalam semacam fase pembelajaran berdasarkan analitik kognitif, Anda tidak hanya akan membantu membuat keputusan tetapi juga memprediksi perilaku. Setelah Anda dapat memprediksi perilaku, maka Anda telah mencapai titik data yang paling halus, di mana data tersebut cukup murni untuk diubah menjadi pengetahuan guna membantu mesin dan aplikasi Anda membuat keputusan otonom.
Apa yang saya jelaskan adalah rantai nilai di mana data memberikan wawasan dan pengetahuan untuk membantu perusahaan membuat keputusan yang lebih baik dan pada akhirnya mengotomatiskan beberapa proses dan pengambilan keputusan. Saya membuat paralel dengan industri minyak, bukan sebagai metafora untuk fungsi pelumas (tertawa ), tetapi dibandingkan dengan proses penyempurnaan. Semakin Anda menyempurnakannya, semakin berguna dan semakin banyak nilai yang Anda dapatkan.
Denny Lee: Ketika orang menggunakan frase minyak baru, saya selalu berpikir kembali ke tahun 1970-an – ketika Anda mengendalikan minyak, Anda mengendalikan ekonomi. Saya pikir ketika seseorang mengatakan "data adalah minyak baru" itu berakar pada kesamaan ini. Data adalah minyak baru juga berarti bahwa jika Anda mampu memegang kendali itu, Anda dapat menguasai ekonomi dan sektor Anda dengan lebih baik.
Ketika saya mendengar istilah itu, itu juga kembali ke gagasan bahwa "data adalah mata uang." Data cukup mentah dalam bentuknya dan orang sering menggunakan istilah ini dengan cukup longgar. Beberapa orang mungkin berpikir bahwa data, wawasan, dan kecerdasan semuanya mengacu pada hal yang sama. Namun pada kenyataannya, kami benar-benar membuat perbedaan yang cukup besar antara ini. Pada akhirnya, kami menganjurkan bahwa data adalah bahan mentah dan kami ingin memproses data yang mengarah pada wawasan. Wawasan dan kecerdasan adalah apa yang dibutuhkan bisnis. Saya yakin kita akan berbicara nanti tentang cara memanfaatkan kecerdasan ini untuk tujuan bisnis yang dapat ditindaklanjuti.
RW: Jadi, saat Anda duduk bersama klien untuk mendiskusikan cara membuat mereka membayangkan inovasi berbasis data dalam organisasi mereka, apa hal pertama yang perlu mereka ketahui, hal pertama yang harus mereka tanyakan?
MJ: Saya pikir hal pertama yang perlu mereka lakukan adalah memahami bisnis mereka sendiri dan apa tantangan dan masalah yang ingin mereka selesaikan. Alih-alih sebaliknya, berusaha mencari masalah untuk solusi mereka. Mengutip Simon Sinek, seseorang harus mulai dengan "mengapa?" sebagai gantinya dengan "bagaimana?" atau "apa?" pertanyaan.
DL: Hasil bisnis jelas merupakan satu hal tetapi sebelum itu Anda harus mengajukan pertanyaan kepada siapa Anda berbicara dalam organisasi. Masing-masing akan memiliki batas organisasi atau bidang tanggung jawab yang berbeda yang akan mendorong serangkaian pertanyaan berbeda.
Misalnya, jika Anda berbicara dengan seorang CEO, kotak pasirnya sangat besar. Di sisi lain, Anda bisa berbicara dengan bagian organisasi yang tertutup di mana alam semesta mereka sendiri sangat ditentukan. Kemudian Anda perlu memahami konteks bisnis mereka dan hasil bisnis akhir yang mereka inginkan, Anda kemudian bekerja mundur dan berkata “oke, jenis data apa yang sebenarnya Anda miliki?”; dan Anda mencoba menghubungkan masalah ke solusi. Jelas ketika kita berbicara tentang konteks analitik, ini tentang memproses data ke titik di mana itu dapat mendorong hasil bisnis mereka.
Kemudian pada akhirnya kita harus berbicara tentang melintasi batas-batas organisasi. Ini adalah poin yang sangat penting yang tidak boleh kita lewatkan. Terkadang bongkahan intelijen datang hanya dengan meruntuhkan penghalang antar organisasi.
RW: Anda telah mengatakan kepada CEO bahwa Anda memiliki kotak pasir yang lebih besar untuk dikerjakan, tetapi ketika saya berbicara dengan orang lain yang mencoba menerapkan solusi berbasis data di sekitar IoT, gagasan tentang siapa yang menjadi juara di dalamnya sebuah organisasi sering kali menjadi inti dari siapa yang benar-benar tahu bahwa tantangan ada di dalam organisasi, adakah yang dapat Anda katakan tentang seperti apa sosok juara organisasi yang khas dan bagaimana mengorientasikan tujuan tersebut di seluruh organisasi?
DL: Nah, dalam konteks IoT, organisasi seringkali dapat dibagi menjadi dua ranah. Sisi Teknologi Operasi (OT) dan sisi Teknologi Informasi (TI). Di sisi PL solusi Anda dapat ditargetkan pada orang yang mengontrol infrastruktur untuk perusahaannya. Tergantung pada orang yang Anda ajak bicara dalam kelompok itu, mereka akan memiliki kebutuhan yang berbeda.
Mari kita ambil contoh pelanggan yang berfokus pada pemeliharaan prediktif. Dalam hal ini, dia mungkin hanya memiliki anggaran untuk fokus pada pemeliharaan dan menggunakan data besar dan pembelajaran mesin untuk mendukung siklus pemeliharaan dan untuk meminimalkan pemadaman mesin. Ini adalah kasus penggunaan yang sangat sempit dengan tujuan tertentu. Tetapi jika Anda berbicara dengan manajer mereka, cakupan dan konteks masalah yang mereka coba selesaikan jauh lebih luas dan mungkin melintasi batas organisasi
MJ: Saya benar-benar ingin melengkapi pandangan ini dengan melihat ke bagian lain dari organisasi. Selain para pemimpin yang membutuhkan analitik untuk membuat keputusan yang baik, saya melihat pentingnya peran analis data yang muncul di sejumlah organisasi. Para ahli ini tahu bagaimana menangani data – atau menggunakan metafora yang kami gunakan sebelumnya:mengontrol proses penyempurnaan. Kami berbicara di sini tentang serangkaian keterampilan yang berbeda dari yang dimiliki orang-orang TI tradisional. Latar belakang pendidikan saya adalah ilmu komputer dan 20 tahun yang lalu, dasar pendidikan ilmu komputer adalah matematika. Ketika saya melihat kurikulum 5-10 tahun kemudian, penekanannya telah bergeser ke algoritma dan bahasa pemrograman. Hari ini, putra saya sedang menyelesaikan PhD-nya di bidang AI dan, percayalah, para siswa ini harus memiliki pemahaman matematika dan statistik yang sangat kuat lagi. Dan jangan lupa bahwa – karena ilmuwan data perlu mendukung keputusan bisnis perusahaan – mereka juga harus memiliki tingkat pengetahuan domain dan ketajaman bisnis yang baik.
RW: Jadi sudah bulat?
MJ: Dengan masalah yang paling kompleks di mana Anda tidak bisa hanya menggunakan data komputer mentah dan angka untuk melakukan sesuatu dengan data. Anda benar-benar membutuhkan pengetahuan domain untuk mengetahui apa yang berarti dan apa yang tidak berarti. Dan inilah orang-orang yang mewujudkannya dalam organisasi karena mereka berperan sebagai pendukung bagi para pengambil keputusan internal seperti yang dijelaskan Denny.
RW: Kami melihat banyak solusi IoT ditawarkan di sekitar sejumlah besar data yang Anda miliki atau dapat analisis. Jadi, pada titik tertentu, jika Anda memiliki pengetahuan data internal yang bagus, tetapi jika tidak, apakah ada risiko membanjiri klien dan menawarkan terlalu banyak opsi data, apakah mereka benar-benar membutuhkan bakat itu sendiri?
MJ: Itu tergantung pada jenis solusi yang ingin Anda bangun, tentu saja. Dan di mana Anda dapat melakukan penyaringan dan pengaturan ambang batas pada beberapa data, misalnya jika Anda memiliki sensor suhu pada instalasi pendingin, satu-satunya data yang sebenarnya ingin Anda dapatkan adalah pengecualian atau anomali karena jika semuanya normal di sana tidak perlu kewalahan oleh volume data normal yang besar. Jadi yang penting adalah Anda melakukan pengumpulan data yang cerdas dan mencoba menyaring, dan menganalisis dan mengolah angka-angkanya sedini mungkin. Untuk memulai proses penyempurnaan sedekat mungkin dengan perangkat tempat data dihasilkan.
DL: Izinkan saya berbagi dengan Anda pandangan tentang pemikiran kami. Ini juga berlaku untuk IoT. Singkatnya, cara kita melihat kecerdasan data mirip dengan otak manusia. Kami sebenarnya mendorong gagasan tumpukan intelijen. Jika Anda memikirkannya dalam kerangka otak Anda sendiri, ada hal-hal yang memiliki waktu respons lebih cepat dan lebih otonom. Pada lapisan ini, Anda sedang memproses data lingkungan tetapi dengan cakupan yang sempit. Sekarang mari kita menggambar kesamaan dengan IoT. Hal-hal terjadi dengan sendirinya dan ketika memerlukan beberapa penyesuaian umpan balik, itu membuat keputusan lokal yang otonom.
Di lapisan berikutnya, mungkin ada tindakan waktu respons moderat dan agak otonom. Dan kemudian ada lapisan atas yang kita sebut kecerdasan tertambah. Ini berfungsi untuk membantu manusia; karena pada lapisan paling atas masih administrator manusia – eksekutif manusia yang membuat perubahan kebijakan jangka panjang. Dan lapisan tambahan itu adalah lapisan teratas perangkat lunak yang mengungkap wawasan tersembunyi bagi manusia untuk membuat penyesuaian yang lebih baik, berbeda, dan berjangka panjang.
Jadi, jika Anda menganggap lapisan yang berbeda ini sebagai bagian dari tumpukan, bahkan jika Anda memikirkannya dalam konteks IoT, katakanlah di tingkat pabrik:semakin dekat Anda ke dasar, kita berbicara tentang robotika di mana segala sesuatunya otomatis . Dan saat Anda naik, itu lebih manusiawi; dan perangkat lunak memainkan peran yang lebih besar dalam hal menemukan wawasan agar manusia dapat membuat penilaian yang lebih baik.
MJ: Yang menarik, hal ini juga tercermin di tingkat infrastruktur. Mungkin Anda pernah mendengar tentang edge cloud atau komputasi tepi multi-akses atau MEC, di mana Anda sebenarnya akan melakukan sebagian pemrosesan data sedekat mungkin dengan sumbernya. Dan itu karena dua alasan:Pertama, Anda ingin mengurangi latensi di jaringan, dan mengurangi waktu penyelesaian untuk pengambilan keputusan. Kedua, Anda tidak ingin memasukkan semua data dalam jumlah besar ini melalui inti cloud Anda. Anda hanya ingin pengguna dan pembuat keputusan Anda berurusan dengan hal-hal yang benar-benar berguna. Ketika saya harus menjelaskan komputasi tepi, terkadang saya menggambarkannya sebagai CDN terbalik (jaringan pengiriman konten).
Lihat apa yang kami lakukan bertahun-tahun yang lalu ketika video on demand dan live streaming menjadi populer. Kami tiba-tiba dihadapkan dengan masalah bahwa kami mungkin tidak memiliki bandwidth yang cukup untuk melayani setiap pengguna dengan aliran individu, dan dengan kemungkinan latensi. Jadi, kami menempatkan server caching lebih dekat ke pengguna akhir di mana kami akan menempatkan konten paling populer dan dapat melakukan beberapa navigasi dan pemrosesan konten lokal, seperti maju dan mundur cepat, dan adaptasi konten. Jadi ini adalah penyimpanan hilir dan pengoptimalan sumber daya komputasi. Dan hari ini kami memiliki sejumlah pemain di internet, misalnya Akamai, yang menghasilkan banyak uang dengan layanan caching dan pengoptimalan seperti itu.
Sekarang, jika Anda melihat Internet of Things, masalahnya bukan pada jumlah data hilir seperti di video tetapi tantangannya adalah jumlah sumber data dan volume data hulu. Karena Anda memiliki sejumlah besar perangkat IoT yang menghasilkan sejumlah besar catatan data dan apa yang sebenarnya akan Anda lakukan adalah memasukkan beberapa jenis layanan caching hulu yang dekat dengan sumbernya untuk mengumpulkan data, lakukan beberapa analitik tingkat rendah dan pastikan Anda hanya mengirim informasi yang masuk akal lebih jauh ke awan untuk diproses lebih lanjut dan disempurnakan lebih lanjut, untuk menggunakan metafora industri minyak sekali lagi. Oleh karena itu, saya sering menyebut edge computing sebagai semacam "CDN terbalik" karena menyediakan jenis fungsi yang sama tetapi menggunakan arsitektur yang berbeda dan beroperasi pada aliran ke arah yang berbeda.
RW: Oke, jadi kami punya seseorang yang ingin berinvestasi dalam proyek apa pun, biasanya seseorang mendapat penghematan biaya atau aliran pendapatan baru, saya kira, tapi saya pikir lebih sering itu tidak, sepertinya keputusan pergi/tidak pergi paling sering didorong oleh pengurangan biaya atau efisiensi — yang selalu memiliki daya tarik di sebagian besar organisasi. Bisakah Anda berdua memberikan contoh proses berbasis data yang dapat membuka tidak hanya penghematan biaya tetapi mungkin juga jalur keputusan, seperti masing-masing contoh?
MJ: Saya bisa mulai dengan apa yang kami lakukan dengan solusi analitik video kami. Ini adalah contoh aplikasi yang menggunakan volume besar data yang dialirkan oleh mis. kamera pengintai video sirkuit tertutup.
Di kota-kota Anda memiliki ratusan atau ribuan kamera ini yang menghasilkan sejumlah besar aliran video langsung. Umumnya, tidak ada cukup staf untuk melihat semua layar secara bersamaan, karena akan sangat mahal dan tidak efisien jika orang menonton semua streaming video ini 24/7. Jadi, solusi Nokia adalah menganalisis video ini dan mencari anomali. Ada banyak contoh kasus penggunaan, seperti mobil yang melaju ke arah yang salah, kekacauan di bandara, beberapa orang atau benda yang membuat gerakan yang tidak biasa. Apa yang sebenarnya kami lakukan adalah mengumpulkan data video ini dan memasukkannya ke dalam rantai penyempurnaan, diproses melalui sejumlah algoritme yang mengenali situasi tertentu dan mendeteksi anomali. Menambahkan kemampuan AI ke dalamnya, sistem menjadi belajar mandiri dan dapat mengidentifikasi, memperingatkan, dan memprediksi segala jenis "terjadi" yang tidak biasa. Ini membantu pengambilan keputusan tetapi pada saat yang sama juga menghemat biaya yang sangat besar karena kota dan perusahaan keamanan hanya membutuhkan sebagian kecil orang. Teknologi analitik sebenarnya membuat solusi pengawasan video semacam ini menjadi mungkin dan terjangkau.
RW: Benar, mata manusia tidak terlalu terukur.
MJ: Benar, mata manusia tidak terlalu terukur dan mungkin 99,99% konten video CCTV ini tidak perlu diperhatikan. Jadi, Anda perlu belajar memfilter data sedekat mungkin dengan sumbernya dan hanya terus bekerja dengan apa yang relevan.
DL: Jadi Trevor, saya juga akan memberi Anda beberapa contoh. Kelompok pertama adalah kelompok yang mempercepat resolusi lebih cepat:seperti pemeliharaan prediktif, "Tindakan Terbaik Berikutnya," di bawah bidang perawatan prediktif untuk merekomendasikan tindakan alur kerja ke agen perawatan, dan analisis akar masalah otomatis. Contoh kasus penggunaan ini sebelumnya dilakukan secara manual. Anda menunggu beberapa kesalahan terjadi dan kemudian Anda memeriksanya. Dengan otomatisasi dan prediksi; sebagai gantinya, beberapa solusi pembelajaran mesin dapat memprediksi kemungkinan terjadinya kesalahan sebelumnya dan Anda dapat meminimalkan tindakan pemeliharaan yang mahal untuk memperbaiki masalah setelahnya.
Kumpulan contoh lain berada di bawah kategori sentrisitas pelanggan dengan penggunaan kecerdasan buatan. Banyak pelanggan tertarik dengan topik ini karena pada akhirnya mereka menyadari bahwa pesaing mereka juga berusaha untuk menenangkan pelanggan akhir mereka sebaik mungkin. Dan siapa pun yang dapat melakukan yang terbaik akan memenangkan hari itu. Jadi, menghargai dan memahami pengalaman pelanggan dan mampu memprediksinya serta menanggapi kebutuhan mereka akan menjadi aspek penting dari solusi analitik data besar. Misalnya dalam konteks penyedia dan operator solusi jaringan, mengetahui sebelumnya bahwa kemacetan akan terjadi dan bereaksi terhadapnya, akan menjadi penting. Mungkin memiliki kinerja yang terkelola dengan baik, tetapi menurun, lebih baik daripada tidak memiliki layanan sama sekali dalam keadaan tertentu. Jadi mengatasi masalah dengan sentrisitas pelanggan juga merupakan bentuk aplikasi AI – pahami pengalaman mereka dan kemudian bertindak sesuai dengan itu. Yang ketiga, menurut saya adalah kasus penggunaan augmented reality yang menarik bagi eksekutif tingkat yang lebih tinggi dan pemilik kebijakan operator perusahaan IoT.
Kelas masalah lain akan sesuai dengan kategori "optimasi." Jika Anda melihat serangkaian hasil bisnis, Anda dapat mengatur masalah sebagai masalah pengoptimalan:ini adalah kotak pasir saya, ini adalah data mentah saya dan KPI saya dan itulah yang ingin saya optimalkan sebagai sasaran. Sistem kemudian dapat diatur untuk mengoptimalkannya. Hal ini terkait dengan titik di mana seseorang memiliki kesempatan untuk memecah silo organisasi dan mengoptimalkan hasil tertentu yang sebelumnya tidak dapat ditemukan ketika organisasi tersebut tertutup. Jenis intelijen seperti itu lebih menarik bagi eksekutif dan pemilik kebijakan organisasi.
Artikel ini dibuat dalam kemitraan dengan Nokia. Ini adalah bagian dari rangkaian artikel di mana tim dari Nokia akan memberikan saran ahli dan mempelajari lebih lanjut analisis data, keamanan, dan platform IoT.
