Menyelesaikan Kebutuhan Real-Time saat Pemimpin Perusahaan Berlomba Terdepan dengan ML dan AI

Membuat data dengan cepat dapat ditindaklanjuti menciptakan tantangan yang sulit bagi tatanan pengelolaan data lama.

Tiga laporan baru dari Gartner menyoroti dengan tajam meningkatnya urgensi bagi perusahaan untuk membangun aplikasi operasional yang menghasilkan nilai yang dilengkapi dengan AI dan ML – atau berisiko tertinggal selamanya .

UrgencyBuilder #1: Dalam perkiraan nilai bisnis AI terbaru, Gartner mengatakan bahwa AIaugmentation akan menghasilkan $2.9 triliun nilai bisnis pada tahun 2021. Itu hanya dalam satu tahun.

UrgencyBuilder #2: Studi Strategi Pengembangan AI dan ML Gartner menemukan bahwa organisasi terkemuka berharap untuk meningkatkan proyek AI/ML mereka secara besar-besaran – dari rata-rata empat tahun ini menjadi 35 pada tahun 2022.

UrgencyBuilder #3: Dalam laporan “Predicts 2019:Data &Analytics Strategy”, Gartner mengatakan, “Manajemen data yang efektif lebih penting dari sebelumnya. Sementara beberapa perusahaan telah mengambil kendali atas data mereka dan mengubahnya menjadi senjata untuk mengamankan dominasi pasar, banyak lainnya berjuang dengan masalah yang menempatkan koordinasi intelijen rem:silo .”

Lihat juga: Cara Mempercepat Penerapan AI untuk Mencapai Manfaat CI Lebih Cepat

“Organisasi terkemuka” Gartner adalah yang terdepan dalam perlombaan untuk meraih bagian dari nilai bisnis $2,9 triliun yang akan mengalir dari inisiatif AI, ML, dan IOE seputar dukungan keputusan, otomatisasi keputusan waktu nyata, dan kecerdasan yang ditambah AI, antara lain.

Apa yang Menahan Perusahaan?

Data tertutup bukanlah satu-satunya hal yang melemahkan upaya untuk membangun aplikasi IOE dan menerapkan proyek ML dan AI. Sistem lama yang tidak fleksibel tidak sesuai untuk menangani data deret waktu yang terkait dengan IoT, dan waktu nyata operasi juga dapat membingungkan.

Di mana Anda peringkat organisasi dalam perlombaan untuk mewujudkan nilai? Apa kabar Anda membantu kelancaran penerapan proyek AI atau ML dan aplikasi IOE? Jika Anda seperti banyak perusahaan, upaya Anda menghadapi beberapa tantangan utama, dimulai dengan data tertutup.

Ketidakmampuan untuk menyatukan data dari sumber yang berbeda dan memberikan pandangan yang holistik adalah pendorong utama mengapa beberapa perusahaan berjuang untuk mengikuti, bahkan sebelum mempertimbangkan persyaratan aplikasi Internet of Everything (IoE) mereka.

Selama bertahun-tahun mereka berkomitmen pada silo data yang dipaksakan oleh generasi aplikasi SaaS dan cloud perusahaan khusus industri dengan fungsi sempit. Tetapi sekarang mereka mencapai batas analitik dari data yang dipisahkan dan menemukan bahwa mereka tidak dapat menganalisis atau bertindak secara holistik pada data mereka sebagaimana adanya atau dengan mudah menerapkannya ke aplikasi generasi yang lebih baru.

Menjadikan Data sebagai Pusat Gravitasi

Agar berhasil, semua upaya ML dan AI harus didasarkan pada data. Kami melihat setiap persyaratan otomatisasi proses melalui datalens terlebih dahulu. Ini adalah pusat gravitasi untuk semua yang kami lakukan, setiap proses yang kami otomatisasi, dan setiap keputusan atau tindakan real-time yang kami aktifkan.

Meskipun kami dioptimalkan terlebih dahulu untuk data deret waktu yang dihasilkan sensor, tidak masalah jenis datanya, sumbernya, atau volume atau kecepatannya – data adalah penyebab utama kami. Membangun fondasi otomatisasi data untuk aplikasi agnostik data memungkinkan kemajuan penyatuan data silo-busting di dunia SaaS perusahaan yang retak.

Kami menganggapnya sebagai omnidata pendekatan – sesuatu yang akan Anda dengar lebih banyak karena persyaratan manajemen data untuk jaringan sensor memungkinkan manfaat omnidata di tempat lain di perusahaan.

Pendekatan pasar yang berlaku jarang mengikuti dekrit ini. Bicaralah dengan perusahaan IoT biasa, misalnya, dan mereka tidak akan memiliki cerita bagus tentang bagaimana mereka membawa orang ke dalam persamaan. Mereka semua tentang hal-hal. Demikian pula, layanan data lokasi dan penyedia manajemen tenaga kerja berbicara cerita yang bagus tentang pelacakan orang dan pekerja tetapi memiliki sedikit kredibilitas untuk mengintegrasikan sesuatu .

Inilah salah satu alasan IOE jauh lebih hadir dalam komunikasi kita daripada IoT. Sebagian besar masalah operasi perusahaan melibatkan orang-orang dan hal-hal dalam ukuran yang sama. Dari perspektif data, tidak ada perbedaan orbit.

Perintah Pengelolaan Data Lama Sudah Keluar

Operasionalisasi data menciptakan tantangan baru yang besar terhadap tatanan manajemen data yang lama. Disadari atau tidak, perusahaan sedang memasuki dunia “post database management system (DBMS)”. Mereka merasa semakin sulit – jika bukan tidak mungkin – untuk memasukkan kasus penggunaan data ke dalam infrastruktur DBMS lama yang kaku.

Persyaratan data untuk aplikasi perangkat lunak telah berubah secara dramatis. Baik pengguna dan mesin membuat lebih banyak data untuk mendorong logika bisnis menggunakan teknik seperti analisis data waktu nyata dan pembelajaran mesin.

Secara tradisional, semua data aplikasi disimpan dalam database relasional yang terpusat atau terpusat pada kantor. Tetapi ini tidak menskala untuk ledakan data deret waktu yang digerakkan oleh sensor yang menjadi sandaran operasi dan kecerdasan real-time.

Untuk membangun solusi berbasis data yang sebenarnya, beban rekayasa dan pemeliharaan menjadi sangat rumit. Kami telah beralih dari beberapa subsistem menjadi lusinan subsistem yang membutuhkan keahlian tim rekayasa data besar yang lebih mahal.

Memahami Kasus Penggunaan

Membayangkan dan memahami kasus penggunaan terkait IOE, ML, dan AI adalah tantangan besar lainnya yang menahan perusahaan.

Sekitar 42% responden survei pengembangan AI/ML Gartner menyebut identifikasi kasus penggunaan sebagai tantangan terbesar kedua mereka (setelah kurangnya keterampilan). Kami melihat ini, berkali-kali.

Tantangan utama lainnya termasuk skalabilitas, serta sistem lama yang tidak fleksibel yang tidak dapat menangani data deret waktu atau volume besar data berkecepatan tinggi dari sumber yang berbeda.

OneBackbone untuk Mengatur Semua

Mengingat banyaknya tantangan ini, semakin banyak perusahaan yang bereksperimen dengan menggunakan dasar otomatisasi data "tulang punggung tunggal" untuk membangun aplikasi IOE. Ini membutuhkan platform terbuka dan fleksibel untuk membangun solusi real-time, scalable, data-automation, dan AI yang dapat menangani penyerapan data yang terukur, normalisasi, dan pengayaan bersama dengan logika bisnis real-time, penyimpanan data, dan analitik keputusan.

Pendekatan tulang punggung data memungkinkan pengembang untuk fokus membangun bisnis unik dan nilai pengguna ke dalam solusi mereka, daripada mencoba mengantisipasi semua penggunaan data agar sesuai dengan infrastruktur DBMS yang lebih lama dan lebih kaku.

Perusahaan membutuhkan sistem yang memungkinkan mereka mencerna data sensor pada volume dan kecepatan yang bervariasi, dengan jenis apa pun atau kombinasi input dan output. Dan mereka harus memiliki kemampuan untuk menerapkan kemampuan tersebut di lokasi, di cloud, di Edge, atau versi hybrid.

Ini memecahkan atau menghindari banyak masalah, mulai dari data tertutup dan skalabilitas terbatas hingga tantangan dalam membangun banyak aplikasi tanpa harus selalu menemukan kembali fondasi data. Dan itu akan memberikan jalur yang lebih cepat menuju realisasi nilai.