Mempercepat Sukses Perusahaan: AI & ML Mengatasi Tantangan Data Real-Time

Membuat data dapat ditindaklanjuti dengan cepat menciptakan tantangan yang sulit untuk tata kelola data lama.

Tiga laporan baru dari Gartner membawa ke tajamnya urgensi yang semakin meningkat bagi perusahaan untuk membangun aplikasi operasional yang menghasilkan nilai yang diinfusi dengan AI dan ML – atau risiko tertinggal selamanya.  

Pembangun Urgensi #1: Dalam prediksi nilai bisnis AI terbarunya, Gartner mengatakan bahwa AI augmentation akan menciptakan $2,9 triliun nilai bisnis pada tahun 2021. Itu dalam satu tahun saja.  

Pembangun Urgensi #2: Studi Strategi Pengembangan AI dan ML Gartner menemukan organisasi terkemuka berencana untuk secara massal meningkatkan proyek AI/ML mereka – dari rata-rata empat tahun ini menjadi 35 pada tahun 2022.    

Pembangun Urgensi #3: Dalam laporan "Predicts 2019: Data & Analytics Strategy" mereka, Gartner mengatakan, "Manajemen data yang efektif semakin kritis dari sebelumnya. sementara beberapa perusahaan telah menguasai data mereka dan mengubahnya menjadi senjata untuk mendapatkan dominasi pasar, banyak yang lainnya sedang berjuang dengan masalah yang menghambat koordinasi intelijen: silo."

Lihat juga: Bagaimana Mempercepat Penerapan AI untuk Mendapatkan Manfaat CI Lebih Cepat

“Organisasi terkemuka” Gartner adalah mereka yang berada di depan dalam balapan untuk meraih bagian dari $2,9 triliun nilai bisnis yang akan mengalir dari inisiatif AI, ML, dan IoE di sekitar dukungan keputusan, otomatisasi keputusan real-time, dan kecerdasan yang ditingkatkan AI, di antara lain.

Apa yang Menahan Perusahaan?

Data yang tersilo bukan satu-satunya hal yang menguntungkan upaya untuk membangun aplikasi IoE dan menerapkan proyek ML dan AI. Sistem legacy yang tidak fleksibel dan tidak sesuai untuk menangani data time series yang terkait dengan IoT, dan operasi real-time juga dapat membingungkan.

Di mana organisasi Anda berada dalam balapan untuk mewujudkan nilai? Bagaimana Anda membantu merampingkan jalan untuk menerapkan proyek AI atau ML dan aplikasi IoE? Jika Anda seperti banyak perusahaan, upaya Anda menghadapi beberapa tantangan utama, dimulai dengan data yang tersilo.

Ketidakmampuan untuk membawa data bersama dari sumber yang berbeda dan merender pandangan holistik adalah driver utama mengapa beberapa perusahaan kesulitan untuk tetap maju, bahkan sebelum mempertimbangkan kebutuhan aplikasi Internet of Everything (IoE) mereka.

Durante bertahun-tahun mereka berkomitmen pada silo data yang dipaksakan pada mereka oleh generasi aplikasi SaaS dan enterprise cloud yang spesifik industri dan fungsi sempit. Namun sekarang mereka mencapai batas analitik data yang terpisah dan menemukan mereka tidak dapat menganalisis atau bertindak terhadap data mereka secara holistik seperti yang ada atau dengan mudah menerapkannya ke aplikasi generasi yang lebih baru.  

Membuat Data sebagai Pusat Gravitasi

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

Sementara kami dioptimalkan terlebih dahulu untuk data time series yang dihasilkan sensor, ini benar-benar tidak masalah tipe data apa, sumbernya mana, atau dalam volume atau kecepatan berapa – data adalah penyebab akar kami. Membangun fondasi otomatisasi data untuk aplikasi agnostik data memungkinkan progres unifikasi data yang menghancurkan silo di dunia enterprise SaaS yang pecah.

Kami menganggapnya sebagai pendekatan omnidata – sesuatu yang akan Anda dengar lebih banyak seiring kebutuhan manajemen data untuk jaringan sensor mengaktifkan manfaat omnidata di tempat lain dalam perusahaan.

Pendekatan pasar yang prevalen jarang mengikuti edik ini. Bicara dengan perusahaan IoT typikal, misalnya, dan mereka tidak akan memiliki cerita yang bagus tentang bagaimana mereka membawa orang ke dalam persamaan. Mereka semua tentang hal-hal. Secara serupa, penyedia layanan lokasi dan manajemen tenaga kerja bercerita bagus tentang pelacakan orang dan pekerja tetapi memiliki kredibilitas sedikit untuk mengintegrasikan hal-hal.

Ini adalah satu alasan IoE jauh lebih hadir dalam komunikasi kami daripada IoT. Sebagian besar masalah operasional perusahaan melibatkan orang dan hal-hal dengan ukuran yang setara. Dari perspektif data, tidak ada perbedaan atau bias.   

Tata Kelola Data Lama Telah Berlalu

Operasionalisasi data menciptakan tantangan baru yang besar untuk tata kelola data lama. Apakah mereka menyadarinya atau tidak, perusahaan memasuki dunia “post database management system (DBMS)”. Mereka menemukan semakin sulit – jika tidak mustahil – untuk memaksa kasus penggunaan data-in-motion ke infrastruktur DBMS legacy yang kaku.

Persyaratan data untuk aplikasi perangkat lunak telah berubah secara dramatis. Baik pengguna maupun mesin menciptakan lebih banyak data untuk mendorong logika bisnis menggunakan teknik seperti analitik data real-time dan machine learning. 

Secara tradisional, semua data aplikasi disimpan dalam database relasional terpusat atau berpusat di kantor. Namun ini tidak menskalakan untuk ledakan data time series yang didorong sensor pada ketergantungan operasi dan intelijen real-time.

Untuk membangun solusi yang benar-benar didorong data, beban rekayasa dan pemeliharaan telah menjadi tidak dapat diubah untuk rumit. Kami telah pergi dari beberapa subsistem menjadi puluhan subsistem yang memerlukan keahlian tim insinyur big data yang lebih mahal.  

Memahami Kasus Penggunaan

Sedangkan membayangkan dan memahami kasus penggunaan IoE, ML, dan AI adalah tantangan besar lainnya yang menahan perusahaan.

Lebih dari 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 kunci lainnya termasuk skalabilitas, bersama dengan sistem legacy yang tidak fleksibel yang tidak dapat menangani data time series atau volume besar data dengan kecepatan tinggi dari sumber yang berbeda.

Satu Tulang Punggung untuk Memerintah Semua

Diberikan serangkaian tantangan ini, semakin banyak perusahaan bereksperimen dengan menggunakan fondasi otomatisasi data “satu tulang punggung” untuk membangun aplikasi IoE. Ini memerlukan platform terbuka dan fleksibel untuk membangun solusi real-time, scalable, otomatisasi data, dan AI yang dapat menangani ingesti data scalable, normalisasi, dan pengayaan bersama dengan logika bisnis real-time, penyimpanan data, dan analitik keputusan.  

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

Perusahaan membutuhkan sistem yang akan memungkinkan mereka untuk menggest data sensor dengan volume dan kecepatan yang bervariasi, dengan tipe atau kombinasi masukan dan keluaran apa pun. Dan mereka harus memiliki kemampuan untuk menerapkan kemampuan tersebut on-premises, di cloud, di Edge atau versi hibrid.

Ini memecahkan atau menghindari banyak masalah, dari data yang tersilo dan skalabilitas terbatas hingga tantangan membangun banyak aplikasi tanpa menciptakan ulang fondasi data setiap kali. Dan itu akan memberikan jalur yang lebih cepat untuk mewujudkan nilai.