Inferensi: Membuka Nilai Penuh Data Anda untuk Keputusan yang Lebih Cerdas
Memanfaatkan kemampuan inferensi dari knowledge graph, organisasi dapat mengekstrapolasi koneksi data baru dan menjelaskan setiap koneksi baru yang mereka ciptakan.
Transformasi digital sangat populer, dan dalam sebagian besar kasus, tujuan transformasi digital adalah untuk memperlakukan data seperti aset. Dalam beberapa kasus, itu berarti monetisasi data, dan dalam kasus lain, tujuannya adalah untuk memanfaatkan data secara lebih efisien untuk menghasilkan wawasan untuk membuat keputusan yang lebih baik. Namun, dalam kenyataan, keduanya sulit dicapai. Transformasi digital memerlukan wawasan cepat dari data yang semakin hibrid, beragam, dan berubah, tetapi platform integrasi data tradisional tidak dirancang untuk lingkungan saat ini. Sebagai hasilnya, organisasi tidak lagi dapat mengikuti kompleksitas data yang bertumbuh, dan mereka juga tidak dapat mengidentifikasi hubungan dan koneksi tersembunyi di antara data untuk mengungkap peluang baru. Secara bertahap, yang dibutuhkan adalah kemampuan inferensi yang memungkinkan perusahaan untuk menggabungkan berbagai kumpulan data dan menganalisanya untuk menghasilkan wawasan.
Mendorong pertumbuhan dan inovasi di dunia kompleks saat ini dengan menangkap data yang tidak pernah berakhir hanya mungkin ketika tim TI dapat terlepas dari struktur data yang kaku dan gaya integrasi yang usang.
Cepat tanggap adalah kunci kesuksesan bisnis, dan perusahaan berusaha keras untuk membuat data dapat digunakan saat itu penting, bukan untuk jawaban besok atau minggu depan, tetapi untuk saat ini.
Namun untuk membuka nilai yang belum dimanfaatkan diperlukan kemampuan untuk menghubungkan data berdasarkan makna bisnisnya, terlepas dari format, sumber, atau teknologi yang mendasarinya. Jumlah data yang sangat besar yang berasal dari pembelajaran mesin dan sumber lain memerlukan kemampuan untuk mengaitkan informasi yang terkait yang disimpan di sumber yang berbeda dan kemudian menerapkan jaringan hubungan yang kaya untuk menemukan asosiasi baru. Ini adalah kunci untuk mewujudkan janji transformasi digital. Namun bagaimana seseorang mencapai ini?
Berpindah dari premis ke konsekuensi logis: Bagaimana data fabric menyediakan inferensi yang dibutuhkan
Organisasi saat ini mengadopsi pendekatan integrasi modern seperti data fabric untuk mendukung proyek dan produk kolaboratif lintas fungsi dan melarikan diri dari alur kerja reaktif. Dengan menenun data dari silo internal dan sumber eksternal, mereka menciptakan jaringan informasi untuk mendukung aplikasi, AI, dan analitik bisnis. Sederhananya, mereka mendukung skala penuh perusahaan kompleks saat ini dengan menciptakan koneksi antara informasi yang disimpan di sumber yang berbeda.
Knowledge graph adalah bagian integral dari data fabric yang efektif karena mereka menciptakan jaringan informasi yang dapat digunakan kembali, mewakili data dengan berbagai struktur, dan mendukung banyak skema. Dengan menciptakan pemahaman semantik tentang data perusahaan dan pihak ketiga, knowledge graph berfungsi sebagai inti data fabric—memperkaya dan mempercepat investasi yang ada serta menyediakan akses kritis ke wawasan bisnis. Yang lebih penting, knowledge graph mengubah data menjadi pengetahuan dunia nyata yang dapat dimengerti mesin yang mendukung perubahan situasional, sehingga makna bergantung pada keadaan. Setelah terbentuk, knowledge graph juga menggunakan jaringan hubungan yang kaya ini untuk menemukan asosiasi baru dalam data. Hubungan yang diinferensikan ini menciptakan tampilan yang lebih kaya dan lebih akurat dari data perusahaan.
Dengan menyediakan asosiasi bertingkat antara konsep, knowledge graph memberikan pemahaman yang halus sehingga organisasi yang didorong pengetahuan dapat mengidentifikasi penemuan baru. Mereka juga menyediakan konteks yang seringkali hilang dari data karena knowledge graph dirancang untuk mendukung sifat yang berfluktuasi dari pengetahuan. Hasilnya adalah fondasi yang lebih fleksibel untuk operasi digital karena teknologi dengan mudah menerima data, definisi, dan kebutuhan baru.
Model data knowledge graph, sering disebut ontologi atau kosakata, mencakup hubungan umum antara entitas dan memungkinkan perusahaan untuk mendeskripsikan domain yang kompleks. Pertimbangkan kedokteran sebagai contoh. Untuk mengembangkan terapi baru, perusahaan farmasi harus memiliki akses ke banyak fakta, konstruk model, dan aturan bisnis, semuanya harus saling berinteraksi untuk menyiratkan koneksi baru. Kemampuan inferensi ini adalah yang memungkinkan produsen untuk menghubungkan orang ke infrastruktur melalui aplikasi yang mereka gunakan. Ini juga membantu mereka untuk menerapkan kontrol berdasarkan kesamaan insiden baru dengan insiden di masa lalu dan menemukan tautan yang diinferensikan antara penyelidik dan area terapeutik berdasarkan kondisi yang sedang diteliti dalam studi. Dan daftarnya masih lanjut.
Menerapkan beberapa model data ke data fabric secara bersamaan memungkinkan organisasi untuk mendukung beberapa aplikasi yang memerlukan interpretasi yang berbeda dari data yang sama. Pendekatan integrasi data tradisional seperti data lake atau data warehouse terbatas dalam kapasitas ini, karena mereka membuatnya sulit untuk mendukung lebih dari satu skema. Ini adalah salah satu alasan perusahaan harus terus menciptakan silo data baru untuk setiap aplikasi, proyek, atau analisis baru. Pendekatan semacam itu mengurangi kemampuan untuk melakukan analisis inferensi.
Mengaktifkan perusahaan yang terhubung-komponen tambahan dari data fabric yang sukses
Memanfaatkan kemampuan inferensi knowledge graph, organisasi tidak hanya mengekstrapolasi koneksi data baru tetapi juga menjelaskan setiap koneksi baru yang diciptakannya. Berbeda dengan sistem rekomendasi black box yang tidak dapat memberikan penjelasan atau rasional untuk hasilnya, knowledge graph dapat menjelaskan semua inferensi dan hasilnya dalam hal data, skema, dan aturan bisnis. Transparansi penjelasan ini memungkinkan pengguna untuk meninjau bagaimana knowledge graph sampai pada jawaban dan logika bisnis yang dirujuk untuk melakukannya. Ini tidak hanya kritis untuk menyediakan hasil yang dapat dipercaya dan akuntabilitas dalam organisasi tetapi juga diperlukan untuk beberapa persyaratan hukum dan peraturan.
Sementara knowledge graph adalah komponen kunci dari data fabric, itu bukan satu-satunya hal yang dibutuhkan organisasi untuk sukses. Data fabric yang efektif memerlukan pemanfaatan dan koneksi sistem sumber yang ada. Ini juga memerlukan kemampuan untuk terhubung ke katalog data, data lake, database, dan platform manajemen data yang ada. Untuk penerapan data fabric, memanfaatkan pekerjaan yang selesai dalam katalog data adalah kunci untuk mempercepat penemuan data dan enrichment semantik. Menggunakan katalog data sebagai input, knowledge graph membangun peta data aset data perusahaan yang lebih mempercepat pembuatan data fabric melalui pembelajaran sebagian otomatis dan auto-mapping sumber yang ada.
Membuat model data perusahaan yang luas adalah pertanyaan umum lainnya mengenai penerapan data fabric. Banyak orang mengira ini adalah prasyarat yang mungkin mahal dan memakan waktu untuk inisiatif, tetapi, dalam kenyataan, mereka hanya perlu mendefinisikan sebanyak mungkin konsep yang diperlukan untuk use case awal mereka. Mulailah dengan mengidentifikasi masalah bisnis kritis untuk memimpin inisiatif data fabric yang lebih luas. Pendekati data fabric dengan pola pikir MVP dan fokus hanya pada jumlah kerja minimal yang diperlukan untuk mencapai tujuan bisnis pertama.
Organisasi dari semua ukuran semakin menekankan dan berinvestasi pada transformasi digital. Meskipun perhatian baru ini, tantangan data dasar tetap menjadi hambatan utama. Transformasi digital memu memuasan penguasaan data dan berkat warisan TI bukanlah hal yang sederhana untuk dicapai. Ada terlalu banyak hal yang harus dikelola: format data, standar, tipe data, kecepatan, skema, sistem, database, silo, metodologi, model, dll. Keberagaman yang luar biasa dari lanskap TI perusahaan modern membuat takut.
Dengan memanfaatkan pendekatan modern knowledge graph, organisasi tidak hanya dapat menghubungkan silo data internal mereka dengan cara yang bermakna baru, tetapi mereka juga dapat menemukan fakta dan hubungan tersembunyi melalui inferensi yang tidak akan dapat terdeteksi dalam skala besar. Dengan menangkap makna yang halus yang mungkin dimiliki oleh unit bisnis yang berbeda untuk entitas yang sama, organisasi dapat menciptakan fondasi digital yang dapat digunakan kembali yang tetap mengikuti pergeseran berkelanjutan di pasar dan siap untuk apa pun yang akan datang.
