Zapněte svou ML a AI s transformací dat – Thought Leaders

Čím větší je rozmanitost, rychlost a objem dat, které máme, tím více je možné použít prediktivní analýzu a modelování pro předpověď růstu a identifikaci oblastí příležitostí a zlepšení. Nicméně, aby organizace získala最大 hodnotu z reportingu, nástrojů strojového učení (ML) a umělé inteligence (AI), je třeba mít přístup k datům z mnoha zdrojů a zajistit, aby data byla vysoce kvalitní a důvěryhodná. To je často největší překážka při transformaci velkých dat na obchodní strategii.

Odborníci na data tráví tolik času shromažďováním a ověřováním dat, aby je připravili pro použití, že mají málo času na to, aby se soustředili na svůj primární účel: analýzu dat a získání obchodních hodnot z nich. Není překvapivě, že 76 procent odborníků na data říká, že příprava dat je nejméně příjemnou částí jejich práce. Kromě toho současné úsilí o přípravu dat, jako je zpracování dat a tradiční ETL, vyžaduje manuální úsilí od IT odborníků a není dostatečné pro zpracování rozsahu a složitosti velkých dat.

Společnosti, které chtějí využít sílu AI, musí se od těchto únavných a převážně manuálních procesů odtrhnout. Místo toho potřebují procesy transformace dat, které extrahují surová data z více zdrojů a formátů, spojují a normalizují je a přidávají hodnotu pomocí obchodních logik a metrik, aby je připravily pro analýzu. S komplexní transformací dat mohou být jistí, že modely AI/ML jsou založeny na čistých, přesných datech, která poskytují důvěryhodné výsledky.

Využití síly cloudu s ELT

Nejlepším místem pro přípravu a transformaci dat dnes je cloudový sklad dat (CDW), jako je Amazon (AMZN ) Redshift, Google (GOOGL ) BigQuery, Microsoft Azure Synapse nebo Snowflake. Zatímco tradiční přístupy k datovému skladu vyžadují, aby data byla extrahována a transformována před tím, než mohou být načtena, cloudový sklad dat využívá škálovatelnost a výkon cloudu pro rychlejší načtení a transformaci dat a umožňuje extrahovat a načítat data z mnoha rozdílných zdrojů dat před transformací uvnitř CDW.

Ideálně se model ELT inicializuje tak, aby data přesunul do sekce CDW vyhrazené pro surová data. Odtud může CDW využít své téměř neomezené výpočetní zdroje pro úlohy integrace dat a ETL, které čistí, agregují, filtrují a spojují data ve fázi. Data lze poté transformovat do jiného schématu – datový sklad nebo hvězdicový schéma, například, optimalizuje data pro reportování a analýzu

Přístup ELT také umožňuje replikovat surová data uvnitř CDW pro pozdější přípravu a transformaci, kdykoli je to potřeba. To umožňuje použít nástroje pro obchodní inteligenci, které určují schéma při čtení a produkují specifické transformace na vyžádání, efektivní transformaci stejných dat mnoha způsoby, jakmile jsou objeveny nové použití pro ně.

Zrychlení modelů strojového učení

Tyto reálné příklady ukazují, jak dvě společnosti z různých odvětví využívají transformaci dat v CDW pro řízení iniciativ AI.

Malá marketingová a reklamní agentura vytvořila proprietární platformu pro správu zákazníků, aby svým klientům pomohla lépe identifikovat, pochopit a motivovat své zákazníky. Transformací dat v CDW platforma rychle a snadno integruje data zákazníků v reálném čase napříč kanály do 360stupňového zobrazení zákazníka, které informuje modely AI/ML pro činění interakcí se zákazníky více konzistentními, včasnými a personalizovanými.

Globální logistická společnost, která realizuje 100 milionů dodávek 37 milionům unikátních zákazníků v 72 zemích, potřebuje obrovské množství dat pro denní operace. Přijetí transformace dat v CDW umožnilo společnosti nasadit 200 modelů strojového učení za jeden rok. Tyto modely činí 500 000 předpovědí denně, což významně zlepšuje efektivitu a poskytuje lepší služby zákazníkům, které snížily příchozí hovory do call centra o 40 procent.

Nejlepší postupy pro začátek

Společnosti, které chtějí podporovat své iniciativy AI/ML silou transformace dat v cloudu, musí pochopit své konkrétní použití a potřeby. Začínat tím, co chcete udělat se svými daty – snižovat náklady na palivo optimalizací tras dodávek, zvyšovat prodeje dodáváním nejlepších nabídek zákazníkům v reálném čase apod. – umožňuje zpětně inženýrsky navrhnout procesy, aby bylo možné identifikovat, která data budou poskytovat relevantní výsledky.

Jakmile jste určili, která data vaše projekt AI/ML potřebuje pro sestavení modelů, budete potřebovat cloudovou nativní ELT řešení, které učiní vaše data vhodné pro použití. Hledejte řešení, které:

• Je vendor-neutrální a schopné pracovat s vaším současným technologickým stackem

• Je dostatečně flexibilní, aby škálovalo nahoru a dolů a přizpůsobilo se, jak se mění váš technologický stack

• Může zvládnout komplexní transformace dat z více zdrojů

• Nabízí model platby podle použití, ve kterém platíte pouze za to, co používáte

• Je speciálně navržen pro váš preferovaný CDW, abyste mohli plně využít jeho funkcí pro spuštění úloh rychleji a transformovat data bezproblémově.

Řešení pro transformaci dat v cloudu, které se přizpůsobuje společným jmenovatelům všech CDW, může poskytnout konzistentní zkušenost, ale pouze to, které umožňuje silné rozlišovací funkce vašeho zvoleného CDW, může dodat vysoký výkon, který urychluje čas na vhled. Správné řešení vám umožní napájet vaše projekty AI/ML více čistými, důvěryhodnými daty z více zdrojů v kratším čase – a generovat rychlejší, spolehlivější výsledky, které pohánějí dříve neuskutečněné obchodní hodnoty a inovace.