Voita ML- ja AI-pyrimyksesi datan muunnoksella – Ajattelijat

Mitä enemmän meillä on erilaisia, nopeita ja laajamittaisia tietoja, sitä käytännöllisempää on käyttää ennustavan analytiikan ja mallinnuksen menetelmiä kasvun ennustamiseen ja mahdollisuuksien ja parantamisen löytämiseen. Kuitenkin saadakseen suurimman hyödyn raportoinnista, koneoppimisesta (ML) ja tekoälytyökaluista, organisaatioiden on pystyttävä pääsemään monien tietolähteiden tietoihin ja varmistamaan, että tiedot ovat laadukkaita ja luotettavia. Tämä on usein suurin este isoja tietoja muuttaa liiketoimintastrategiaksi.

Data-ammattilaiset käyttävät niin paljon aikaa tietojen keräämiseen ja validointiin niiden valmisteluun käyttöä varten, että heillä on vain vähän aikaa keskittyä ensisijaiseen tarkoituksensa: tietojen analysointiin ja liiketoimintaa luovan arvon saamiseen siitä. Ei ole yllättävää, että 76 prosenttia data-tutkijoista sanoo, että tietojen valmistelu on heidän työnsä epämieluisin osa. Lisäksi nykyiset tietojen valmisteluprosessit, kuten tietojen käsittely ja perinteinen ETL, vaativat IT-ammattilaisten manuaalista työtä eivätkä ole riittäviä käsittelemään suurten tietojen mittakaavaa ja monimutkaisuutta.

Yritykset, jotka haluavat hyödyntää tekoälyn voimaa, on irrotettava näistä tylsistä ja suurelta osin manuaalisista prosesseista, jotka lisäävät “roska sisään, roska ulos” -tuloksien riskiä. Sen sijaan heidän on oltava datan muunnosprosessit, jotka poistavat raakadatan useista lähteistä ja muodoista, yhdistävät ja normalisoivat sen ja lisäävät arvoa liiketoimintalogiikalla ja mittareilla, jotta se on valmis analytiikkaan. Monimutkaisen datan muunnoksen avulla he voivat olla varmoja, että AI/ML-mallit perustuvat puhdasille, tarkoille tietoille, jotka antavat luotettavat tulokset.

Hyödyntämällä pilven voimaa ELT: n avulla

Paras paikka tietojen valmisteluun ja muunnokseen on tänään pilvitietovarasto (CDW), kuten Amazon Redshift, Google BigQuery, Microsoft Azure Synapse tai Snowflake. Perinteisten tietovarastomenetelmien sijaan, joissa tietoja on poistettava ja muunnettava ennen kuin ne voidaan ladata, CDW hyödyntää pilven skaalautuvuutta ja suorituskykyä nopeamman tietojen ottamisen ja muunnoksen mahdollistamiseksi ja mahdollistaa useiden eri tietolähteiden tietojen ottamisen ja lataamisen ennen niiden muuntamista CDW: ssä.

Ideaalisesti ELT-malli siirtää aluksi tiedot CDW: n osaan, joka on varattu raakojen väliaikaisten tietojen tallentamiseen. Sieltä CDW voi käyttää lähellä rajatonta laskentaresursseja, jotka ovat saatavilla tietojen yhdistämiseen ja ETL-tehtäviin, jotka puhdistavat, aggregoivat, suodattavat ja yhdistävät väliaikaiset tiedot. Tiedot voidaan sitten muuttaa toiseen skeemaan – esimerkiksi tietovarasto- tai Star-skeemaan – jotta ne ovat optimoituja raportoinnin ja analytiikan kannalta

ELT-lähestymistapa mahdollistaa myös raakojen tietojen replikoinnin CDW: ssä myöhempää valmistelua ja muunnosta varten, kun ja kun tarve vaatii. Tämä mahdollistaa liiketoimintatietojen työkalujen käytön, jotka määrittävät skeeman lukukertojen mukaan ja tuottavat tietyt muunnokset tarpeen mukaan, mikä mahdollistaa samojen tietojen muuntamisen useilla tavoilla, kun niille löydetään uusia käyttötarkoituksia.

Koneoppimismallien nopeuttaminen

Nämä todelliset esimerkit osoittavat, miten kaksi yritystä eri aloilla hyödyntävät datan muunnosta CDW: ssä ajamaan tekoälyohjelmia.

Pieni markkinointi- ja mainosalan yritys loi oman asiakkuudenhallintajärjestelmän auttamaan asiakkaitaan tuntemaan, ymmärtämään ja motivoida asiakkaitaan paremmin. Muuttaessaan tietoja CDW: ssä, alusta integroi nopeasti ja helposti asiakkaiden tietoja reaaliajassa kanavien ympärillä 360 asteen asiakkaan näkymään, joka kertoo alustan AI/ML-malleista asiakkaiden vuorovaikutusten tekemiseksi yhdenmukaisemmaksi, ajankohtaisemmaksi ja henkilökohtaisemmaksi.

Globaali logistiikkayritys, joka tekee 100 miljoonaa toimitusta 37 miljoonalle ainutlaatuiselle asiakkaalle 72 maassa, tarvitsee valtavat määrät tietoja päivittäisten toimintojensa ajamiseen. Datan muunnoksen omaksuminen CDW: ssä mahdollisti yritykselle 200 koneoppimismallin käyttöönoton yhden vuoden aikana. Nämä mallit tekevät 500 000 ennustetta päivittäin, mikä parantaa merkittävästi tehokkuutta ja ajaa ylittävää asiakaspalvelua, joka on vähentänyt saapuvia asiakaspalvelupuheluita 40 prosentilla.

Parhaat käytännöt aloittamiseen

Yritykset, jotka haluavat tukea AI/ML-aloitteitaan datan muunnoksen voimalla pilvessä, on ymmärrettävä erityinen käyttötarkoitus ja tarve. Aloittaessa siitä, mitä haluat tehdä tietojen kanssa – vähentää polttoainekustannuksia optimoimalla toimitusreittejä, lisätä myyntiä tarjoamalla seuraavat parhaat tarjoukset asiakaspalvelijoille reaaliajassa jne. – voit kääntää prosessit, jotta voit tunnistaa, mitkä tiedot antavat relevantit tulokset.

Kun olet määrittänyt, mitä tietoja AI/ML-projekti tarvitsee mallien luomiseen, sinun on oltava pilvipohjainen ELT-ratkaisu, joka tekee tiedoista valmiit käyttöä varten. Etsi ratkaisua, joka:

• On valmistajariippumaton ja pystyy toimimaan nykyisen teknologiapinon kanssa

• On tarpeeksi joustava skaalautumaan ylös ja alas ja sopeutumaan, kun teknologiapino muuttuu

• Pystyy käsittelemään monimutkaisia tietojen muunnoksia useista tietolähteistä

• Tarjoaa maksamisen-käytön-malliin perustuvan hinnoittelumallin, jossa maksat vain siitä, mitä käytät

• On suunniteltu erityisesti valitsemallesi CDW: lle, jotta voit hyödyntää täysimääräisesti CDW: n ominaisuuksia suorittaa tehtäviä nopeammin ja muuttaa tietoja vaivattomasti.

Pilvitietojen muunnosratkaisu, joka palvelee kaikkien CDW: n yleisiä tekijöitä, voi tarjota yhdenmukaisen kokemuksen, mutta vain se, joka mahdollistaa valitsemasi CDW: n voimakkaat erottuvat ominaisuudet, voi tarjota korkean suorituskyvyn, joka nopeuttaa aikaa näkyvyyteen. Oikea ratkaisu mahdollistaa sinun voittaa AI/ML-projekteja puhtaammalla, luotettavammalla tiedolla useammasta lähteestä vähemmässä ajassa – ja tuottaa nopeammin, luotettavammin tuloksia, jotka ajavat aiemmin toteutettua liiketoimintaa ja innovaatioita.