Voita ML- ja AI-pyrimyksesi datan muokkaamisen avulla – ajattelijat

Mitä enemmän meillä on erilaisia, nopeita ja laajamittaisia tietoja, sitä enemmän on mahdollista käyttää ennustavaa analytiikkaa ja mallinnusta kasvun ennustamiseen ja mahdollisuuksien ja parantamisen löytämiseen. Kuitenkin saadakseen suurimman hyödyn raportoinnista, koneoppimisesta (ML) ja tekoälytyökaluista organisaation on pystyttävä käyttämään useiden lähteiden tietoja ja varmistamaan, että tiedot ovat laadukkaita ja luotettavia. Tämä on usein suurin este muuttaa suuria tietoja liiketoimintastrategiaksi.

Datatutkijat viettävät niin paljon aikaa keräämällä ja validoidessa tietoja niiden valmisteluun, että heillä ei ole paljon aikaa keskittyä ensisijaiseen tarkoitukseensa: tietojen analysointiin ja liiketoimintaa luovan arvon löytämiseen. Ei ole yllättävää, että 76 prosenttia datatutkijoista sanoo, että tiedon valmistelu on heidän työnsä epämieluisin osa. Lisäksi nykyiset tiedon valmisteluponnistelut, kuten tiedon käsittely ja perinteinen ETL, vaativat IT-ammattilaisten manuaalista työtä eivät ole riittäviä käsittelemään suurten tietojen mittakaavaa ja monimutkaisuutta.

Yritykset, jotka haluavat hyödyntää tekoälyn voimaa, tarvitsevat päästä eroon näistä tylsistä ja suurelta osin manuaalisista prosesseista, jotka lisäävät “roska sisään, roska ulos” -tuloksien riskiä. Sen sijaan he tarvitsevat datan muokkausprosesseja, jotka poimivat raakadatan useista lähteistä ja muodoista, yhdistävät ja normalisoivat sen ja lisäävät arvoa liiketoimintalogiikalla ja mittareilla, jotta se on valmis analytiikalle. Monimutkaisen datan muokkauksen avulla he voivat olla varmoja, että AI/ML-mallit perustuvat puhdasille, tarkoille tiedoille, jotka antavat luotettavat tulokset.

Käyttäen pilven voimaa ELT:n avulla

Paras paikka valmistaa ja muokata tietoja tänään on pilvitietovarasto (CDW), kuten Amazon (AMZN ) Redshift, Google (GOOGL ) BigQuery, Microsoft Azure Synapse tai Snowflake. Perinteisten tietovarastoratkaisujen sijaan CDW hyödyntää pilven skaalautuvuutta ja suorituskykyä nopeamman tiedon ottamiseen ja muokkaukseen ja mahdollistaa useiden eri tietolähteiden tiedon ottamisen ja lataamisen ennen sen muokkaamista CDW:ssä.

Ideaalisesti ELT-malli siirtää aluksi tiedot CDW:n osioon, joka on varattu raakojen väliaikaisten tietojen tallentamiseen. Sieltä CDW voi käyttää lähes rajattomia laskentaresursseja, jotka ovat käytettävissä tiedon yhdistämiseen ja ETL-tehtäviin, jotka puhdistavat, yhdistävät, suodattavat ja yhdistävät väliaikaiset tiedot. Tiedot voidaan sitten muuttaa toiseen skeemaan – esimerkiksi tietovarastoon tai Star-skeemaan – joka optimoi tiedot raportoinnille ja analytiikalle

ELT-lähestymistapa mahdollistaa myös raakojen tietojen replikoinnin CDW:ssä myöhempää valmistelua ja muokkausta varten, kun ja kun tarve vaatii. Tämä mahdollistaa liiketoimintatietojen työkalujen käytön, jotka määrittävät skeeman lukukertojen perusteella ja tuottavat erityisiä muokkauksia tarpeen mukaan, mahdollistaen samojen tietojen muokkaamisen useilla tavoilla, kun niiden käyttömahdollisuuksia keksitään.

Nopeuttamalla koneoppimismalleja

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

Pieni markkinointi- ja mainosalan yritys rakensi oman asiakasjohtamisalustan auttamaan asiakkaitaan tunnistamaan, ymmärtämään ja motivoida asiakkaitaan paremmin. Muokkaamalla tietoja CDW:ssä alusta yhdisti helposti reaaliaikaiset asiakastiedot kanavien yli 360-asteen asiakasnäkymään, joka kertoo alustan AI/ML-malleista asiakaskohtaamisten tekemiseksi yhdenmukaisemmaksi, ajantasaisemmaksi ja henkilökohtaisemmaksi.

Globaali logistiikkayritys, joka toimittaa 100 miljoonaa toimitusta 37 miljoonalle yksilölliselle asiakkaalle 72 maassa, tarvitsee valtavat määrät tietoja päivittäisten toimintojensa ajamiseen. Datan muokkauksen ottaminen 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 puheluita asiakaspalvelukeskuksiin 40 prosentilla.

Parhaat käytännöt aloittamiseen

Yritykset, jotka haluavat tukea tekoälyhankkeitaan pilven datanmuokkausvoimalla, tarvitsevat ymmärtää erityisen käyttötapaustensa ja tarpeensa. Aloittaminen siitä, mitä haluat tehdä tiedoillasi – vähentää polttoainekustannuksia optimoimalla toimitusreittejä, lisää myyntiä tarjoamalla parhaimmat tarjoukset asiakaspalvelijoille reaaliajassa jne. – antaa mahdollisuuden kääntää prosessit ylösalaisin, jotta voidaan tunnistaa, mitkä tiedot antavat relevantteja tuloksia.

Kun tiedät, mitä tietoja AI/ML-hankkeesi tarvitsee mallien luomiseen, tarvitset pilvipohjaisen ELT-ratkaisun, joka tekee tiedoistasi valmiit käyttöön. Etsi ratkaisua, joka:

• On valmistajaneutraali ja pystyy toimimaan nykyisen teknologiapakettisi kanssa

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

• Pystyy käsittelemään monimutkaisia datanmuokkauksia useista tietolähteistä

• Tarjoaa maksu-per-käyttö-mallin, jossa maksat vain siitä, mitä käytät

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

Pilvipohjainen datanmuokkausratkaisu, joka palvelee kaikkien CDW:n yleisiä tekijöitä, voi tarjota yhdenmukaisen kokemuksen, mutta vain sellainen ratkaisu, joka mahdollistaa valitsemasi CDW:n voimakkaat erottuvat ominaisuudet, voi tarjota suorituskyvyn, joka nopeuttaa aikaa näkyvyyteen. Oikea ratkaisu mahdollistaa sinun voiman AI/ML-hankkeita puhtaammilla, luotettavammilla tiedoilla useista lähteistä vähemmässä ajassa – ja tuottaa nopeammin, luotettavammin tulokset, jotka ajavat aikaisemmin toteutettua liiketoimintaa ja innovaatioita.