अपने एमएल और एआई प्रयासों को डेटा परिवर्तन के साथ शक्ति प्रदान करें – विचार नेताओं के साथ

जितना अधिक हमारे पास डेटा की विविधता, गति और मात्रा होगी, उतना ही अधिक यह संभव हो जाता है कि हम पूर्वानुमानिक विश्लेषण और मॉडलिंग का उपयोग करके वृद्धि की भविष्यवाणी करें और सुधार के क्षेत्रों की पहचान करें। हालांकि, रिपोर्टिंग, मशीन लर्निंग (एमएल), और आर्टिफ़िशियल इंटेलिजेंस (एआई) टूल्स से सबसे अधिक मूल्य प्राप्त करने के लिए, एक संगठन को कई स्रोतों से डेटा तक पहुंच प्राप्त करने और यह सुनिश्चित करने की आवश्यकता है कि डेटा उच्च गुणवत्ता और विश्वसनीय है। यह अक्सर बड़े डेटा को व्यवसायिक रणनीति में परिवर्तित करने के लिए सबसे बड़ा बाधा है।

डेटा पेशेवर डेटा को इकट्ठा करने और मान्य करने में इतना समय बिताते हैं ताकि वे इसका उपयोग करने के लिए तैयार हो जाएं, कि उनके पास अपने प्राथमिक उद्देश्य पर ध्यान केंद्रित करने के लिए बहुत कम समय बचा है: डेटा का विश्लेषण करना और इसके माध्यम से व्यवसायिक मूल्य प्राप्त करना। आश्चर्य की बात नहीं है, 76 प्रतिशत डेटा वैज्ञानिक कहते हैं कि डेटा तैयारी उनके काम का सबसे कम आनंददायक हिस्सा है। इसके अलावा, डेटा तैयारी के वर्तमान प्रयास जैसे कि डेटा जंगलीपन और पारंपरिक ईटीएल मैनुअल प्रयास की आवश्यकता होती है आईटी पेशेवरों से और बड़े डेटा की मात्रा और जटिलता को संभालने के लिए पर्याप्त नहीं हैं।

कंपनियां जो एआई की शक्ति का लाभ उठाना चाहती हैं, उन्हें इन थकाऊ और मुख्य रूप से मैनुअल प्रक्रियाओं से दूर जाने की आवश्यकता है जो “गैरेज में गैरेज आउट” परिणामों के जोखिम को बढ़ाती हैं। इसके बजाय, उन्हें डेटा परिवर्तन प्रक्रियाओं की आवश्यकता है जो कई स्रोतों और प्रारूपों में कच्चे डेटा को निकालती हैं, इसे जोड़ती और सामान्य करती है, और व्यवसायिक तर्क और मेट्रिक्स के साथ मूल्य जोड़ती है ताकि इसे विश्लेषण के लिए तैयार किया जा सके। जटिल डेटा परिवर्तन के साथ, वे सुनिश्चित कर सकते हैं कि एआई/एमएल मॉडल स्वच्छ, सटीक डेटा पर आधारित हैं जो विश्वसनीय परिणाम प्रदान करते हैं।

ईएलटी के साथ क्लाउड की शक्ति का लाभ उठाना

आज डेटा को तैयार करने और परिवर्तित करने के लिए सबसे अच्छी जगह एक क्लाउड डेटा वेयरहाउस (सीडब्ल्यू) है जैसे कि अमेज़ॅन रेडशिफ्ट, गूगल बिगक्यूरी, माइक्रोसॉफ्ट एज़्योर सिनैप्स, या स्नोफ्लेक। जबकि पारंपरिक दृष्टिकोण डेटा वेयरहाउसिंग के लिए डेटा को निकालने और परिवर्तित करने से पहले लोड करने की आवश्यकता होती है, एक सीडब्ल्यू क्लाउड की मापनीयता और प्रदर्शन का लाभ उठाता है तेजी से डेटा अंतर्ग्रहण और परिवर्तन के लिए और कई अलग-अलग डेटा स्रोतों से डेटा निकालने और लोड करने की अनुमति देता है इससे पहले कि इसे सीडब्ल्यू के अंदर परिवर्तित किया जा सके।

आदर्श रूप से, ईएलटी मॉडल पहले डेटा को सीडब्ल्यू में आरक्षित कच्चे स्टेजिंग डेटा के एक खंड में ले जाता है। वहां से, सीडब्ल्यू अपने लगभग असीमित कंप्यूटिंग संसाधनों का उपयोग डेटा एकीकरण और ईटीएल नौकरियों के लिए कर सकता है जो स्टेज किए गए डेटा को साफ, समूहित, फ़िल्टर और जोड़ता है। फिर डेटा को एक अलग स्कीमा – डेटा वॉल्ट या स्टार स्कीमा, उदाहरण के लिए – में परिवर्तित किया जा सकता है, जो रिपोर्टिंग और विश्लेषण के लिए डेटा को अनुकूलित करता है

ईएलटी दृष्टिकोण आपको सीडब्ल्यू के भीतर कच्चे डेटा को प्रतिकृति करने की भी अनुमति देता है जब और जैसे ही इसकी आवश्यकता होती है। इससे आपको व्यवसायिक बुद्धिमत्ता टूल्स का उपयोग करने की अनुमति मिलती है जो पढ़ने पर स्कीमा निर्धारित करते हैं और मांग पर विशिष्ट परिवर्तन उत्पन्न करते हैं, जो आपको वास्तव में डेटा को कई तरह से परिवर्तित करने की अनुमति देता है क्योंकि आप इसके लिए नए उपयोग खोजते हैं।

मशीन लर्निंग मॉडल को तेज करना

इन वास्तविक दुनिया के उदाहरणों से पता चलता है कि दो कंपनियां अलग-अलग उद्योगों में एक सीडब्ल्यू में डेटा परिवर्तन का लाभ उठाकर एआई पहल को बढ़ावा देने के लिए कैसे हैं।

एक बुटीक मार्केटिंग और विज्ञापन एजेंसी ने अपने ग्राहकों को बेहतर ढंग से पहचानने, समझने और प्रेरित करने में मदद करने के लिए एक प्रोप्राइटरी ग्राहक प्रबंधन प्लेटफ़ॉर्म बनाया। एक सीडब्ल्यू के भीतर डेटा को परिवर्तित करके, प्लेटफ़ॉर्म वास्तविक समय में ग्राहक डेटा को चैनलों में एकीकृत करता है जो 360-डिग्री ग्राहक दृश्य में सूचित करता है जो ग्राहक इंटरैक्शन को अधिक सुसंगत, समय पर और व्यक्तिगत बनाने के लिए प्लेटफ़ॉर्म के एआई/एमएल मॉडल को सूचित करता है।

72 देशों में 37 मिलियन अद्वितीय ग्राहकों को 100 मिलियन डिलीवरी करने वाली एक वैश्विक लॉजिस्टिक्स कंपनी को अपने दैनिक संचालन को शक्ति प्रदान करने के लिए विशाल मात्रा में डेटा की आवश्यकता है। एक सीडब्ल्यू में डेटा परिवर्तन को अपनाने से कंपनी को एक वर्ष में 200 मशीन लर्निंग मॉडल तैनात करने में सक्षम बनाया गया। ये मॉडल प्रतिदिन 500,000 भविष्यवाणियां करते हैं, जो कि कार्यक्षमता में महत्वपूर्ण सुधार करते हैं और उत्कृष्ट ग्राहक सेवा प्रदान करते हैं जो इनबाउंड कॉल सेंटर कॉल को 40 प्रतिशत तक कम कर देती है।

शुरू करने के लिए सर्वोत्तम प्रथाएं

कंपनियों को जो अपनी एआई/एमएल पहल को क्लाउड में डेटा परिवर्तन की शक्ति से समर्थन करना चाहती हैं, उन्हें अपने विशिष्ट उपयोग के मामले और आवश्यकताओं को समझने की आवश्यकता है। अपने डेटा के साथ क्या करना है – डिलीवरी मार्ग को अनुकूलित करके ईंधन लागत को कम करना, वास्तविक समय में ग्राहक सेवा एजेंटों को अगला सर्वोत्तम ऑफ़र देकर बिक्री बढ़ाना आदि – यह आपको अपनी प्रक्रियाओं को उल्टा करने देता है ताकि आप यह पहचान सकें कि कौन सा डेटा प्रासंगिक परिणाम प्रदान करेगा।

एक बार जब आप यह निर्धारित कर लेते हैं कि आपके एआई/एमएल परियोजना को अपने मॉडल बनाने के लिए कौन सा डेटा चाहिए, तो आपको एक क्लाउड-मूल ELT समाधान की आवश्यकता होगी जो आपके डेटा को उपयोग के लिए तैयार करेगा। एक ऐसे समाधान की तलाश करें जो:

• विक्रेता-तटस्थ है और आपके वर्तमान प्रौद्योगिकी स्टैक के साथ काम कर सकता है

• पर्याप्त लचीला है जो आपके प्रौद्योगिकी स्टैक में परिवर्तन के अनुसार ऊपर और नीचे स्केल कर सकता है और अनुकूलन कर सकता है

• जटिल डेटा परिवर्तन को कई डेटा स्रोतों से संभाल सकता है

• एक पे-एस-यू-गो मूल्य निर्धारण मॉडल प्रदान करता है जिसमें आप केवल उसी के लिए भुगतान करते हैं जो आप उपयोग करते हैं

• आपके पसंदीदा सीडब्ल्यू के लिए विशेष रूप से निर्मित है ताकि आप सीडब्ल्यू की विशेषताओं का लाभ उठाकर नौकरियों को तेजी से चला सकें और डेटा को निर्बाध रूप से परिवर्तित कर सकें।

एक क्लाउड डेटा परिवर्तन समाधान जो सभी सीडब्ल्यू के सामान्य हर के लिए अनुकूल है, एक सुसंगत अनुभव प्रदान कर सकता है, लेकिन केवल वही जो आपके चुने हुए सीडब्ल्यू की शक्तिशाली विभेदक विशेषताओं को सक्षम बनाता है, उच्च प्रदर्शन प्रदान कर सकता है जो अंतर्दृष्टि के समय को तेज करता है। सही समाधान आपको अपने एआई/एमएल परियोजनाओं को अधिक स्वच्छ, विश्वसनीय डेटा से अधिक स्रोतों से कम समय में शक्ति प्रदान करने में सक्षम बनाएगा – और तेजी, अधिक विश्वसनीय परिणाम उत्पन्न करेगा जो पहले से अप्राप्य व्यवसायिक मूल्य और नवाचार को बढ़ावा देता है।