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

जितनी अधिक विविधता, गति और मात्रा में हमारे पास डेटा है, उतनी ही अधिक संभावना है कि हम भविष्यसूचक विश्लेषण और मॉडलिंग का उपयोग करके विकास और सुधार के क्षेत्रों की पहचान कर सकें। हालांकि, रिपोर्टिंग, मशीन लर्निंग (एमएल), और आर्टिफिशियल इंटेलिजेंस (एआई) टूल्स से सबसे अधिक मूल्य प्राप्त करने के लिए, एक संगठन को कई स्रोतों से डेटा तक पहुंच प्राप्त करने और सुनिश्चित करने की आवश्यकता है कि डेटा उच्च गुणवत्ता और विश्वसनीय है। यह अक्सर बड़े डेटा को व्यवसाय रणनीति में परिवर्तित करने के लिए सबसे बड़ा बाधा है।

डेटा पेशेवर इतना समय डेटा इकट्ठा करने और सत्यापन करने में व्यतीत करते हैं कि उन्हें अपने प्राथमिक उद्देश्य पर ध्यान केंद्रित करने के लिए बहुत कम समय बचता है: डेटा का विश्लेषण करना और इसका व्यवसायिक मूल्य निकालना। आश्चर्य की बात नहीं है, 76 प्रतिशत डेटा वैज्ञानिक कहते हैं कि डेटा तैयारी उनके काम का सबसे कम आनंददायक हिस्सा है। इसके अलावा, वर्तमान डेटा तैयारी प्रयास जैसे डेटा पैंग और पारंपरिक ईटीएल में मैनुअल प्रयास की आवश्यकता होती है और वे बड़े डेटा की मात्रा और जटिलता से निपटने के लिए पर्याप्त नहीं हैं।

कंपनियों को 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 “कचरा, कचरा” परिणामों के जोखिम को बढ़ाती हैं। इसके बजाय, उन्हें डेटा ट्रांसफॉर्मेशन प्रक्रियाओं की आवश्यकता है जो कई स्रोतों और प्रारूपों में कच्चे डेटा को निकालती हैं, इसे जोड़ती और सामान्य करती हैं, और व्यवसायिक तर्क और मेट्रिक्स के साथ मूल्य जोड़ती हैं ताकि इसे विश्लेषण के लिए तैयार किया जा सके। जटिल डेटा ट्रांसफॉर्मेशन के साथ, वे सुनिश्चित कर सकते हैं कि एआई/एमएल मॉडल साफ, सटीक डेटा पर आधारित हैं जो विश्वसनीय परिणाम प्रदान करते हैं।

ईएलटी के साथ क्लाउड की शक्ति का लाभ उठाना

आज डेटा तैयार करने और परिवर्तित करने के लिए सबसे अच्छी जगह एक क्लाउड डेटा वेयरहाउस (सीडब्ल्यू) है, जैसे कि अमेज़न रेडशिफ्ट, गूगल बिगक्वेरी, माइक्रोसॉफ्ट एज्योर सिनैप्स, या स्नोफ्लेक। जबकि पारंपरिक दृष्टिकोण डेटा वेयरहाउसिंग के लिए डेटा को निकालने और परिवर्तित करने से पहले लोड किए जाने की आवश्यकता है, एक सीडब्ल्यू क्लाउड की मापनीयता और प्रदर्शन का लाभ उठाता है तेजी से डेटा अंतर्ग्रहण और परिवर्तन के लिए और यह संभव बनाता है कि डेटा को कई अलग-अलग डेटा स्रोतों से निकाला जा सके और सीडब्ल्यू के भीतर परिवर्तित किए जाने से पहले लोड किया जा सके।

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

ईएलटी दृष्टिकोण यह भी अनुमति देता है कि आप सीडब्ल्यू के भीतर कच्चे डेटा को दोहराएं जब और जैसे आवश्यक हो ताकि आप बाद में तैयारी और परिवर्तन के लिए इसका उपयोग कर सकें। यह आपको व्यवसायिक खुफिया टूल का उपयोग करने की अनुमति देता है जो पढ़ने पर स्कीमा निर्धारित करते हैं और मांग पर विशिष्ट परिवर्तन उत्पन्न करते हैं, जिससे आप डेटा को कई तरह से परिवर्तित कर सकते हैं 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 सीडब्ल्यू में डेटा ट्रांसफॉर्मेशन का लाभ उठाकर एआई पहल को कैसे चला रही 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। सीडब्ल्यू में डेटा को परिवर्तित करके, प्लेटफ़ॉर्म जल्दी और आसानी से विभिन्न चैनलों में वास्तविक समय ग्राहक डेटा को एक 360-डिग्री ग्राहक दृश्य में एकीकृत करता है जो एआई/एमएल मॉडल को ग्राहक इंटरैक्शन को अधिक सुसंगत, समय पर और व्यक्तिगत बनाने के लिए सूचित करता है।

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

शुरू करने के लिए सर्वोत्तम अभ्यास

कंपनियों को जो क्लाउड में डेटा ट्रांसफॉर्मेशन की शक्ति के साथ अपने एआई/एमएल पहल का 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 मार्गों को अनुकूलित करके ईंधन लागत को कम करना, वास्तविक समय में ग्राहक सेवा एजेंटों को अगले सर्वोत्तम प्रस्ताव प्रदान करके बिक्री बढ़ाना आदि – इसके साथ शुरू करना आपको अपनी प्रक्रियाओं को उल्टा करने देता है ताकि आप यह निर्धारित कर सकें कि कौन सा डेटा प्रासंगिक परिणाम प्रदान करेगा।

एक बार जब आप यह निर्धारित कर लेते हैं कि आपके एआई/एमएल परियोजना के लिए कौन सा डेटा मॉडल बनाने की आवश्यकता है, 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 समायोजित कर सकता है

• कई डेटा स्रोतों से जटिल डेटा परिवर्तन 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 पूरी तरह से लाभ उठा सकें और नौकरियों को तेजी से चला सकें और डेटा को निर्बाध रूप से परिवर्तित कर सकें।

एक क्लाउड डेटा ट्रांसफॉर्मेशन समाधान जो सभी सीडब्ल्यू के सामान्य अंशों को पूरा करता है, एक सुसंगत अनुभव प्रदान कर सकता है, लेकिन केवल वही समाधान जो आपके चुने हुए सीडब्ल्यू की शक्तिशाली विभेदक विशेषताओं को सक्षम बनाता है, उच्च प्रदर्शन प्रदान कर सकता है जो अंतर्दृष्टि तक पहुंचने 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 अनुभव किए गए व्यवसायिक मूल्य और नवाचार को चलाते हैं।