- Terminologia (da A a D)
- Controllo delle capacità AI
- AIOps
- Albumetazioni
- Performance delle risorse
- Codificatore automatico
- backpropagation
- Teorema di Bayes
- Big Data
- Chatbot: una guida per principianti
- Pensiero computazionale
- Visione computerizzata
- Matrice di confusione
- Reti neurali involutive
- Cybersecurity
- Tessuto dati
- Narrazione dei dati
- Science Data
- Conservazione dei dati
- Albero decisionale
- Deepfakes
- Deep Learning
- Apprendimento di rinforzo profondo
- DEVOPS
- DevSecOps
- Modelli di diffusione
- Digital Twin
- Riduzione dimensionale
- Terminologia (da E a K)
- Bordo AI
- Emozione AI
- Ensemble Learning
- Ethical Hacking
- ETL
- AI spiegabile
- Apprendimento federato
- FinOps
- AI generativa
- Rete avversaria generativa
- Generativo vs. discriminatorio
- Aumento graduale
- Discesa a gradiente
- Apprendimento a pochi colpi
- Classificazione delle immagini
- Operazioni IT (ITOps)
- Automazione degli incidenti
- Ingegneria dell'influenza
- K-Means Clustering
- K-vicini più vicini
- Terminologia (da L a Q)
- Terminologia (da R a Z)
- Insegnamento rafforzativo
- AI responsabile
- RLHF
- Automazione di processo robotizzata
- Strutturato vs non strutturato
- Analisi del sentimento
- Supervisionato vs non supervisionato
- Supporto di macchine vettoriali
- Dati sintetici
- Media sintetici
- Classificazione del testo
- TinyML
- Trasferimento di apprendimento
- Trasformatore Reti Neurali
- Test di Turing
- Ricerca per similarità vettoriale
AI 101
Che cos'è un data fabric?
Sommario
Spesso associato all'intelligenza artificiale (AI) e al machine learning (ML), un data fabric è uno dei principali strumenti per convertire i dati grezzi in business intelligence.
Ma cos'è esattamente un data fabric?
Un data fabric è un'architettura e un software che offre una raccolta unificata di asset di dati, database e architetture di database all'interno di un'azienda. Facilita l'integrazione end-to-end di varie pipeline di dati e ambienti cloud attraverso l'uso di sistemi intelligenti e automatizzati.
I data fabric sono diventati più importanti man mano che continuano a verificarsi importanti sviluppi con il cloud ibrido, l'Internet delle cose (IoT), l'intelligenza artificiale e l'edge computing. Ciò ha causato un massiccio aumento dei big data, il che significa che le organizzazioni hanno ancora più cose da gestire.
Per gestire questi big data, le aziende devono concentrarsi sull'unificazione e la governance degli ambienti di dati, che ha posto diverse sfide come silos di dati, rischi per la sicurezza e colli di bottiglia nel processo decisionale. Queste sfide sono ciò che ha portato i team di gestione dei dati ad adottare soluzioni di data fabric, che aiutano a unificare i sistemi di dati, rafforzare la privacy e la sicurezza, migliorare la governance e fornire maggiore accessibilità ai dati ai lavoratori.
L'integrazione dei dati porta a un processo decisionale più basato sui dati e, sebbene le aziende abbiano storicamente utilizzato piattaforme di dati diverse per aspetti specifici dell'azienda, i data fabric consentono di visualizzare i dati in modo più coerente. Tutto ciò porta a una migliore comprensione del ciclo di vita del cliente e aiuta a stabilire connessioni tra i dati.
Qual è lo scopo di un data fabric?
I data fabric vengono utilizzati per stabilire una vista unificata dei dati associati, che facilita l'accesso alle informazioni indipendentemente dalla loro posizione, associazione al database o struttura. I data fabric semplificano anche l'analisi con AI e machine learning.
Un altro scopo di un data fabric è quello di facilitare lo sviluppo di applicazioni poiché crea un modello comune per l'accesso alle informazioni separato dai tradizionali silos di applicazioni e database. Questi modelli forniscono un migliore accesso alle informazioni, ma migliorano anche l'efficienza stabilendo un singolo livello in cui l'accesso ai dati può essere gestito attraverso tutte le risorse.
Sebbene non esista un'unica architettura di dati per un data fabric, si dice spesso che ci siano sei componenti fondamentali per questo tipo di data framework:
Gestione dati: Responsabile della governance dei dati e della sicurezza dei dati.
Ingestione di dati: Riunisce i dati cloud e identifica le connessioni tra dati strutturati e non strutturati.
Elaborazione dati: perfeziona i dati per garantire che vengano visualizzati solo i dati rilevanti per l'estrazione dei dati.
Orchestrazione dei dati: un livello davvero importante del framework responsabile della trasformazione, dell'integrazione e della pulizia dei dati in modo che possano essere utilizzati in tutta l'azienda.
Scoperta dei dati: presenta nuovi modi per integrare le origini dati.
Accesso ai dati: Consente il consumo di dati, garantisce le giuste autorizzazioni per determinati team per conformarsi alla normativa e aiuta a far emergere dati rilevanti attraverso l'uso di dashboard e altri strumenti di visualizzazione dei dati.
Vantaggi di un data fabric
Ci sono molti vantaggi commerciali e tecnici dei data fabric, come ad esempio:
Rompi i silos di dati: le aziende moderne spesso soffrono di silos di dati poiché i database moderni sono associati a gruppi di applicazioni e spesso crescono man mano che ne vengono aggiunti di nuovi all'azienda. I data silos contengono dati di diverse strutture e formati, ma i data fabric possono migliorare l'accesso alle informazioni aziendali e utilizzare i dati raccolti per migliorare l'efficienza operativa.
Unire i database: I data fabric aiutano anche le aziende a unire i database distribuiti su una vasta area. Garantiscono che le differenze di posizione non comportino barriere all'accesso. I data fabric semplificano lo sviluppo delle applicazioni e possono essere utilizzati per ottimizzare l'utilizzo dei dati di applicazioni specifiche senza rendere i dati meno accessibili ad altre applicazioni. Possono anche unificare i dati che sono già stati spostati in silos.
Unico modo per accedere alle informazioni: i data fabric migliorano la portabilità delle applicazioni e fungono da unico modo per accedere alle informazioni sia nel cloud che nel data center.
Genera approfondimenti a un ritmo accelerato: Le soluzioni di data fabric possono gestire facilmente set di dati complessi, il che accelera il tempo di comprensione. La loro architettura consente modelli analitici predefiniti e algoritmi cognitivi per elaborare i dati su larga scala e velocità.
Utilizzato da utenti tecnici e non tecnici: I data fabric non sono rivolti solo agli utenti tecnici. L'architettura è flessibile e può essere utilizzata con un'ampia gamma di interfacce utente. Possono aiutare a creare dashboard comprensibili ai dirigenti aziendali oppure i loro strumenti sofisticati possono essere utilizzati per l'esplorazione dei dati dai data scientist.
Best practice per l'implementazione di data fabric
Il mercato globale dei dati è in continua espansione e c'è una forte domanda nello spazio. Molte aziende cercano di implementare un'architettura dati per ottimizzare i propri dati aziendali e seguono alcune best practice comuni.
Una di queste pratiche consiste nell'abbracciare un modello di processo DataOps. Data fabric e DataOps non sono identici, ma secondo un modello DataOps esiste una stretta connettività tra i processi di dati, gli strumenti e gli utenti. Allineando gli utenti a fare affidamento sui dati, possono sfruttare gli strumenti e applicare approfondimenti. Senza un modello DataOps, gli utenti possono avere difficoltà a estrarre una quantità sufficiente dal data fabric.
Un'altra best practice consiste nell'evitare di trasformare il data fabric in un altro data lake, che è un evento comune. Ad esempio, non è possibile ottenere un vero data fabric se si dispone di tutti i componenti dell'architettura, come origini dati e analisi, ma nessuna delle API e degli SDK. Il data fabric si riferisce al design dell'architettura, non a una singola tecnologia. E alcuni dei tratti distintivi dell'architettura sono l'interoperabilità tra i componenti e la disponibilità all'integrazione.
È inoltre fondamentale per l'organizzazione comprendere la conformità e i requisiti normativi. Un'architettura data fabric può migliorare la sicurezza, la governance e la conformità normativa.
Poiché i dati non sono sparsi tra i sistemi, esiste una minaccia minore di esposizione dei dati sensibili. Detto questo, è importante comprendere i requisiti normativi e di conformità prima di implementare un data fabric. Diversi tipi di dati possono rientrare in diverse giurisdizioni normative. Una soluzione consiste nell'utilizzare criteri di conformità automatizzati che garantiscano che la trasformazione dei dati sia conforme alle leggi.
Casi d'uso di Data Fabric
Esistono molti usi diversi per un data fabric, ma alcuni sono molto comuni. Uno di questi esempi comuni è la raccolta virtuale/logica di asset di dati geograficamente diversi per facilitare l'accesso e l'analisi. In questo caso, il data fabric viene solitamente utilizzato per la gestione aziendale centralizzata. Poiché le operazioni di linea distribuita che raccolgono e utilizzano i dati sono supportate tramite le tradizionali interfacce di accesso/query di applicazioni e dati, c'è molto da guadagnare dalle organizzazioni che hanno una segmentazione regionale o nazionale delle loro attività. Queste organizzazioni richiedono spesso una gestione e un coordinamento centrali.
Un altro caso d'uso importante per i data fabric è la creazione di un modello di dati unificato a seguito di una fusione o acquisizione. Quando ciò avviene, le politiche di gestione dei database e dei dati dell'organizzazione precedentemente indipendente cambiano spesso, il che significa che diventa più difficile raccogliere informazioni oltre i confini dell'organizzazione. Un data fabric può superare questo problema creando una vista unificata dei dati che consente all'entità combinata di armonizzarsi su un singolo modello di dati.
Alex McFarland è un giornalista e scrittore specializzato in intelligenza artificiale che esplora gli ultimi sviluppi nel campo dell'intelligenza artificiale. Ha collaborato con numerose startup e pubblicazioni di intelligenza artificiale in tutto il mondo.
Ti potrebbe piacere
Big Data vs. Small Data: Differenze chiave
Scienza dei dati vs informatica: differenze chiave
Data Science vs Data Mining: differenze chiave
Apprendimento profondo vs reti neurali
Machine Learning vs Data Science: differenze chiave
Apprendimento automatico vs intelligenza artificiale: differenze chiave