Veri Dönüşümü ile Makine Öğrenimi ve Yapay Zeka Çabalarınızı Güçlendirin – Düşünce Liderleri

Elimizdeki verilerin çeşitliliği, hızı ve hacmi ne kadar fazla olursa, büyümeyi tahmin etmek ve fırsat ve iyileştirme alanlarını belirlemek için tahmine dayalı analitik ve modellemeyi kullanmak o kadar uygulanabilir hale gelir. Ancak raporlama, makine öğrenimi (ML) ve yapay zeka (AI) araçlarından en yüksek değeri elde etmek, bir kuruluşun birçok kaynaktan verilere erişmesini ve verilerin yüksek kaliteli ve güvenilir olmasını sağlamasını gerektirir. Bu genellikle büyük veriyi iş stratejisine dönüştürmenin önündeki en büyük engeldir.

Veri uzmanları, verileri kullanıma hazırlamak için toplamak ve doğrulamak için o kadar çok zaman harcıyorlar ki, birincil amaçlarına odaklanmak için çok az zamanları kalıyor: verileri analiz etmek ve ondan iş değeri elde etmek. Şaşırtıcı olmayan bir şekilde, veri bilimcilerin yüzde 76'sı veri hazırlamanın işlerinin en az eğlenceli kısmı olduğunu söylüyor. Ayrıca, veri düzenleme ve geleneksel ETL gibi mevcut veri hazırlama çabaları, BT uzmanlarının manuel çaba göstermesini gerektirir ve büyük verilerin ölçeğini ve karmaşıklığını ele almak için yeterli değildir.

Yapay zekanın gücünden yararlanmak isteyen şirketlerin, "çöp içeri, çöp dışarı" sonuçları riskini artıran bu sıkıcı ve büyük ölçüde manuel süreçlerden kurtulmaları gerekiyor. Bunun yerine, birden fazla kaynaktan ve biçimden ham verileri çıkaran, birleştirip normalleştiren ve iş mantığı ve metriklerle değer katarak analitiğe hazır hale getiren veri dönüştürme süreçlerine ihtiyaçları var. Karmaşık veri dönüşümüyle, AI/ML modellerinin güvenilir sonuçlar veren temiz, doğru verilere dayandığından emin olabilirler.

ELT ile bulutun gücünden yararlanma

Günümüzde verileri hazırlamak ve dönüştürmek için en iyi yer, Amazon Redshift, Google BigQuery, Microsoft Azure Synapse veya Snowflake gibi bir bulut veri ambarıdır (CDW). Veri ambarına yönelik geleneksel yaklaşımlar, verilerin yüklenmeden önce çıkarılmasını ve dönüştürülmesini gerektirse de, bir CDW, daha hızlı veri alımı ve dönüşümü için bulutun ölçeklenebilirliği ve performansından yararlanır ve daha önce birçok farklı veri kaynağından veri çıkarmayı ve yüklemeyi mümkün kılar. CDW içinde dönüştürmek.

İdeal olarak, ELT modeli başlangıçta verileri CDW'nin ham evreleme verileri için ayrılmış bir bölümüne taşır. Buradan CDW, veri entegrasyonu için mevcut olan neredeyse sınırsız bilgi işlem kaynaklarını ve aşamalı verileri temizleyen, birleştiren, filtreleyen ve birleştiren ETL işlerini kullanabilir. Veriler daha sonra farklı bir şemaya (veri kasasına veya Yıldız Şemasına) dönüştürülebilir; örneğin, raporlama ve analitik için verileri optimize etme

ELT yaklaşımı, daha sonra hazırlanmak ve gerektiğinde ve gerektiğinde dönüştürmek için ham verileri CDW içinde çoğaltmanıza da olanak tanır. Bu, okuma sırasında şema belirleyen ve talep üzerine belirli dönüşümler üreten iş zekası araçlarını kullanmanıza olanak tanır ve yeni kullanım alanları keşfederken aynı verileri birden çok şekilde etkili bir şekilde dönüştürmenize olanak tanır.

Makine öğrenimi modellerini hızlandırma

Bu gerçek dünya örnekleri, farklı sektörlerdeki iki şirketin yapay zeka girişimlerini yönlendirmek için bir CDW'de veri dönüşümünden nasıl yararlandığını gösteriyor.

Bir butik pazarlama ve reklam ajansı, müşterilerinin müşterilerini daha iyi tanımasına, anlamasına ve motive etmesine yardımcı olmak için özel bir müşteri yönetimi platformu oluşturdu. Platform, verileri bir CDW içinde dönüştürerek kanallardaki gerçek zamanlı müşteri verilerini, müşteri etkileşimlerini daha tutarlı, zamanında ve kişiselleştirilmiş hale getirmek için platformun AI/ML modellerini bilgilendiren 360 derecelik bir müşteri görünümüne hızlı ve kolay bir şekilde entegre eder.

100 ülkede 37 milyon benzersiz müşteriye 72 milyon teslimat yapan küresel bir lojistik firması, günlük operasyonlarını desteklemek için büyük miktarda veriye ihtiyaç duyuyor. Bir CDW içinde veri dönüşümünü benimsemek, şirketin tek bir yılda 200 makine öğrenimi modelini devreye almasını sağladı. Bu modeller, her gün 500,000 tahmin yaparak verimliliği önemli ölçüde artırır ve gelen çağrı merkezi çağrılarını yüzde 40 oranında azaltan üstün müşteri hizmetleri sağlar.

Başlamak için en iyi uygulamalar

AI/ML girişimlerini bulutta veri dönüştürmenin gücüyle desteklemek isteyen şirketlerin kendi özel kullanım durumlarını ve ihtiyaçlarını anlamaları gerekir. Verilerinizle ne yapmak istediğinizden başlayarak - teslimat rotalarını optimize ederek yakıt maliyetlerini azaltmak, müşteri hizmetleri temsilcilerine gerçek zamanlı olarak bir sonraki en iyi teklifleri sunarak satışları artırmak vb. - süreçlerinizde tersine mühendislik yapmanızı sağlar, böylece hangi veriler ilgili sonuçları sağlayacaktır.

AI/ML projenizin modellerini oluşturmak için hangi verilere ihtiyacı olduğunu belirledikten sonra, verilerinizi kullanıma uygun hale getirecek bulutta yerel bir ELT çözümüne ihtiyacınız vardır. Şunları sağlayan bir çözüm arayın:

• Satıcıdan bağımsızdır ve mevcut teknoloji yığınınızla çalışabilir

• Büyütüp küçültecek ve teknoloji yığınınız değiştikçe uyum sağlayacak kadar esnektir

• Birden çok veri kaynağından karmaşık veri dönüşümlerini işleyebilir

• Yalnızca kullandığınız kadar ödediğiniz bir kullandıkça öde fiyatlandırma modeli sunar

• İşleri daha hızlı çalıştırmak ve verileri sorunsuz bir şekilde dönüştürmek için bu CDW'nin özelliklerinden tam olarak yararlanabilmeniz için tercih ettiğiniz CDW için özel olarak üretilmiştir.

Tüm CDW'lerin ortak paydalarına hitap eden bir bulut veri dönüştürme çözümü tutarlı bir deneyim sağlayabilir, ancak yalnızca seçtiğiniz CDW'nin güçlü ayırt edici özelliklerini etkinleştiren bir çözüm, içgörü süresini hızlandıran yüksek performansı sağlayabilir. Doğru çözüm, AI/ML projelerinizi daha kısa sürede daha fazla kaynaktan daha temiz, güvenilir verilerle güçlendirmenize ve daha önce gerçekleştirilmemiş iş değerini ve yeniliği destekleyen daha hızlı, daha güvenilir sonuçlar üretmenize olanak tanır.