ML ve AI Çabalarınızı Veri Dönüştürme ile Güçlendirin – Düşünce Liderleri

Verimizin çeşitliliği, hızı ve hacmi ne kadar büyükse, büyümeyi tahmin etmek ve fırsat ve iyileştirme alanlarını belirlemek için öngörülü analitik ve modelleme kullanmak o kadar mümkün olur. Ancak, raporlama, makine öğrenimi (ML) ve yapay zeka (AI) araçlarından en büyük değeri elde etmek için bir organizasyonun birçok kaynaktan verileri erişmesi ve bu verilerin yüksek kaliteli ve güvenilir olması gerekir. Bu, büyük verileri iş stratejisi haline getirmenin en büyük engelidir.

Veri profesyonelleri, verileri kullanmak için toplamak ve doğrulamak için çok zaman harcarlar, bu nedenle verilerin analizine ve iş değerinin elde edilmesine odaklanmak için çok az zamanları kalır. Şaşırtıcı olmayan bir şekilde, veri bilimcilerin %76’sı veri hazırlamanın işlerinin en keyifli olmayan kısmı olduğunu söylüyor. Ayrıca, veri toplama ve geleneksel ETL gibi mevcut veri hazırlama çabaları, BT profesyonellerinden manuel çaba gerektirir ve büyük verilerin ölçeği ve karmaşıklığını ele almak için yeterli değildir.

AI’nin gücünden yararlanmak isteyen şirketler, “çöp içinde, çöp outside” sonuçları artıran bu zahmetli ve büyük ölçüde manuel süreçlerden kurtulmalıdır. Bunun yerine, ham verilerin birçok kaynakta ve formatta çıkarıldığı, birleştirildiği ve normalize edildiği ve iş mantığı ve metriklerle değer eklenerek analitik için hazır hale getirildiği veri dönüştürme süreçlerine ihtiyaçları vardır. Karmaşık veri dönüştürme ile, AI/ML modellerinin temiz, doğru verilerle dựa edildiğinden ve güvenilir sonuçlar delivered edildiğinden emin olabilirler.

Bulut ile ELT’nin Gücünü Kullanma

Verileri bugün hazırlamak ve dönüştürmek için en iyi yer, Amazon Redshift, Google BigQuery, Microsoft Azure Synapse veya Snowflake gibi bir bulut veri ambarı (CDW) dir. Geleneksel veri ambarı yaklaşımları, verilerin yüklenmeden önce çıkarılması ve dönüştürülmesini gerektirirken, bir CDW, bulutun ölçeklenebilirliği ve performansını daha hızlı veri alımı ve dönüştürme için kullanır ve birçok farklı veri kaynağından verilerin yüklenmeden önce CDW içinde dönüştürülmesini sağlar.

İdeal olarak, ELT modeli initially verileri CDW’de ham aşama verisi için ayrılmış bir bölüme taşır. Oradan, CDW, verileri temizlemek, birleştirmek, filtrelemek ve birleştirmek için nær-sınırsız bilgisayar kaynaklarını kullanabilir. Veriler daha sonra raporlama ve analitik için optimize edilen farklı bir şema – veri deposu veya Star Şeması, örneğin – dönüştürülebilir

ELT yaklaşımı, ayrıca CDW içinde ham verilerin daha sonra hazırlanması ve dönüştürülmesi için gerektiğinde çoğaltmanızı sağlar. Bu, şema okunur ve talebe göre özel dönüşümler üreten iş zekası araçlarını kullanmanızı sağlar, böylece verilerinizi yeni kullanım şekilleri keşfettikçe birden fazla şekilde dönüştürebilirsiniz.

Makine Öğrenimi Modellerini Hızlandırma

Bu gerçek dünya örnekleri, iki şirketin farklı endüstrilerde AI girişimlerini sürmek için bir CDW’de veri dönüştürmesini nasıl kullandıklarını göstermektedir.

Bir butik pazarlama ve reklam ajansı, müşterilerinin müşterilerini daha iyi tanımlamasına, anlamasına ve motive etmesine yardımcı olmak için bir müşteri yönetim platformu geliştirdi. Bir CDW’de veri dönüştürerek, platform gerçek zamanlı müşteri verilerini kanallar boyunca nhanh ve kolay bir şekilde entegre eder ve platformun AI/ML modellerini müşteri etkileşimlerini daha tutarlı, zamanında ve kişiselleştirilmiş hale getirmek için bilgilendirir.

72 ülkede 37 milyonun üzerinde benzersiz müşteriye 100 milyon teslimat gerçekleştiren bir küresel lojistik firması, günlük operasyonlarını güçlendirmek için大量 miktarda veriye ihtiyaç duyar. Bir CDW’de veri dönüştürmeyi benimsemek, şirketin bir yıl içinde 200 makine öğrenimi modeli dağıtmalarına olanak tanıdı. Bu modeller her gün 500.000 tahminde bulunur ve verimliliği önemli ölçüde artırarak müşteri hizmetini geliştirir ve gelen çağrı merkezini %40 oranında azaltır.

Başlamanın En İyi Uygulamaları

AI/ML girişimlerini buluttabulut veri dönüştürme gücünü desteklemek isteyen şirketler, özel kullanım durumlarını ve ihtiyaçlarını anlamalıdır. Verilerinizi ne yapmak istediğinizle başlayarak – teslimat rotalarını optimize ederek yakıt maliyetlerini azaltma, müşteri hizmetleri temsilcilerine gerçek zamanlı olarak en iyi teklifleri sunarak satışları artırma vb. – süreçlerinizi tersine mühendislik yapabilir ve hangi verilerin alakalı sonuçlar sağlayacağını belirleyebilirsiniz.

AI/ML projesi için hangi verilere ihtiyaç duyduğunu belirledikten sonra, verilerinizi kullanılabilir hale getirecek bir bulut yerel ELT çözümü benötirsiniz. Aşağıdakilere dikkat edin:

• Mevcut teknoloji yığınınızla çalışabilen, satıcıdan bağımsız bir çözüm

• Teknoloji yığınız değiştikçe ölçeklenebilen ve uyarlanabilen esnek bir çözüm

• Birden fazla veri kaynağından karmaşık veri dönüşümlerini işleyebilen bir çözüm

• Kullandığınız kadar ödeyen bir fiyatlandırma modeli

• Tercih ettiğiniz CDW için özel olarak tasarlanmış, böylece CDW’nin özelliklerini tam olarak kullanabilen ve işleri daha hızlı çalıştırabilen bir çözüm

Tüm CDW’lerin ortak paydalarını karşılayan bir bulut veri dönüşüm çözümü tutarlı bir deneyim sunabilir, ancak yalnızca tercih ettiğiniz CDW’nin güçlü farklılaştırıcı özelliklerini sağlayan bir çözüm, yüksek performansı sağlayabilir ve zamanı hızlandırabilir. Doğru çözüm, AI/ML projelerinizi daha temiz, güvenilir verilerle daha kısa sürede güçlendirmenizi sağlayacak ve daha hızlı, daha güvenilir sonuçlar üreterek daha önce gerçekleştirilmeyen iş değerini ve inovasyonu sürmenizi sağlayacaktır.