Розкрийте потенціал своїх зусиль з ML і AI за допомогою трансформації даних – лідери думок

Чим більша різноманітність, швидкість і обсяг даних, тим більш реальним стає використання прогнозної аналітики та моделювання для прогнозування зростання та виявлення областей можливостей та вдосконалення. Однак отримання найбільшої цінності від звітів, інструментів машинного навчання (ML) та штучного інтелекту (AI) вимагає від організації доступу до даних з багатьох джерел та забезпечення того, щоб дані були високоякісними та надійними. Це часто є найбільшим бар’єром для перетворення великих даних у бізнес-стратегію.

Професіонали даних витрачають так багато часу на збір та перевірку даних для підготовки їх до використання, що у них залишається мало часу для того, щоб зосередитися на своїй основній меті: аналізі даних та одержанні бізнес-цінності від них. Не дивно, що 76 відсотків вчених-даних стверджують, що підготовка даних є найменш приємною частиною їхньої роботи. Крім того, поточні зусилля щодо підготовки даних, такі як обробка даних та традиційний ETL, вимагають ручної праці від спеціалістів ІТ та недостатньо ефективні для обробки масштабу та складності великих даних.

Компанії, які хочуть скористатися потенціалом AI, повинні відмовитися від цих трудомістких та в основному ручних процесів, які збільшують ризик “сміття в, сміття out” результатів. Замість цього їм потрібні процеси трансформації даних, які витягують сирі дані з多них джерел та форматів, об’єднують та нормалізують їх, а також додають цінність за допомогою бізнес-логіки та метрик, щоб зробити їх готовими для аналітики. З допомогою складної трансформації даних вони можуть бути впевнені, що моделі AI/ML базуються на чистих, точних даних, які забезпечують надійні результати.

Розкриття потенціалу хмари з ELT

Найкраще місце для підготовки та трансформації даних сьогодні – хмарний склад даних (CDW), такий як Amazon (AMZN ) Redshift, Google (GOOGL ) BigQuery, Microsoft Azure Synapse або Snowflake. Хоча традиційні підходи до складування даних вимагають витягування та трансформації даних до їх завантаження, хмарний склад даних використовує масштабованість та продуктивність хмари для швидшого завантаження та трансформації даних, а також дозволяє витягувати та завантажувати дані з багатьох різних джерел даних до їхньої трансформації всередині хмарного складу даних.

Ідеально, коли модель ELT спочатку переміщує дані у розділ хмарного складу даних, призначений для сирої стадії даних. Звідти хмарний склад даних може використовувати свої майже необмежені обчислювальні ресурси для завдань інтеграції даних та ETL, які очищають, агрегують, фільтрують та об’єднують стадійовані дані. Дані можуть потім бути трансформовані у іншу схему – дані-сховище або зірчаста схема, наприклад, оптимізуючи дані для звітів та аналітики

Підхід ELT також дозволяє реплікувати сирі дані всередині хмарного складу даних для пізнішої підготовки та трансформації, коли та як потрібно. Це дозволяє використовувати інструменти бізнес-інтелекту, які визначають схему при читанні та створюють конкретні трансформації на вимогу, ефективно дозволяючи трансформувати одні й ті ж дані багатьма способами, коли ви відкриваєте нові способи їх використання.

Прискорення моделей машинного навчання

Ці реальні приклади показують, як дві компанії з різних галузей використовують трансформацію даних у хмарному складі даних для стимулювання ініціатив AI.

Бутік-агенція з маркетингу та реклами створила власну платформу управління клієнтами, щоб допомогти своїм клієнтам краще ідентифікувати, зрозуміти та мотивувати своїх клієнтів. Трансформуючи дані всередині хмарного складу даних, платформа швидко та легко інтегрує дані клієнтів у режимі реального часу з різних каналів у 360-градусний вигляд клієнта, який інформує моделі AI/ML платформи для того, щоб зробити взаємодію з клієнтами більш послідовною, своєчасною та персоналізованою.

Глобальна логістична компанія, яка здійснює 100 мільйонів доставок 37 мільйонам унікальних клієнтів у 72 країнах, потребує величезної кількості даних для забезпечення своєї щоденної діяльності. Прийняття трансформації даних у хмарному складі даних дозволило компанії розгорнути 200 моделей машинного навчання за один рік. Ці моделі роблять 500 000 прогнозів щодня, суттєво покращуючи ефективність та забезпечуючи вищу якість обслуговування клієнтів, що призвело до зменшення кількості входящих дзвінків у контакт-центр на 40 відсотків.

Найкращі практики для початку роботи

Компанії, які хочуть підтримати свої ініціативи AI/ML потужністю трансформації даних у хмарі, повинні зрозуміти свій конкретний випадок використання та потреби. Починаючи з того, що ви хочете зробити з вашими даними – зменшити витрати на паливо за рахунок оптимізації маршрутів доставки, збільшити продажі за рахунок надання наступних найкращих пропозицій агентам служби клієнтів у режимі реального часу тощо – дозволяє вам зворотного інженерного процесу, щоб ви могли визначити, які дані дадуть відповідні результати.

Як тільки ви визначите, які дані ваш проєкт AI/ML потребує для побудови своїх моделей, вам потрібне хмарне рішення ELT, яке зробить ваші дані придатними для використання. Шукайте рішення, яке:

• Є вендорно-незалежним та здатним працювати з вашим поточним технологічним стеком

• Є достатньо гнучким, щоб масштабуватися вгору та вниз та адаптуватися до змін вашого технологічного стека

• Може обробляти складні трансформації даних з декількох джерел даних

• Предоставляє модель оплати за використання, у якій ви платите тільки за те, що використовуєте

• Є спеціально розробленим для вашого вибраного хмарного складу даних, щоб ви могли повністю використати його можливості для виконання завдань швидше та трансформації даних безперебійно.

Рішення трансформації даних у хмарі, яке орієнтоване на спільні ознаки всіх хмарних складів даних, може забезпечити послідовний досвід, але тільки те, яке дозволяє потужні відрізняючі функції вашого вибраного хмарного складу даних, може забезпечити високу продуктивність, яка прискорює час отримання інформації. Правильне рішення дозволить вам забезпечити свої проєкти AI/ML більш чистими, надійними даними з більшої кількості джерел за менший час – та генерувати швидші, більш надійні результати, які стимулюють раніше недосяжну бізнес-цінність та інновації.