Надайте енергію вашим зусиллям з ML і AI завдяки перетворенню даних – лідери думок

Чим більша різноманітність, швидкість і обсяг даних, які ми маємо, тим більш реальним стає використання прогнозної аналітики та моделювання для прогнозування зростання та визначення сфер можливостей та вдосконалення. Однак, щоб отримати найбільшу користь від звітів, інструментів машинного навчання (ML) та штучного інтелекту (AI), організація повинна мати доступ до даних з багатьох джерел і забезпечити, щоб дані були високої якості та надійні. Це часто є найбільшим бар’єром для перетворення великих даних у бізнес-стратегію.

Спеціалісти з даних витрачають так багато часу на збір і перевірку даних для підготовки їх до використання, що у них залишається мало часу для виконання їх основної мети: аналізу даних і отримання бізнес-користі від них. Не дивно, що 76 відсотків фахівців з даних вважають, що підготовка даних є найменш приємною частиною їх роботи. Крім того, поточні зусилля з підготовки даних, такі як обробка даних і традиційний ETL, вимагають ручної праці від фахівців ІТ і не достатньо ефективні для обробки масштабу і складності великих даних.

Компанії, які хочуть використовувати потенціал AI, повинні відмовитися від цих трудомістких і в основному ручних процесів, які збільшують ризик отримання результатів типу “смітник у, смітник вийде”. Замість цього їм потрібні процеси перетворення даних, які витягують сирі дані з кількох джерел і форматів, об’єднують і нормалізують їх, а також додають значення за допомогою бізнес-логіки та метрик, щоб зробити їх готовими для аналізу. З допомогою складного перетворення даних вони можуть бути впевнені, що моделі AI/ML засновані на чистих, точних даних, які забезпечують надійні результати.

Використання потенціалу хмари з ELT

Найкраще місце для підготовки та перетворення даних сьогодні є хмарний склад даних (CDW), такий як Amazon Redshift, Google BigQuery, Microsoft Azure Synapse або Snowflake. Хоча традиційні підходи до складування даних вимагають витягування і перетворення даних перед завантаженням, хмарний склад даних використовує масштабованість і продуктивність хмари для швидшого завантаження і перетворення даних і робить можливим витягування і завантаження даних з багатьох різних джерел даних перед перетворенням їх всередині хмарного складу даних.

Ідеально, 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 і ETL, які очищають, агрегують, фільтрують і об’єднують дані на стадії. Дані можна потім перетворити у іншу схему – наприклад, схему даних або зірчасту схему, оптимізуючи дані для звітів і аналізу

Підхід ELT також дозволяє вам реплікувати сирі дані всередині хмарного складу даних для пізнішої підготовки і перетворення даних, коли і як потрібно. Це дозволяє вам використовувати інструменти бізнес-інтелекту, які визначають схему під час читання і генерують конкретні перетворення на вимогу, ефективно дозволяючи вам перетворити одні й ті ж дані різними способами, коли ви відкриваєте нові способи їх використання.

Прискорення моделей машинного навчання

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

Бутік-агентство з маркетингу і реклами створило власну платформу управління клієнтами для допомоги своїм клієнтам у кращому ідентифікуванні, розумінні та мотивуванні клієнтів. Перетворивши дані всередині хмарного складу даних, платформа швидко і легко інтегрує дані клієнтів у режимі реального часу з різних каналів у 360-градусний вигляд клієнта, який інформує моделі AI/ML платформи для makin клієнтських взаємодій більш консистентними, своєчасними і персоналізованими.

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 перетворення 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 і забезпечуючи вищу якість обслуговування клієнтів, що знизило кількість дзвінків у call-центр на 40 відсотків.

Найкращі практики для початку роботи

Компанії, які хочуть підтримувати свої ініціативи AI/ML за допомогою потенціалу перетворення даних у хмарі, повинні зрозуміти свій конкретний випадок і потреби. Починаючи з того, що ви хочете зробити з вашими даними – зменшити витрати палива за рахунок оптимізації маршрутів доставки, підвищити продажі за рахунок надання наступних найкращих пропозицій агентам клієнтської служби в режимі реального часу тощо – дозволяє вам зворотного інженерії ваших процесів, щоб ви могли визначити, які дані будуть надавати 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 вендор-нейтральним і здатним працювати з вашим поточним стеком технологій

• Є достатньо гнучким, щоб масштабуватися вгору і вниз і адаптуватися до змін вашого технологічного стеку

• Здатне обробляти складні перетворення даних з кількох джерел даних

• Представляє собою модель оплати за використання, у якій ви платите лише за те, що використовуєте

• Є спеціально розробленим для вашого вибраного хмарного складу даних, щоб ви могли повністю використовувати його функції для виконання завдань швидше і перетворення даних безперебійно.

Рішення з перетворенням даних у хмарі, яке відповідає загальним ознакам усіх хмарних складів даних, може забезпечити послідовний досвід, але тільки те, яке дозволяє потужні диференційовані функції вашого вибраного хмарного складу даних, може забезпечити високу продуктивність, яка прискорює час отримання інформації. Правильне рішення дозволить вам надати енергію вашим проєктам AI/ML за допомогою більш чистих, надійних даних з більшої кількості джерел за менший час – і генерувати швидші, більш надійні результати, які забезпечують раніше недосяжну бізнес-користь і інновації.