ML 및 AI로 앞서가는 엔터프라이즈 리더의 실시간 요구 사항 해결

데이터를 신속하게 실행 가능하게 만드는 것은 기존 데이터 관리 순서에 대한 어려운 과제를 만듭니다.

Gartner의 3가지 새로운 보고서는 기업이 AI와 ML이 결합된 가치 창출 운영 애플리케이션을 구축해야 하는 시급성이 증가하고 있음을 명확하게 보여줍니다. .

긴급 작성기 #1: Gartner는 최신 AI 비즈니스 가치 예측에서 AIaugmentation으로 $2.9 조를 창출할 것이라고 밝혔습니다. 2021년의 비즈니스 가치. 1년이면 됩니다.

UrgencyBuilder #2: Gartner의 AI 및 ML DevelopmentStrategy 연구에 따르면 주요 조직에서는 AI/ML 프로젝트를 올해 평균 4개에서 2022년까지 35개로 대폭 늘릴 것으로 예상합니다.

UrgencyBuilder #3: Gartner는 "2019년 예측:데이터 및 분석 전략" 보고서에서 "효과적인 데이터 관리가 그 어느 때보다 중요합니다. 일부 기업은 데이터를 통제하여 시장 지배력을 확보하기 위한 무기로 전환했지만, 많은 기업이 사일로와 같은 브레이크슨 인텔리전스 조정 문제로 어려움을 겪고 있습니다. .”

참조: CI 혜택을 더 빨리 달성하기 위해 AI 배포 속도를 높이는 방법

Gartner의 "선도 조직"은 무엇보다도 의사 결정 지원, 실시간 의사 결정 자동화, AI 증강 인텔리전스를 중심으로 AI, ML 및 IoE 이니셔티브에서 흘러나올 2조 9천억 달러의 비즈니스 가치를 차지하기 위한 경쟁에서 가장 앞서 있는 조직입니다.

지주 회사는 무엇입니까?

격리된 데이터는 IoE 애플리케이션을 구축하고 ML 및 AI 프로젝트를 배포하려는 노력을 저해하는 유일한 요소가 아닙니다. 유연하지 않은 레거시 시스템은 IoT 및 실시간과 관련된 시계열 데이터를 처리하기에 부적합합니다. 작업도 혼동될 수 있습니다.

귀하의 위치 가치를 실현하기 위한 경쟁에서 조직 순위는? 당신은 어때요? AI 또는 ML 프로젝트 및 IoE 애플리케이션 배포를 원활하게 하는 데 도움이 되셨나요?많은 회사와 마찬가지로 이러한 노력은 고립된 데이터부터 시작하여 몇 가지 주요 과제에 직면하고 있습니다.

서로 다른 소스의 데이터를 통합하고 전체적인 관점을 제시할 수 없다는 점은 일부 기업이 IoE(Internet of Everything) 애플리케이션 요구 사항을 고려하기 전에도 이를 따라잡기 위해 고군분투하는 주요 동인입니다.

수년 동안 그들은 산업별, 기능이 제한된 SaaS 및 엔터프라이즈 클라우드 애플리케이션의 세대에 의해 강제된 데이터 사일로에 전념했습니다. 그러나 이제 그들은 분리된 데이터의 분석적 한계에 부딪치고 있으며 데이터가 존재하는 한 전체론적으로 분석하거나 데이터에 대해 조치를 취하거나 새로운 세대 애플리케이션에 쉽게 배포할 수 없다는 사실을 깨닫고 있습니다.

MakingData의 무게 중심

성공하려면 모든 ML 및 AI 노력이 데이터에 기반해야 합니다. 우리는 먼저 데이터 렌즈를 통해 모든 프로세스 자동화 요구 사항을 봅니다. 그것은 우리가 하는 모든 것, 우리가 자동화하는 모든 프로세스, 그리고 우리가 가능하게 하는 모든 실시간 결정이나 행동의 무게 중심입니다.

우리가 먼저 센서 생성 시계열 데이터에 최적화되어 있지만, 데이터가 어떤 유형의 데이터인지, 어떤 소스에서 오는지, 어떤 볼륨이나 속도에서 발생하는지는 중요하지 않습니다. 데이터가 근본 원인입니다. 데이터에 구애받지 않는 애플리케이션을 위한 데이터 자동화 기반을 구축하면 기업SaaS의 분열된 세계에서 사일로를 무너뜨리는 데이터 통합이 진행됩니다.

우리는 이것을 옴니데이터라고 생각합니다. 접근 방식 – 센서 네트워크에 대한 데이터 관리 요구 사항이 기업의 다른 곳에서 옴니데이터 이점을 가능하게 함에 따라 더 많이 듣게 될 것입니다.

널리 퍼진 시장 접근 방식은 이 칙령을 거의 따르지 않습니다. 예를 들어 일반적인 IoT 회사와 이야기하면 사람을 데려오는 방법에 대한 좋은 이야기가 없을 것입니다. 방정식에. 그것들은 모두 사물에 관한 것입니다. 마찬가지로 위치 데이터 서비스 및 인력 관리 제공업체는 사람과 작업자 추적에 대해 좋은 이야기를 하지만 사물 통합에 대한 신뢰성은 거의 없습니다. .

이것이 IoE가 IoT보다 훨씬 더 많은 통신에 존재하는 이유 중 하나입니다. 대부분의 기업 운영 문제에는 사람과 사물이 동등하게 관련됩니다. 데이터 관점에서 보면 차이가 없습니다.

OldData 관리 명령이 종료되었습니다.

데이터 운용화는 기존 데이터 관리 질서에 대한 거대한 새로운 도전을 만들고 있습니다. 알든 모르든 기업들은 '사후 데이터베이스 관리 시스템(DBMS)'의 세계로 진입하고 있습니다. 그들은 이동 중인 데이터 사용 사례를 견고한 레거시 DBMS 인프라에 통합하는 것이 불가능하지는 않더라도 점점 더 어려워지고 있음을 알고 있습니다.

소프트웨어 애플리케이션의 데이터 요구 사항이 크게 변경되었습니다. 사용자와 기계 모두 실시간 데이터 분석 및 기계 학습과 같은 기술을 사용하여 비즈니스 논리를 구동하기 위해 더 많은 데이터를 생성하고 있습니다.

전통적으로 애플리케이션의 모든 데이터는 중앙 집중식 또는 사무실 중심의 관계형 데이터베이스에 저장되었습니다. 그러나 이것은 실시간 운영과 인텔리전스가 의존하는 센서 중심의 시계열 데이터 폭증에는 적합하지 않습니다.

진정한 데이터 기반 솔루션을 구축하기 위해 엔지니어링 및 유지 관리 부담은 돌이킬 수 없을 정도로 복잡해졌습니다. 우리는 소수의 하위 시스템에서 더 많은 비용이 드는 빅 데이터 엔지니어링 팀의 전문 지식을 필요로 하는 수십 개의 하위 시스템으로 이동했습니다.

사용 사례 이해

IoE, ML 및 AI 관련 사용 사례를 단순히 구상하고 이해하는 것은 기업을 지지하는 또 다른 주요 과제입니다.

Gartner의 AI/MLdevelopment 설문 조사 응답자의 약 42%가 사용 사례 식별을 두 번째로 큰 도전 과제로 꼽았습니다(기술 부족 다음). 우리는 이것을 반복해서 봅니다.

다른 주요 과제로는 시계열 데이터 또는 이질적인 소스의 대용량 고속 데이터를 처리할 수 없는 경직된 레거시 시스템과 함께 확장성이 있습니다.

모두를 지배하는 OneBackbone

이러한 수많은 과제를 감안할 때 점점 더 많은 회사에서 IoE 애플리케이션 구축을 위해 "단일 백본" 데이터 자동화 기반을 사용하는 실험을 하고 있습니다. 이를 위해서는 실시간 비즈니스 로직, 데이터 스토리지 및 의사 결정 분석과 함께 확장 가능한 데이터 수집, 정규화 및 강화를 처리할 수 있는 확장 가능한 실시간 데이터 자동화 및 AI 솔루션을 구축하기 위한 유연한 개방형 플랫폼이 필요합니다.

데이터 백본 접근 방식을 사용하면 개발자가 기존의 보다 견고한 DBMS 인프라에 맞게 데이터의 모든 사용을 예상하는 대신 솔루션에 고유한 비즈니스 및 사용자 가치를 구축하는 데 집중할 수 있습니다.

기업은 입력과 출력의 모든 유형 또는 조합을 사용하여 다양한 양과 속도로 센서 데이터를 수집할 수 있는 시스템이 필요합니다. 그리고 온프레미스, 클라우드, 에지 또는 하이브리드 버전에 이러한 기능을 배포할 수 있는 능력이 있어야 합니다.

이렇게 하면 사일로화된 데이터와 제한된 확장성에서부터 매번 데이터 기반을 재발명하지 않고도 여러 애플리케이션을 구축하는 문제에 이르기까지 다양한 문제를 해결하거나 피할 수 있습니다. 그리고 가치 실현으로 가는 더 빠른 길을 제공할 것입니다.