Подпишитесь на нашу рассылку здесь

Переход к Эре интеллекта затронет все отрасли и направления бизнеса. Все - от баз данных до приложений и визуализации - меняется по мере того, как мы переходим от систем записи к интеллектуальным системам. Талантливость и технические требования этого нового стека ставят задачи перед ИТ-директорами и техническими директорами, а также возможности для новых стартапов. Мы исследуем этот новый ландшафт ниже.

Развитие корпоративного стека

Вот упрощенное представление о том, как развивался корпоративный стек.

Работаем снизу вверх -

  1. Базы данных, как правило, были дорогими, в проприетарных форматах, их было трудно поддерживать и хранить на месте. Сегодня базы данных значительно дешевле, в форматах с открытым исходным кодом, почти исключительно в облаке, и поддерживаются сообществами с открытым исходным кодом или поставщиками. Компании могут дополнять внутренние данные, хранящиеся в облаке, внешними данными в реальном времени на пути от уровня облачных данных к сторонним приложениям, что позволяет использовать более обширные наборы данных для экспериментов с машинным обучением.
  2. Раньше компаниям требовался широкий спектр SDK и промежуточного программного обеспечения для подключения своих баз данных к приложениям, как внутренним, так и сторонним. Сегодня они могут сделать это и добавить функциональность с помощью хорошо документированных общедоступных API.
  3. Различные направления бизнеса использовали разные приложения для выполнения ручных рабочих процессов в программном обеспечении. Сегодня каждое направление бизнеса собирает данные и использует машинное обучение для принятия решений.
  4. Разработчики программного обеспечения ранее писали внутренние приложения «с нуля», где третьи стороны не могли предоставить соответствующие решения. Теперь разработчики собирают функциональность из API и собственного кода для создания внутренних приложений. Дополнительную ценность создают специалисты по данным и инженеры по машинному обучению, которые создают модели для прогнозирования результатов коммерческих или промышленных последствий, расширяя или автоматизируя процесс принятия решений в организации.
  5. Разработчики программного обеспечения ранее использовали элементарные инструменты разработки для контроля версий и общей производительности. Сегодня разработчикам программного обеспечения доступен полный набор передовых решений. Однако специалисты по обработке данных и инженеры по машинному обучению находят свой новый набор инструментов.
  6. Владельцы бизнеса, которым требовалась аналитика данных, ранее полагались на внутренние группы «бизнес-аналитики», которые вручную извлекали данные, обрабатывали их и помещали в отчет. Сегодня они могут получать доступ к своим бизнес-данным в реальном времени, визуализировать и анализировать их на лету с помощью интуитивно понятных продуктов, не требуя больших групп с техническими знаниями и инструментами обработки данных. .

Эти новые уровни корпоративного стека предоставляют сегодняшним организациям новые возможности для создания конкурентных преимуществ. К таким возможностям можно отнести следующее.

Оптимизация бизнеса

Теперь организации могут распространять данные для принятия решений всем, а не только руководителям, с помощью продуктов для оптимизации бизнеса. Domo - это такой продукт, который извлекает данные из внутренних и облачных систем (не требует кодирования), очищает и обновляет данные, визуализирует или передает данные в другие приложения, а затем предлагает прогнозную аналитику, чтобы помочь бизнес-пользователям принимать решения. Раньше для этого требовалось, чтобы группы людей обрабатывали данные и составляли отчеты. Теперь все делается с помощью продукта. Следовательно, любой в организации - а не только генеральный директор, возглавляющий команду бизнес-аналитики - может получить доступ к данным и использовать их, что приведет к созданию более прозрачных, отзывчивых и творческих компаний.

Интеллектуальные приложения

Преобладающая функция устаревшего облачного программного обеспечения заключалась в передаче данных от голов пользователей в облако. Лучшее из этого программного обеспечения предлагало пользователям преимущества рабочего процесса и производительности, но по сути представляло собой интерфейс поверх базы данных.

Программное обеспечение в эпоху интеллекта собирает конфиденциальные данные от клиентов и из общедоступных источников, а затем применяет машинное обучение для генерации аналитических данных. Таким образом, это программное обеспечение помогает пользователям принимать решения и становится Системой взаимодействия и разведки. Программное обеспечение облачной эпохи из того, что мы использовали (Система взаимодействия), превратилось в Систему записи.

Интеграция внешних данных

Создание интеллектуальной системы начинается с наличия правильных данных. Это означает эффективное хранение закрытых данных вашей организации и дополнение их данными из других источников. Современные облачные системы данных и инструменты обогащения, такие как Clearbit, позволяют компаниям обогащать свои собственные данные с помощью внешних данных на пути от уровня облачных данных к сторонним приложениям, что позволяет получать более богатые наборы данных на котором можно поэкспериментировать с машинным обучением.

Сегодня мы видим множество новых методов сбора данных среди корпораций и стартапов, например, сети передачи данных о клиентах (отдавать, чтобы получить), краудсорсинг, группы специалистов по маркировке данных в предметной области, Системы активного обучения, специализированные потребительские приложения, подделка материалов. партнерство с унаследованными системами записи и налаживание партнерских отношений с компаниями, у которых есть дополнительные данные (например, Clearbit and Segment).

Создание команды по науке о данных и машинному обучению

После того, как данные собраны, организации нужны люди, которые понимают, как работать с этими данными. Слева находится диаграмма, показывающая, какие таланты необходимы (в красных полях) для построения каждой части организации, управляемой данными.

В большинстве компаний сегодня нет специалистов по анализу данных или инженеров по машинному обучению, и их нужно будет нанять по мере того, как мы вступаем в эру интеллекта. Специалисты по анализу данных обычно проводят сложный статистический анализ, создают информационные панели и визуализируют данные. Обычно они имеют количественную подготовку, но приходят из самых разных областей, от физики до геологии. Инженеры по машинному обучению - это эксперты в области компьютерных наук и статистики, которые знают алгоритмы машинного обучения, системы и разработку функций . Обычно они имеют докторскую степень в области компьютерных наук или прикладной математики.

Предоставление правильных инструментов

Этим специалистам по обработке данных и инженерам по машинному обучению требуется новый набор инструментов, который, например, может одновременно редактировать код и данных, чтобы создавать воспроизводимые прогностические модели. Например, Домино можно рассматривать как атласианцев эпохи интеллекта.

Дорога впереди

Мы надеемся, что предприниматели и руководители ИТ-подразделений предприятий смогут воспользоваться этой дорожной картой и работать с ней, чтобы найти правильный баланс между покупками и прокладкой своего пути в эру интеллектуальных технологий. Внесение таких стратегических инвестиций в корпоративный стек будет ключом к развитию ИТ-организации, которая будет предоставлять пользователям интеллектуальные приложения следующего поколения, дополняя и автоматизируя их повседневные решения.

Подпишитесь на нашу рассылку, чтобы получать уведомления о новых публикациях.