Bessere Analyse durch KI: Unsere Sicht auf die KI-Trends von Gartner

Blog

KI und maschinelles Lernen sind die Zukunft jeder Branche, insbesondere Daten und Analysen. In Aufwachsen mit KI helfen wir Ihnen, mit all den Möglichkeiten Schritt zu halten, mit denen diese wegweisenden Technologien die Welt verändern.

Beim Lesen der Gartner Top 10-Trends in Daten und Analysen für 2020 war ich beeindruckt wie unterschiedliche Begriffe für unterschiedliche Zielgruppen in unterschiedlichen Kontexten unterschiedliche Bedeutungen haben. Wir hören viel über KI und Analytik nicht nur in internen Gesprächen, sondern auch von unseren Kunden und Interessenten. Aber was meinen wir wirklich, wenn wir über diese Themen sprechen?

Angesichts der Tatsache, dass sie für unsere Welt nur noch wichtiger werden, dachte ich, dass es sich als Leiter der KI-Forschung (AIR) von Sisense lohnen würde, sich mit 7 zu befassen von den 10 Trends auf der Liste und geben Sie meine Ansichten zu jedem an.

Der Artikel beginnt mit einer großen Aussage über die beginnende Operationalisierung der KI, wobei die Anforderungen an die Daten- und Analyseinfrastruktur verschoben werden, um die Entwicklungs- und Übernahmephase zu beschleunigen:

“ Bis Ende 2024 werden 75% der Unternehmen von der Pilotierung zur Operationalisierung von KI wechseln, was zu einer Verfünffachung der Streaming-Daten- und Analyseinfrastruktur führt. “

Dies ist eine wesentliche Änderung in der Art und Weise, wie KI in der Vergangenheit neben Daten verwendet wurde und Analytik, die sowohl leistungsfähiger als auch effektiver macht. Lassen Sie uns in diese Trends eintauchen und sehen, was sich noch am Horizont abzeichnet.

Trend 1: Intelligentere, schnellere und verantwortungsbewusstere KI

Gartner:

“ Im aktuellen Pandemiekontext liefern KI-Techniken wie maschinelles Lernen (ML), Optimierung und Verarbeitung natürlicher Sprache (NLP) wichtige Erkenntnisse und Vorhersagen über die Ausbreitung des Virus sowie die Wirksamkeit und Wirkung von Gegenmaßnahmen.

„Signifikante Investitionen Neue Chip-Architekturen wie neuromorphe Hardware, die auf Edge-Geräten eingesetzt werden können, beschleunigen AI- und ML-Berechnungen und Workloads und verringern die Abhängigkeit von zentralisierten Systemen, die hohe Bandbreiten erfordern. Letztendlich könnte dies zu skalierbareren KI-Lösungen führen, die höhere geschäftliche Auswirkungen haben. “

Mein Standpunkt:

Augmentations- und Verstärkungslernen sind viel leistungsfähiger als Out-of-the-Box-Lösungen. und das ist es, was uns auf dem Weg führt. Die Planung für jede Funktion beginnt mit Fragen, wie der Benutzer mit der Eingabe herumspielen und sie ändern kann, um zu sehen, wie sie sich auf das Ergebnis auswirkt. Für uns hier bei Sisense war es nur natürlich, erhebliche Investitionen in Wissensgraphen, NLP und automatisiertes maschinelles Lernen zu tätigen. Zusammen ermöglichen sie Benutzern, sich aktiv mit dem System auseinanderzusetzen und Empfehlungen zusammen mit Analysen zu genießen. Diese Funktionen ermöglichen auch eine positive Rückkopplungsschleife, indem Engagement verwendet wird, um das zu stärken, was funktioniert, und um das zu beseitigen, was nicht funktioniert.

Ein Ergebnis ist, dass Systeme viel intuitiver werden: Benutzer können die Funktion „Einfach fragen“ nutzen, um dies zu überprüfen "Was sind meine Verkäufe in den nächsten zwei Monaten?" Und erhalten Chatbot-Nachrichten mit projizierten Visualisierungen und Vorschlägen für weitere Erkundungsrouten. In ähnlicher Weise bietet die bevorstehende Funktion "Erklärungen" Benutzern mögliche Treiber für die Bewegungen in den Daten automatisch, wobei Wissensdiagramme verwendet werden, um die Grenzen ihrer Diagramme zu überschreiten. Dies kann die Problemdefinitionsumgebung mehrdimensional machen und aus der Benutzerinteraktion mit dem System lernen, die Ergebnisse zu personalisieren und abzugleichen.

Von Prognose über Trends bis hin zur Abfrage natürlicher Sprache sind wir hinsichtlich der dahinter stehenden Technologie und der statistischen Merkmale von vollständig transparent die Ausgabe. Was auch immer Sie sehen, wenn Sie Sisense verwenden, Sie können leicht in die dahinter stehenden Systeme eintauchen.

Trend 2: Ablehnung des Dashboards

Gartner:

„Dynamische Datengeschichten mit mehr Automatisierung und Konsum Erfahrungen werden das visuelle Erstellen und Erkunden per Mausklick ersetzen. “

Meine Einstellung:

Bei Amazon setzt sich jeder in einer Besprechung zu Beginn zusammen und liest eine vollständige Beschreibung. Anschließend beginnt die Diskussion, anstatt währenddessen eine endlose PowerPoint-Präsentation zu absolvieren das ganze Treffen. Sie konzentrieren sich eher auf echtes Geschichtenerzählen als auf Stichpunkte. Wir erwarten, dass mit Dashboards etwas Ähnliches passiert: rechtzeitige Abrufe von Erkenntnissen, aber auch Begleitung der täglichen Routinen mit einem „Agenten“, der die Geschäftsabläufe in verschiedenen Tools unterstützt.

Möchten Sie sehen, was Sie als Erstes verpasst haben? der Morgen? Auf wichtige Bewegungen aufmerksam gemacht werden? Reicht eine Zusammenfassung aus, um den Ball ins Rollen zu bringen, wenn Sie wissen, dass Sie immer tief tauchen und mehr verlangen können? Verwenden Sie Ihre bevorzugte Task-Management-Lösung? Die Welt bewegt sich von der statischen, starren Erfahrung zu einem daten-, einsichts- und personalisierungsgesteuerten Assistenten, der weiß, wie bestimmte Analysen bereitgestellt werden sollen.

Damit dies funktioniert, sind eine Reihe beweglicher Teile erforderlich als eine gut geölte Maschine zusammenkommen: eingebettete Schnittstellen (unterwegs über Ihr Gerät, in Ihrer E-Mail, im Chat oder in der App), vorgefertigte Analysedienste und Schulungspipeline, das Fahrzeug zur Erleichterung der Erstellung von Datenmodellen; und die richtige Visualisierung und Erzählung, um die Ergebnisse verdaulich, vertrauenswürdig und lernfähig zu machen.

Dies ist es, was Sisense AIR beschäftigt: Dashboard-Automatisierungsforschung und unser Wissensdiagramm, das das Verhalten Tausender früherer Benutzer berücksichtigt.

Trend 3: Entscheidungsintelligenz

Gartner:

„Bis 2023 werden mehr als 33% der großen Unternehmen Analysten haben, die Entscheidungsintelligenz einschließlich Entscheidungsmodellierung praktizieren.“

„Es bietet einen Rahmen, der Daten- und Analyseführern hilft, Entscheidungsmodelle und -prozesse im Kontext von Geschäftsergebnissen und -verhalten zu entwerfen, zu modellieren, auszurichten, auszuführen, zu überwachen und abzustimmen.“

Mein Standpunkt:

Die Automatisierung der Entscheidungsfindung erfordert viele Schritte: Zuerst dokumentieren Sie den Prozess, konfigurieren ihn dann basierend auf dem Ergebnis und automatisieren dann die möglichen Teile. Ich gehe davon aus, dass es sich bei der Automatisierung der Schleife von Daten über Analysen bis hin zur Entscheidung über Daten nicht um Analysen handelt, sondern um die Automatisierung von Roboterprozessen. Es muss argumentiert werden, dass Entscheidungen über einen Anwendungsfall, sobald sie vorhersehbar sind, von BI in einen Teil des Backoffice verlagert werden sollten.

Aber diese Art des Denkens kommt aus der Welt, die wir früher kannten, a Welt, die weniger volatil und überschaubarer war und mehr vom Ökosystem der Nähe beeinflusst wurde als von den Weltereignissen und dem Klima. Heutzutage verändert sich die Welt mit einer Geschwindigkeit, die schwer zu ergründen ist. Daher muss die Entscheidungsfindung auf der Grundlage von Erkenntnissen aus Daten angepasst werden, die von empfohlenen Maßnahmen begleitet werden. "Überleben der Schnellsten" ist heute die Regel.

Trend 4: X-Analytik

Gartner:

"Gartner prägte den Begriff" X-Analytik "als Überbegriff, wobei X die Daten sind Variable für eine Reihe verschiedener strukturierter und unstrukturierter Inhalte wie Textanalyse, Videoanalyse, Audioanalyse usw. “

Meine Einstellung:

Die Welt ist breiter als die traditionellen BI-Tabellendaten. Es ist visuell, es wird gesprochen, es ist hörbar. Warum nur einen der Sinne nutzen und Ihre Perspektive einschränken?

Sisense nutzte kürzlich unser Ökosystem von ML-Dienstleistern, um die Weisheit der medizinischen Masse von COVID-Behandlungen anhand von Textdaten von einer Website namens G-Med zu scannen und aufzudecken. Es hatte keinen Sinn, das Rad neu zu erfinden, um unsere eigenen Video-, Bild-, Sprach- und Textanalysetools zu erstellen – es gibt bereits viele auf dem Markt.

Wie genau werden all diese Daten miteinander kommunizieren und kommen zusammen, um die End-to-End-Analyse bereitzustellen? Wissensgraphen werden die Grundlage dafür sein, wie die Datenmodelle und Datengeschichten zunächst als relativ stabile Kreaturen und in Zukunft als On-Demand für jede Frage erstellt werden.

Trend 5: Erweitertes Datenmanagement

Gartner :

„Augmented Data Management verwendet ML- und AI-Techniken, um den Betrieb zu optimieren und zu verbessern. Es konvertiert auch Metadaten von der Verwendung in Auditing, Abstammung und Berichterstellung zur Stromversorgung dynamischer Systeme. “

Mein Standpunkt:

Der Gartner-Artikel geht nicht über die Automatisierung von Abstammung oder Workload hinaus. Das ist wichtig, aber das ist nur das, was heute los ist. Das Abrufen von Berechnungsergebnissen vor der Frage verbessert die Leistung, ist jedoch immer noch auf das Datenmodell oder das dimensionale Paradigma der einzelnen Person in der Organisation beschränkt. Haben sie die erforderliche Perspektive, um Hurrikandaten für das Supply Chain Dashboard für Ostasien aufzunehmen? Domain-Experten würden sich wahrscheinlich dazu entschließen, diese Informationen aufzunehmen, nachdem sie über Verluste in den Nachrichten gelesen haben. Was wäre, wenn die relevanten Daten zum Kontext hinzugefügt werden könnten, um die Datengeschichte zu erzählen, ohne dass Menschen selbst Maßnahmen ergreifen müssen? Der Datenaustausch wird in Zukunft eine wichtigere Rolle spielen und sein Angebot auf die Datenmodellierung ausweiten.

Trend 6: Cloud ist eine Selbstverständlichkeit

Gartner:

„Bis 2022 öffentliche Cloud-Dienste wird für 90% der Daten- und Analyseinnovationen von entscheidender Bedeutung sein. Während Daten und Analysen in die Cloud verlagert werden, haben die Verantwortlichen für Daten und Analysen immer noch Schwierigkeiten, die richtigen Dienste auf die richtigen Anwendungsfälle abzustimmen, was zu einem unnötig erhöhten Aufwand für Governance und Integration führt. “

Mein Standpunkt: [19659006] Cloud ist hier, um zu bleiben. Ich habe die Entwicklung der Mainframe / PC / Cloud / Personal Graphics Processing Unit miterlebt. Für mich liegt der Wendepunkt der Cloud-Analyse in der Kombination von Daten- und Logikkomponenten, die auf Benutzerfragen basieren. Bei Angeboten wie AWS Outposts könnte es nicht einfacher sein, die Cloud-Reise zu beginnen.

In der Analytics-Welt ist es wichtig, auf dem neuesten Stand zu bleiben und Systeme für „kontinuierliche Integration / kontinuierliche Bereitstellung“ und A / B-Tests zu implementieren Leistung und Erfahrung. Dies ist nur mit Cloud-Diensten möglich. Cloud kombiniert mit der Einhaltung der Allgemeinen Datenschutzverordnung und des SOC sind entscheidend, um das Vertrauen der Kunden zu gewinnen. Die Durchführung datenhungriger Berechnungen in der Cloud ist kostspielig, wenn Daten aufgrund der Schwerkraft und Latenz der Daten lokal sind. Das Anpassen der Systemarchitektur kann schnell den Unterschied ausmachen, was bedeutet, dass Sie leicht Erkenntnisse aus großen Datenmengen gewinnen können.

Trend 7: Daten- und Analysewelten kollidieren

Gartner:

„Daten- und Analysefunktionen haben traditionell wurden als eigenständige Einheiten betrachtet und entsprechend verwaltet. Anbieter, die End-to-End-Workflows anbieten, die durch erweiterte Analysen ermöglicht werden, verwischen die Unterscheidung zwischen den beiden Märkten.

Die Kollision von Daten und Analysen wird die Interaktion und Zusammenarbeit zwischen historisch getrennten Daten- und Analyserollen verbessern. Dies wirkt sich nicht nur auf die bereitgestellten Technologien und Funktionen aus, sondern auch auf die Personen und Prozesse, die sie unterstützen und nutzen. Das Rollenspektrum wird sich von traditionellen Daten- und Analyserollen in der IT bis hin zu Information Explorer, Consumer und Citizen Developer als Beispiel erstrecken. “

Mein Standpunkt:

Ich stimme zu, dass neue Rollen erforderlich sind . Wenn neue Daten- und Analyseprodukte erstellt werden und jedes Produkt Daten- und Analyseelemente enthält, entstehen Daten- / Wissensproduktmanager. Diese Spezialisten verstehen Daten und können Abfragen und Transformationen ausführen und erstellen, sind jedoch auch mit den Anwendungen vertraut, die auf diesen Datenströmen ausgeführt werden.

In Bezug auf Daten und Tools „Extrahieren, Transformieren und Laden“ (ETL) wird ETLT. Das „T“ steht für die „Transformationspipelines“, die entweder Daten von den Börsen oder vorab geschulten ML-Diensten oder Trainingspipelines für strukturierte und unstrukturierte Daten bereitstellen. Softwareentwickler und Datenwissenschaftler können dieselben Pipelines verwenden, um ihre Teile der Anwendung bereitzustellen, und Analyse-Workflows können so automatisiert werden, dass Geschäftsbenutzer sie sogar ohne fremde Hilfe auslösen können.

KI und Analyse: Gemeinsam die Zukunft gestalten [19659062] Wenn Sie Daten haben, haben Sie wahrscheinlich eine Menge davon. Sie haben wahrscheinlich mehr, als Sie bewältigen können. Alleine das ist. Nur KI kann Menschen dabei helfen, die riesigen Datensätze zu verstehen, die täglich von unzähligen Personen und Geräten generiert werden. KI-Systeme werden in unserer persönlichen und geschäftlichen Welt eine immer größere Rolle spielen. Was auch immer Sie bauen, denken Sie darüber nach, wie KI Ihrem Produkt, Service, Kollegen und Kunden helfen kann, besser zu werden. Und woran Sie gerade arbeiten, bauen Sie mutig.

Inna Tokarev-Sela Sisenses Leiterin für KI-Forschung, verfügt über mehr als 15 Jahre Erfahrung in der Technologiebranche. Sie verbrachte das letzte Jahrzehnt bei SAP, um Innovationen in der Cloud-Architektur, in In-Memory-Produkten und in der Videoanalyse für maschinelles Lernen voranzutreiben. Inna ist eine häufige Rednerin bei Branchenveranstaltungen wie IBC, NAB, Wonderland AI und Media Festival. Sie hat einen BS in Physik und Informatik, einen MBA und einen MS in Informationssystemen, nachdem sie ihre Diplomarbeit über neuronale Netze geschrieben hat.

Der Beitrag Bessere Analyse durch KI: Unsere Sicht auf die KI-Trends von Gartner erschien zuerst auf Business Intelligence Online.

Weiterlesen: https://ift.tt/32Q70WT