Wat doet technologie leiders en professionals moeten doen om hun organisaties bij het realiseren van de heilige graal van de voortdurende intelligentie? Kijk naar kunstmatige intelligentie en machine learning om de weg te effenen. Echter, het bereiken van een toestand van continue intelligence is niet over een nacht ijs sprint is-veel organisaties zijn nog niet helemaal klaar te brengen en de behendig data management, automatisering, processen en vaardigheden die nodig zijn om dingen te laten gebeuren.
Foto: Joe McKendrick
Dat is het woord van een drie-delige serie gepubliceerd door ThoughtWorks, waarin wordt gepleit voor een aanpak roept Continue Levering voor Machine Learning (CD4ML), “een software engineering-aanpak, waarbij een cross-functioneel team produceert machine learning-toepassingen gebaseerd op de code, gegevens en modellen in kleine en veilige stappen die kunnen worden gereproduceerd en betrouwbaar uitgebracht op elk moment, in korte aanpassing cycli.”
Gebruikmakend van gegevens “voor de productie van tastbare resultaten voor de business is de echte waarde van de chauffeur en voor dat, we zien de wereld meer te bewegen in de richting van intelligentie,” schrijven Ken Collier, Mark Merk en Pramod N, alle met ThoughtWorks. “Het gebruik van de machine-intelligentie te rijden uitkomsten is een centraal thema.”
Bijvoorbeeld, een ziekenhuis kan gebruiken machine-intelligentie te sporen en te voorkomen ziekenhuis-gebaseerde infecties bij patiënten, gebruik makend van gegevens “, zoals vitale biometrie, de interactie met artsen en medewerkers, en voedingsschema ‘ s zijn verzameld door medische controle en ander ziekenhuis-systemen.” De uitdaging is dat “vastgelegde gegevens snel verwerkt in hapklare informatie, die voorspellende modellen kunnen consumeren naar produceren inzicht over patiënten. Artsen moeten snel beslissingen te nemen over de behandeling van de patiënt en de bijbehorende maatregelen genomen moeten worden door zorgverleners. De modellen en hypothesen het informeren van het inzicht en het nemen van beslissingen over de behandeling van een patiënt moet voortdurend worden geëvalueerd en zo vaak als nodig te herhalen met de processen om te zorgen voor de best mogelijke klinische besluitvorming. Dit vraagt om veranderingen in de business processen, organisatorische samenwerking, technische praktijken, en de investering in de ondersteuning van de technische infrastructuur.”
Er is niet over een nacht ijs sprint, echter. “Helaas, in de meeste organisaties, deze cyclus wordt het tijdrovende, handmatig intensief, en beladen met de wrijving,” Collier en zijn co-auteurs de nodige voorzichtigheid.
CD4ML is gebouwd op de mogelijkheid om de flow van data door middel van model-opleiding, reiniging, voorspellingsservice voor de ontwikkeling en continue monitoring en feedback loops, waarin “nieuwe gegevens, dan informeert de volgende iteratie van de opleiding het voorspellingsmodel.” Dit is een reis waarbij veel onderdelen van de onderneming, en de ThoughtWorks auteurs in kaart hebben gebracht, haar ontwikkeling door middel van een vijf-state-proces:
Legacy staat: Deze wordt gekenmerkt door een “conventionele data warehouse architectuur met een combinatie van een enterprise data warehouse en/of een collectie van onderwerp-data marts.” De ThoughtWorks team stelt “de vaststelling van de moderne, adaptive data architecturen te verlichten voortdurende toegang tot alle vormen van data, het gebruik van geavanceerde analytische mogelijkheden tot het genereren van heldere voorspellingen; en betere zakelijke en technologische samenwerking methoden om het frame meer effectief beslissingen te nemen.”
Gegevens lake state: “Het omzetten van gegevens in informatie voor de analyse is een aanzienlijke verbetering ten opzichte van de verouderde staat,” aldus de auteurs. Echter, “besluiten en acties blijven tamelijk ad hoc in deze staat, en verbeteringen van de ervaring in het bedrijfsleven kan worden sporadisch en neem maanden te implementeren.” Beslissingen worden genomen in een “batch zin op menselijke tijdschaal plaats in de buurt van real-time als en wanneer de gebeurtenissen zich ontvouwen.”
Data science staat: de Tijd te brengen in de gegevens wetenschappers te helpen ziften door middel van de gegevens. Op hetzelfde moment, met de decision maker is “een deel van inzicht creatie reis. Is er minder wrijving tussen de informatie in de schepping, inzicht creëren en beleidsmakers. Wetenschap en experimenten ook is een belangrijke onderscheidende factor in deze fase Echter, de meeste organisaties in deze staat nog “figuur-analyse-verlamming gedrag, in die data science modellen, maar verfijnde, blijven in een proof-of-concept lab staat en zien niet in de echte wereld utility. Besluit tot actie is nog steeds een hindernis in deze fase.”
Inzicht toestand van het product: Samenwerking hits gekomen hier, als “analisten, wetenschappers, besluit – en levering-eigenaren zijn formeel georganiseerd in een cross-functioneel product team met een duidelijke focus op het bouwen van business-aligned intelligence inzicht in producten of direct in de data pipeline — en snel combineren deze kennis met geautomatiseerde besluitvorming te rijden voorspelbare acties.”: Bedrijven “gaan weg van reliant alleen op rapportages en ad hoc analyses voor de besluitvorming, maar in plaats daarvan krijgen in de wijze van afstemmen van beslissingen inzicht producten.”
Tot slot, de voortdurende intelligentie staat: Dit is waar CD4ML platform te denken en een data DevOps cultuur de norm geworden. Dit is een “continue levering van gegevens”, de ThoughtWorks team legt. “Als de gegevens wetenschappers creëren van een meer verfijnde en nauwkeurige modellen, kunnen ze gemakkelijk implementeren deze in productie als vervangers voor de voorafgaande modellen. Mogelijkheid om producten te creëren die het leren en het voltooien van de intelligence-cyclus in een continue mode is wat stelt dit stadium uit elkaar. De lussen worden meer naadloze en de meeste van de belemmeringen uit de weg worden verwijderd. Loops geworden strakker en sneller met meer gebruik en meer experimenteren, dat is een belangrijke indicator van de gezondheid van de intelligence-cyclus.”
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software