Vad gör tekniken ledare och specialister behöver göra för att hjälpa organisationer att nå den heliga graalen av kontinuerlig omvärldsbevakning? Se till artificiell intelligens och maskininlärning för att bana väg. Men att uppnå ett tillstånd av kontinuerlig intelligens är inte en övernattning sprint på något sätt-många organisationer är inte riktigt redo för att få ihop skickliga hantering av data, automation, processer och kunskaper som behövs för att få saker att hända.
Foto: Joe McKendrick
Det är ord från en tredelad serie publicerad av ThoughtWorks, som förespråkar ett synsätt som det kräver Kontinuerlig Leverans för maskininlärning (CD4ML), “en software engineering approach där ett tvärfunktionellt team producerar machine learning-program som är baserade på kod, data och modeller i små och säkra steg som kan återges på ett tillförlitligt sätt och släppt som helst, kort sagt anpassning cykler.”
Att anställa data “för att leda till konkreta resultat för företag är det verkliga värdet föraren och för att vi ser att världen flyttar mer mot intelligens”, skriver Ken Collier, Mark Varumärke och Pramod N, alla med ThoughtWorks. “Användning av maskinen intelligens för att driva verksamheten resultat är ett centralt tema.”
Till exempel, ett sjukhus kan använda maskinen intelligens för att upptäcka och förhindra sjukhus-baserade infektioner bland patienter, som sysselsätter data “som avgörande för biometri och samverkan med läkare och personal, och utfodring scheman samlas in av medicinsk övervakning och andra sjukhuset system.” Utmaningen är att “en insamlad data är snabbt behandlas i lättsmält information, som prediktiva modeller kan konsumera för att producera insikt om patienter. Läkare måste snabbt fatta beslut om patientens behandling och motsvarande åtgärder måste vidtas av vårdgivare. De modeller och hypoteser informera insikt och beslut om behandling bör ständigt ses över så ofta som behövs för att iterera processer i syfte att säkerställa bästa möjliga kliniska beslutsfattandet. Detta kräver förändringar i affärsprocesser, organisatorisk samverkan, tekniska metoder och investeringar för att stödja den tekniska infrastrukturen.”
Få det är inte en övernattning sprint, dock. “Tyvärr, i de flesta organisationer, denna cykel är tidskrävande manuellt intensiv, och lastade med friktion,” Collier och hans co-författare försiktighet.
CD4ML är byggt på förmågan att flödet av data genom modellen utbildning, rengöring, förslagstjänst för utveckling, och en kontinuerlig uppföljning och feedback loopar, där “nya uppgifter då informerar nästa iteration av utbildning prognos modell.” Detta är en resa med många rörliga delar av företaget, och ThoughtWorks författarna har kartlagt dess utveckling genom en fem-tillstånd process:
Legacy staten: Detta kännetecknas av en “vanlig data warehouse arkitektur med en kombination av företagets data warehouse och/eller en samling av föremål-området data marts.” ThoughtWorks team föreslår att “adoptera moderna, adaptiva data arkitekturer för att underlätta löpande tillgång till alla former av data, användning av avancerade analytiska förmåga för att skapa tydliga förutsägelser, och bättre affärer och teknik samarbete metoder för att utarbeta en mer effektiva beslut.”
Data lake state: “konvertering av data till information för analys är en betydande förbättring jämfört med den äldre tillstånd”, enligt författarna. Men, “beslut och åtgärder fortfarande ganska ad hoc-i detta tillstånd, och förbättringar av verksamheten erfarenhet kan vara sporadiska och ta månader att genomföra.” Beslut fattas i en “batch-känsla på den mänskliga tidsskalan snarare än nära realtid och när händelserna utvecklas.”
Data vetenskap staten: Dags att ta in de uppgifter som forskare för att hjälpa till att sålla bland informationen. På samma gång, att beslutsfattaren är “en del av insikt skapandet resa. Det är mindre friktion mellan information skapande, insikt skapa och beslutsfattare. Vetenskap och experiment är också en annan viktig konkurrensfördel i detta skede, Men de flesta organisationer i detta tillstånd fortfarande “uppvisar analys-förlamning beteenden, där data vetenskap modeller, men sofistikerad, förbli i en proof-of-concept lab staten och misslyckas med att se verkliga nytta. Beslut att åtgärden är fortfarande ett hinder i detta skede.”
Insikt produkt staten: Samarbete träffar sin framfart här, som “analytiker, forskare, beslutsfattare och leverans-ägare är formellt organiserad i en cross-funktionell produkt team med en tydlig stadga att bygga business-linje intelligens i insights produkter eller direkt i data — ledningen- och att snabbt kombinera denna intelligens med automatiserad decisioning att köra förutsägbara handlingar.”: Företag flyttar bort från att vara beroende enbart på rapporter och ad hoc-analyser för beslutsfattande, utan istället få till det läge för att trimma beslut som insights produkter.”
Slutligen, kontinuerlig intelligens staten: Det är där CD4ML plattform tänkande och en data DevOps kultur blivit norm. Detta är “kontinuerlig leverans för data,” ThoughtWorks team förklarar. “De data som forskare skapa mer raffinerad och korrekt modeller, som de lätt kan använda dessa i produktionen som ersättning för tidigare modeller. Att kunna skapa produkter som lära sig och slutföra intelligence-cykeln i en kontinuerlig sätt är det som skiljer detta skede isär. Slingor bli mer sömlös och de flesta av de hinder tas bort. Slingor blivit hårdare och snabbare med mer användning och fler experiment, som är en viktig indikator på hälsa intelligence-cykeln.”
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem