Hvad gør teknologi ledere og fagfolk har brug for at gøre for at hjælpe deres virksomheder med at opnå den hellige gral af kontinuerlig intelligens? Se til kunstig intelligens og maskinindlæring til at bane vejen. Men det at opnå en tilstand af kontinuerlig intelligens er ikke en overnight sprint ved hjælp af ethvert middel — mange organisationer ikke er helt klar til at samle de sidste data management, automatisering, processer og færdigheder, der er nødvendige for at få tingene til at ske.
Foto: Joe McKendrick
Det er ord fra en tre-del serie udgivet af ThoughtWorks, som går ind for en tilgang, der kræver Kontinuerlig Levering for Machine Learning (CD4ML), “en software engineering tilgang, hvor et tværfagligt team, der producerer machine learning programmer baseret på kode, data og modeller i lille og sikker trin, som kan reproduceres og pålideligt udgivet til enhver tid, kort sagt tilpasning cykler.”
Anvender data “til at producere konkrete resultater, som er den reelle værdi driver og for det, vi ser, at verden bevæger sig mere i retning af intelligens,” skriver Ken Collier, Mark Brand og Pramod N, alle med ThoughtWorks. “Brug af maskinen intelligens til at drive virksomhed, resultater, er et centralt tema.”
For eksempel, et hospital kan anvende maskinen intelligens til at opdage og forhindre hospital-baserede infektioner hos patienter, der anvender data “som afgørende, biometri, interaktion med læger og personale, og feeding er indsamlet af medicinsk overvågning og andre sygehus systemer.” Udfordringen er, at “indsamlede data er hurtigt behandlet i overskuelige oplysninger, som prædiktive modeller, der kan indtage for at producere viden om patienter. Lægerne skal hurtigt at træffe beslutninger om patientens behandling og tilsvarende aktioner, der skal træffes af pårørende. De modeller og hypoteser informere indsigt og beslutninger om patientens behandling bør løbende revurderes så ofte som det er nødvendigt at gentage de processer, for at sikre den bedst mulige kliniske beslutningsproces. Dette kræver ændringer i forretningsprocesser, organisation og samarbejde, teknisk praksis, og investeringer i at støtte den tekniske infrastruktur.”
Kom der ikke en overnight sprint, dog. “Desværre, i de fleste organisationer, denne cyklus er tidskrævende, manuelt intensiv, og belæsset med friktion,” Collier og hans co-forfattere forsigtighed.
CD4ML er bygget på evnen til at flyde data via model uddannelse, udrensning, forslagstjenesten udvikling, og løbende overvågning og feedback loops, hvor “nye data, så oplyser den næste iteration af uddannelse forudsigelse model.” Dette er en rejse, der involverer mange bevægelige dele af virksomheden, og ThoughtWorks forfattere har kortlagt dens udvikling gennem en fem-tilstand proces:
Legacy-tilstand: Dette er kendetegnet ved en “konventionel data warehouse arkitektur med en kombination af enterprise data warehouse og/eller en samling af emne-område data marts.” ThoughtWorks team foreslår, “at vedtage moderne, adaptive data arkitekturer for at lette løbende adgang til alle former for data, anvendelse af avancerede analytiske evner til at generere klare forudsigelser; og en bedre forretning og teknologi samarbejde metoder til at ramme mere effektive beslutninger.”
Data lake state: “konvertering af data til information for analyse er en væsentlig forbedring i forhold til den legacy-tilstand,” ifølge forfatterne. Men “beslutninger og handlinger forbliver snarere ad hoc i denne tilstand, og forbedringer af den erfaring, der kan være sporadisk og tage måneder at gennemføre.” Afgørelser, der er truffet i en “batch forstand på den menneskelige tidshorisonten snarere end nær realtid, når begivenheder udfolde sig.”
Data videnskab tilstand: Tid til at bringe i de data, som forskere til at hjælpe med at finkæmme gennem data. På samme tid, den beslutningstager, der er “en del af indsigt oprettelse rejse. Der er mindre friktion mellem information oprettelse, indsigt oprettelse og beslutningstagere. Videnskab og eksperimenter også er en anden afgørende forskel på dette stadium, Men de fleste organisationer i denne tilstand stadig “udstille analyse-lammelse adfærd, hvor data videnskab modeller, men sofistikeret, forblive i et proof-of-concept lab stat og undlader at se de virkelige verdens nytte. Beslutning til handling er stadig en hurdle på dette tidspunkt.”
Indsigt produkt stat: Samarbejde hits sin skridtlængde her, som “analytikere, forskere, beslutnings – og levering-ejere er formelt organiseret i en tværgående produkt team med en klar charter til at bygge business-tilpasset intelligens i indsigt produkter eller direkte i data pipeline — og til hurtigt at kombinere denne intelligens med automatiseret decisioning at drive forudsigelige handlinger.”: Virksomheder “bevæge sig væk fra at være afhængige kun på rapporter og ad hoc analyser til beslutningsprocessen, men i stedet komme ind i den tilstand af tuning beslutninger som indsigt produkter.”
Endelig, kontinuerlig intelligence-tilstand: Dette er, hvor CD4ML platform tænkning og en data DevOps kultur blevet normen. Dette er “løbende levering af data,” ThoughtWorks team forklarer. “Som data-forskere skabe mere raffineret og nøjagtige modeller, kan de nemt kan implementere disse i produktion som erstatning for tidligere modeller. At være i stand til at skabe produkter, som lære og fuldføre intelligens cyklus i en kontinuerlig mode er, hvad adskiller denne fase fra hinanden. Løkkerne bliver mere problemfri, og det meste af forhindringer er fjernet. Sløjfer blive hårdere og hurtigere med at bruge flere og flere eksperimenter, som er en central indikator for sundhedstilstanden hos intelligens cyklus.”
Relaterede Emner:
Big Data Analytics
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software