Che cosa la tecnologia leader e professionisti devono fare per aiutare i loro organizzazioni a raggiungere il santo graal di continuo l’intelligenza? Aspetto di intelligenza artificiale, machine learning per spianare la strada. Tuttavia, il raggiungimento di uno stato di continuo l’intelligenza non è una notte sprint con qualsiasi mezzo, molte organizzazioni non sono ancora pronto a riunire l’abile gestione dei dati, l’automazione, i processi e le competenze necessarie per fare le cose accadere.
Foto: Joe McKendrick
Che è la parola da una serie di tre pubblicato da ThoughtWorks, che sostiene un approccio chiama erogazione Continua per l’Apprendimento automatico (CD4ML), “un software engineering approccio in cui un team cross-funzionale produce apprendimento automatico di applicazioni basate su codice, dati e modelli in piccolo e sicuro, con incrementi che possono essere riprodotti e affidabile rilasciato in qualsiasi momento, in breve adattamento cicli.”
Utilizzare i dati per produrre risultati tangibili per le imprese è il reale valore di driver e per questo, stiamo vedendo il mondo che si muove più verso l’intelligenza” scrivere Ken Collier, Marchio Marchio e Pramod N, tutti con ThoughtWorks. “L’uso di intelligenza artificiale per ottenere i risultati di business è un tema centrale.”
Per esempio, un ospedale può impiegare la macchina di intelligence per individuare e prevenire hospital-based infezioni tra i pazienti, utilizzando i dati “vitali come la biometria, le interazioni con i medici e il personale, e l’alimentazione orari sono raccolti da medici di monitoraggio e di altri sistemi ospedalieri.” La sfida è che “i dati acquisiti sono rapidamente trasformati in informazioni assimilabili, quali modelli predittivi può consumare per produrre conoscenza su pazienti. I medici devono prendere rapidamente le decisioni circa il trattamento del paziente e le relative azioni devono essere adottate dagli operatori sanitari. I modelli e le ipotesi di informare il discernimento e le decisioni circa il trattamento del paziente deve essere costantemente rivisto come spesso come necessario iterare i processi al fine di garantire la migliore decisione clinica. Questo richiede dei cambiamenti nei processi aziendali, la collaborazione organizzativa, tecnico-pratiche e di investimento in materiale tecnico di supporto infrastruttura.”
Arrivare non è una notte di sprint, però. “Purtroppo, nella maggior parte delle organizzazioni, questo ciclo è in termini di tempo, manualmente per la cpu, e carichi di attrito,” Collier e i suoi co-autori attenzione.
CD4ML è costruito sulla capacità di flusso di dati attraverso il modello di formazione, di pulizia, servizio di previsione di sviluppo, e di un continuo monitoraggio e cicli di feedback, in cui “i nuovi dati informa con la prossima iterazione di formazione il modello di previsione.” Questo è un viaggio che coinvolge molte parti in movimento dell’impresa, e il ThoughtWorks autori hanno tracciato il suo sviluppo attraverso un cinque-stato del processo:
Legacy stato: Questa è caratterizzata da un “convenzionale architettura del data warehouse con una combinazione di enterprise data warehouse e/o di un insieme di soggetti-area datamart.” Il ThoughtWorks team suggerisce “l’adozione di moderni, adaptive di architetture dati per facilitare l’accesso in corso per tutte le forme di dati; utilizzo di capacità analitiche avanzate per generare chiaro previsioni, migliorare il business e la tecnologia di metodi di collaborazione a telaio decisioni più efficaci.”
Dati lago di stato: “La conversione di dati in informazioni utili per l’analisi è un sostanziale miglioramento rispetto al legacy stato,” secondo gli autori. Tuttavia, “le decisioni e le azioni rimangono piuttosto ad hoc in questo stato, e migliorare l’esperienza di business possono essere sporadiche e prendere mesi di tempo per realizzare.” Le decisioni sono prese in un “batch senso umano della scala cronologica piuttosto che in tempo quasi reale, come e quando svolgersi degli eventi.”
Data science di stato: il Tempo per portare i dati scienziati che aiuta a setacciare i dati. Allo stesso tempo, la decisione-maker è “parte di insight creazione di viaggio. C’è meno attrito tra le informazioni creazione, la comprensione della creazione e i decisori politici. La scienza e la sperimentazione, inoltre, è un altro fattore chiave di differenziazione, in questa fase, Tuttavia, la maggior parte delle organizzazioni in questo stato ancora “mostra paralisi da analisi di comportamenti, in cui scienza di dati modelli, tuttavia, sofisticato e di rimanere in un proof-of-concept lab di stato e non riescono a vedere il mondo reale utilità. Decisione di azione è ancora un ostacolo in questa fase.”
Insight prodotto stato: Collaborazione colpisce la sua falcata qui, come “gli analisti, di scienziati, di decisione e di consegna, i proprietari sono formalmente organizzati in un cross-funzionale team di prodotto con una chiara carta per costruire business allineato intelligenza e nella comprensione di prodotti o direttamente nella pipeline di dati e rapidamente combinare questo tipo di intelligenza con i processi decisionali automatizzati per auto prevedibili azioni.”: Aziende di “lasciarsi affidamento solo su report e analisi ad hoc per il processo decisionale, ma, invece, entrare in modalità di sintonizzazione decisioni comprensione di prodotti.”
Infine, il continuo dell’intelligence di stato: Questo è dove CD4ML piattaforma di pensare e di dati DevOps cultura diventano la norma. Questa è “la consegna continua di dati,” il ThoughtWorks team spiega. “Come scienziati dati di creare più raffinate e precise, modelli, si può facilmente distribuire questi nella produzione di parti di ricambio per i modelli precedenti. Essere in grado di creare prodotti che imparare e completare il ciclo di intelligence in modo continuo è ciò che contraddistingue questa fase oltre. Il loop di diventare più trasparente e il più delle transenne vengono rimossi. Loop diventare più stretto, più veloce e con un uso più e più sperimentazione, che è un indicatore chiave della salute del ciclo di intelligence.”
Argomenti Correlati:
Big Data Analytics
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software