Comment une simple analyse de données peut mettre vos données au travail avant que vous ne soyez « ML Ready »

Rejoignez les dirigeants du 26 au 28 juillet pour la semaine AI & Edge de Transform. Écoutez des dirigeants de haut niveau discuter de sujets concernant la technologie AL/ML, l’IA conversationnelle, l’IVA, le NLP, Edge, et plus encore. Réservez maintenant votre pass gratuit!


Les données sont devenues le nouveau Graal des entreprises. Des jeunes startups aux géants vieux de plusieurs décennies, les entreprises de tous les secteurs collectent (ou espèrent collecter) de gros volumes d’informations structurées, semi-structurées et non structurées pour améliorer leurs offres de base ainsi que pour améliorer l’efficacité opérationnelle.

L’idée qui vient tout de suite est de mettre en œuvre apprentissage automatiquemais toutes les entreprises ne disposent pas immédiatement du plan ou des ressources nécessaires pour accéder aux données mobiles.

« Nous vivons à une époque où les entreprises ne font que collecter des données, quel que soit le cas d’utilisation ou ce qu’elles vont en faire. Et c’est excitant, mais aussi un peu angoissant parce que le volume de données qui sont collectées, et la façon dont elles sont collectées, ne sont pas nécessairement toujours faites avec un cas d’utilisation à l’esprit », Ameen Kazerouni, directeur des données et de l’analyse chez Théorie d’Orange Fitness, a déclaré lors d’une session chez VentureBeat’s Conférence Transformer 2022.

Commencer petit

Le problème constitue un obstacle majeur à la croissance axée sur les données, mais selon Kazerouni, les entreprises n’ont pas toujours à nager au plus profond et à investir massivement dans l’IA et le ML dès le départ. Au lieu de cela, ils peuvent simplement commencer petit avec des pratiques de données de base, puis accélérer.

L’exécutif, qui dirigeait auparavant les efforts d’IA chez Zappos, a déclaré que l’une des premières initiatives face à des volumes massifs de données devrait être de créer un langage standardisé et partagé pour discuter des informations collectées. Ceci est important pour s’assurer que la valeur dérivée des données signifie la même chose pour chaque partie prenante.

“Je pense que de nombreux PDG, directeurs de l’exploitation et directeurs financiers d’entreprises qui ont collecté de gros volumes de données se heurtent à ce problème, où tout le monde utilise le même nom pour les métriques, mais la valeur est différente selon la source de données à partir de laquelle ils l’ont obtenue. . Et cela ne devrait presque jamais être le cas », a-t-il noté.

Une fois que le langage partagé est prêt, l’étape suivante consiste à se connecter avec les cadres pour identifier les processus répétitifs et chronophages qui sont gérés par des experts du domaine qui pourraient autrement aider sur des questions de données plus urgentes. Selon Kazerouni, ces processus devraient être simplifiés ou automatisés, ce qui démocratisera les données et les mettra à la disposition des parties prenantes pour une prise de décision plus éclairée.

“Au fur et à mesure que cela se produit, vous commencerez à voir les avantages de vos données immédiatement (et à examiner les problèmes plus importants), sans avoir à faire de gros investissements technologiques au départ ou à aller, hé, trouvons quelque chose sur lequel nous pouvons basculer l’apprentissage automatique et travailler à rebours à partir de cela », a déclaré l’exécutif.

Approche centralisée en étoile

Pour de meilleurs résultats, Kazerouni a souligné que les jeunes entreprises qui ne sont pas natives de la technologie devraient se concentrer sur une approche en étoile au lieu d’essayer de tout construire en interne. Ils devraient simplement se concentrer sur un différenciateur et utiliser des solutions du marché pour obtenir la technologie nécessaire pour faire le travail.

“Cependant, je crois également qu’il faut prendre les données de ce fournisseur et les apporter en interne à un hub central ou lac de donnéesqui utilise effectivement les données au point de génération dans le but que [it] a été généré pour. Et si vous avez besoin d’exploiter ces données ailleurs ou de les connecter à un autre actif de données, apportez-les au hub centralisé, connectez les données là-bas, puis redistribuez-les au besoin », a-t-il ajouté.

La patience est la clé

Bien que ces méthodes génèrent des résultats à partir des données sans nécessiter d’investissements lourds dans l’apprentissage automatique, les entreprises doivent noter que le résultat arrivera en temps voulu, pas immédiatement.

«Je donnerais au responsable des données l’espace et la permission de prendre deux ou même trois quarts pour abattre les fondations. Un bon data leader utilisera ces trois quarts pour identifier une automatisation ou analytique cas d’utilisation qui permet aux blocs de construction critiques d’être investis en cours de route tout en offrant un retour sur investissement à la fin », a déclaré Kazerouni, tout en notant que chaque cas d’utilisation augmentera la vitesse des résultats, réduisant le délai à deux, peut-être même un quart.

Regarder le toute la discussion sur la façon dont les entreprises peuvent exploiter leurs données avant d’être prêtes pour le ML.

La mission de VentureBeat est d’être une place publique numérique permettant aux décideurs techniques d’acquérir des connaissances sur la technologie d’entreprise transformatrice et d’effectuer des transactions. En savoir plus sur l’adhésion.



#Comment #une #simple #analyse #données #peut #mettre #vos #données #travail #avant #vous #soyez #Ready

Leave a Comment

Your email address will not be published.