Я был в пространстве движения данных почти двадцать лет, и я был свидетелем резких изменений в том, как мы используем данные для раскрытия понимания и принятия обоснованных решений. От машинного обучения до генеративного ИИ (Genai), мы быстро увеличили нашу способность использовать данные для инноваций. Однако в то же время организации изо всех сил пытаются создавать приложения, которые эффективно работают в масштабе, несмотря на то, что имеют огромные возможности искусственного искусства под рукой. Причина в том, что генеративный ИИ так же хорош, как и данные, которые он принимает.
Чтобы проиллюстрировать мою точку зрения, я хочу изучить реальное деловое обоснование, которое можно решить с помощью успешной реализации генеративной ИИ и надежной инфраструктуры данных.
Аналитические команды замедляют узкие места
В связи с тем, что продажи, маркетинг, финансы и операционное лидерство представляют все запросы в централизованную команду данных, проблемы, вероятно, будут расти в геометрической прогрессии. Многие организации пытаются решить эту проблему, назначив встроенный аналитик данных командам. Тем не менее, этот подход увеличивает затраты и часто оказывается трудным для реализации, поскольку трудно найти специалиста с правильным опытом домена для этой роли.
Это узкое место в аналитике создает несколько проблем, которые могут повлиять на общую эффективность эксплуатации. Бизнес -команды часто откладывают критические решения, в ожидании анализа данных, который задерживает инновации и разрушает конкурентное преимущество. Кроме того, они не могут свободно изучить данные и использовать свои бизнес -знания, чтобы раскрыть понимание того, что команды данных могут не обнаружить самостоятельно. Другие риски включают непоследовательный анализ между командами, с различными KPI, которые могут привести к путанице в организации.
Это просто не продуктивное использование времени вашей команды данных. И есть лучший способ.
Обещание аналитики самообслуживания, основанной на ИИ
Генеративный ИИ предлагает убедительное решение этой проблемы. Представьте себе, что менеджер по маркетингу вводит вопрос в чат -боте, например, «Как продажи по сравнению с последним кварталом?» и получение немедленного ответа с соответствующими показателями и визуализациями. Никаких билетов Jira, только мгновенное понимание.
С появлением генеративного искусственного интеллекта это решение теперь возможно для многих предприятий. Платформы разговорной аналитики, использующие LLMS, могут интерпретировать вопросы естественного языка и превратить их в запросы SQL. Из этих запросов они могут легко поднимать метрики и генерировать соответствующие визуализации данных. Это похоже на работу с аналитиком данных, в отличие от написания бесконечных запросов в терминал.
Эффективная аналитика самообслуживания начинается под капюшоном
По-настоящему эффективное решение самообслуживания начинается с унифицированного основания данных. Прежде чем LLM может ответить на вопросы о вашем бизнесе, он нуждается в доступе к комплексному, хорошо структурированному уровню данных. Организации с данными с высокими данными по нескольким системам будут бороться за то, чтобы внедрить эффективную аналитику самообслуживания, независимо от того, насколько сложной может быть их реализация LLM.
Современная бизнес -аналитика также требует выхода за пределы традиционных структурированных данных. В то время как аналитика когда -то сосредоточена в основном на цифрах в таблицах, сегодняшние решения должны включать в себя транскрипты встречи, отзывы клиентов и даже богатые медиа, такие как изображения и видео. Надежная инфраструктура данных должна плавно обрабатывать оба типа данных, создавая унифицированный слой, который LLM может запросить независимо от исходного формата.
Поддержание суверенитета данных и сохранения конкурентоспособности
Поскольку организации исследуют генеративный ИИ для аналитики, многие обращаются к сторонним решениям, которые требуют отправки собственных данных внешним поставщикам. Но это никогда не бывает хорошей сделкой.
Ваши данные — это не просто запись прошлой деятельности; Это представляет ваше конкурентное преимущество. Поведение клиентов, показатели производительности продукта и операционные модели содержат уникальные идеи, которые различают ваш бизнес. Когда вы подвергаете эти первые данные внешним системам, вы рискуете разоблачить свою интеллектуальную собственность, поскольку ваши уникальные бизнес-модели могут информировать конкурентов. Вы также сталкиваетесь с вопросами соответствия нормативным требованиям, поскольку требования к управлению данными могут запретить конкретные данные оставлять ваш контроль.
Наиболее сложными реализациями в настоящее время обучаются пользовательские LLMS на внутренние данные, создавая специфичные для домена модели, которые понимают уникальную терминологию, метрики и бизнес-правила организации, не подвергая конфиденциальную информацию третьим сторонам.
Пример реального мира
Североамериканская компания Fintech работает с командой Lean Data и имеет растущий бизнес, который требует все больше и большего понимания. У них не было бюджета, чтобы расширить свою команду, поэтому они решили построить чат-бот самообслуживания.
Их инфраструктура интегрирует структурированные данные из баз данных Microsoft SQL с неструктурированными данными из облачных хранилищ, таких как Azure Blob и Amazon S3. Все эти данные хранятся в хранилище данных облака снежинки, создавая единственный источник истины. Подключив их облачное хранилище данных с Snowflake Cortex AI, компания сделала интерфейс естественного языка, который преобразует то, как бизнес -пользователи взаимодействуют с данными. Сотрудники могут непосредственно задавать вопросы с помощью естественного языка и получить немедленную информацию.
Старший руководство компании в начале того, что данные, которые должны были храниться в едином уровне, признали, что в едином уровне с структурированными и неструктурированными источниками, чтобы обеспечить реальный контекст для чат -бота. Контекст требует, чтобы все данные и метаданные были сохранены и доступны вместе с надлежащей организацией, чтобы LLM обладал надлежащими знаниями для принятия решений и подготовки понимания.
Без инвестиций компании в инфраструктуру чат -бот не будет надежным, и без надежности ИИ теряет доверие.
Инвестировать в инфраструктуру для долгосрочного успеха
В то время как генеративный ИИ захватил воображение благодаря своей способности понимать и генерировать человеческий язык, успех аналитики самообслуживания в конечном итоге зависит от качества, полноты и доступности основных данных.
Опираясь на основу солидных данных и поддерживая контроль над собственной информацией, предприятия могут выполнять обещание демократизированной аналитики без ущерба для безопасности или точности. Это превращает данные из узкого места ресурса в истинное конкурентное преимущество.
Trending Stories youtube.com/thenewstack Tech движется быстро, не пропустите эпизод. Подпишитесь на наш канал YouTube, чтобы транслировать все наши подкасты, интервью, демонстрации и многое другое. Группа подпишитесь с эскизом. Мишель Трико является соучредителем и генеральным директором Airbyte, который начался в 2020 году в качестве платформы интеграции данных с открытым исходным кодом с видением коммодитизации трубопроводов интеграции данных во всех отраслях и организациях. Он работал в области Data Engineering для … Подробнее от Мишеля Трикота
