Das exponentielle Datenwachstum hat die Artwork und Weise, wie Unternehmen ihre Kunden verstehen, verändert und den Bedarf an fortschrittlichen Systemen zur Verwaltung riesiger Datenmengen und zur Bereitstellung hyperpersonalisierter Erlebnisse erhöht. Während moderne Architekturen, angetrieben durch das Mooresche Gesetz, veraltete Systeme ersetzt haben, bleiben die größten Herausforderungen bei Skalierung, Zuverlässigkeit und Leistung bestehen – was durch eine zunehmend datenschutzorientierte Multi-Cloud-Umgebung noch komplizierter wird.
Da KI-Modelle immer ausgefeilter und zugänglicher werden, geraten viele Unternehmen in ein KI-„Wettrüsten“. Um den Erfolg sicherzustellen, müssen Unternehmen ihre Unternehmenssysteme mit robusteren und qualitativ hochwertigeren Daten stärken.
Mobilisieren Sie mehr Ingenieure, Datenwissenschaftler und Analysten
KI und insbesondere maschinelles Lernen sind nicht neu. Seit über einem Jahrzehnt werden diese Techniken immer häufiger eingesetzt, um die Artwork und Weise zu verbessern, wie Unternehmen mit Kunden interagieren. Ob im Advertising and marketing und Kundenservice oder bei der Entwicklung von Lösungen durch Produkt- und Ingenieurteams: ML und KI werden eingesetzt, um den wachsenden Ansprüchen der Kunden an Komfort und Leistung gerecht zu werden.
Warum additionally jetzt der ganze Hype? KI ist demokratisiert. Das Aufkommen von Instruments wie ChatGPT hat die Hürde für die Einführung erheblich verringert, und eine schnellere und erschwinglichere Verarbeitungsleistung ermöglicht neue KI-Instruments und -Techniken in rasantem Tempo. Einfachere Schnittstellen und die Fähigkeit der KI, menschliche Sprache mithilfe von Techniken wie großen Sprachmodellen (LLMs) zu verstehen, bedeuten, dass mehr Menschen die Technologie nutzen können, um Innovationen und neue Anwendungsfälle zu erschließen. Es gibt auch viele neue Anwendungsprogrammierschnittstellen (APIs) und Instruments, die es ermöglichen, KI-Modelle zu nutzen, ohne deren Funktionsweise im Element verstehen zu müssen.
Da KI nun anstelle fortgeschrittener Mathematik „unsere Sprache sprechen“ kann, können mehr Ingenieure, Datenwissenschaftler und Analysten KI nutzen, um die Transformation voranzutreiben.
Treiben Sie KI mit einer Datengrundlage an, die für moderne Anforderungen entwickelt wurde
Obwohl KI benutzerfreundlicher geworden ist, kann sie ihr volles Potenzial nur auf einer Grundlage hochwertiger, proprietärer Daten entfalten, die auf die Skalierung moderner Unternehmen zugeschnitten sind. Technologen müssen Herausforderungen mit Skalierbarkeit, Zuverlässigkeit und Geschwindigkeit lösen, wenn sie transformative KI-Algorithmen unterstützen wollen. Ansonsten gilt das klassische „Rubbish in, Rubbish out“-Prinzip.
1. Skalieren Sie mit modernen Architekturen: Die Einführung neuer Arbeitsabläufe oder die Verbesserung bestehender Arbeitsabläufe ist komplex und stellt große Einschränkungen für Unternehmenssysteme dar. Dies erfordert eine vollständige Überarbeitung der Architekturen unter Verwendung modernster Technologien wie skalierbarer verteilter relationaler Datenbanken oder schnellerer Streaming-Frameworks.
Beispielsweise möchte ein Unternehmen möglicherweise wertvolle menschliche Zeit sparen, indem es ein KI-basiertes Klassifizierungssystem zur Erkennung sensibler Daten aufbaut, was in der heutigen datenschutzorientierten Welt von entscheidender Bedeutung ist. Um neue KI-Anwendungsfälle zu ermöglichen, muss eine versatile Architektur vorhanden sein, die den spezifischen Anforderungen und der Datenqualität gerecht wird, die diese Instruments erfordern.
2. Multi-Cloud durch Datenföderation freischalten: Unternehmen vermeiden die Abhängigkeit von einem Anbieter, um Flexibilität und Zukunftssicherheit in ihren Tech-Stacks zu gewährleisten. Sie möchten außerdem den Wert ihrer Daten maximieren und mehr Wert aus den Daten ihrer Companion ziehen, nutzen jedoch häufig eine andere Cloud oder ein anderes Information Warehouse.
KI schneidet am besten ab, wenn mehrere Datensätze zusammengeführt werden, um umfassendere und vielfältigere Erkenntnisse zu gewinnen. Nutzen Sie einen sicheren, föderierten Ansatz, um KI den Zugriff auf Daten über mehrere Clouds hinweg zu ermöglichen, was eine nahtlose Datenzusammenarbeit ermöglicht, die auf unterschiedliche Geschäftsanforderungen innerhalb und zwischen Unternehmen zugeschnitten ist.
3. Verbessern Sie die Zuverlässigkeit durch Messungen: „At all times on“-Unternehmenssysteme erfordern eine höhere Zuverlässigkeit und Qualität. KI erfordert riesige Datenmengen, was auch eine nahtlose Zuverlässigkeit – und Skalierbarkeit – der Pipelines, Beobachtbarkeit, Problemlösung in Echtzeit und Automatisierung erfordert.
Fehlt diese Zuverlässigkeit, wird die KI für grundlegende Datenoperationen häufige menschliche Eingriffe erfordern, was Innovationen verlangsamt und Ergebnisse dämpft. Metrikgesteuerte Ansätze und eine umfassende Systembeobachtbarkeit machen dies möglich, indem sie eine Problemlösung in Echtzeit und robuste Automatisierungsprüfungen gewährleisten.
4. Auf Geschwindigkeit optimieren: Unternehmen benötigen eine schnelle Datenverarbeitung, da die Datenmengen stark ansteigen. Durch die Modernisierung architektonischer Ansätze und die Nutzung neuer Technologien wie hochskalierte, verteilte relationale Datenbanken können Unternehmen schnellere Datendurchlaufzeiten erreichen und so Kosten und Effizienz in Einklang bringen.
KI battle in der Vergangenheit teuer und rechenintensiv. Wenn die Kosten eine Rolle spielen, sollten Unternehmen bei der Priorisierung der Anwendungsfälle, die einen quantifizierbaren Geschäftswert freisetzen, selektiv vorgehen und verstehen, welche Daten für diese Algorithmen erforderlich sind, wenn die Verarbeitungssysteme aufholen.
Fördern Sie Innovationen durch Kreativität und Experimente
Das wichtigste Component des KI-Erfolgs ist Kreativität. Die Beibehaltung einer experimentellen Denkweise wird es Unternehmen ermöglichen, neue Anwendungsfälle zu erkunden und Innovationen voranzutreiben.
Scheuen Sie sich zunächst nicht davor, viele Dinge auszuprobieren. Führen Sie Experimente durch, um herauszufinden, was möglich und was wertvoll ist. Bitten Sie KI beispielsweise, eine Frage in eine SQL-Abfrage (Structured Question Language) umzuwandeln. Vergleichen Sie es mit einem Datensatz, um neue Erkenntnisse zu gewinnen, oder gewinnen Sie ein tieferes Verständnis der Marketingdaten, um die Kampagnenleistung zu optimieren.
Identifizieren Sie als Nächstes die 10 vielversprechendsten Experimente mit dem größten Geschäftswert und geringen Hürden für den Aufbau. Sie erfordern möglicherweise Alpha- oder Betatests, aber Kundenfeedback kann sie verbessern. Nehmen Sie zum Beispiel einen KI-Kundenassistenten. Es kann verwendet werden, um Kunden dabei zu helfen, einen Workflow zu konfigurieren, um die gewünschten Ergebnisse zu erzielen, z. B. ein besseres Verständnis darüber, was in einem Produkt geschieht oder wie neue Funktionen genutzt werden können.
Schließlich werden die Anwendungsfälle, bei denen die Reibung gering und die Wiederholbarkeit hoch ist, formell übernommen. Dabei handelt es sich um Experimente, die sich bewährt haben, das Kundenfeedback einbeziehen und schnell umgesetzt werden können.
Unabhängig von den Zielen Ihres Unternehmens sollten Sie Ihre KI-Strategie mit einer experimentellen Denkweise entwickeln. Wisse, dass du nicht alles weißt, und das ist in Ordnung. Mit einer flexiblen, offenen Datenarchitektur, die schnelles Experimentieren und schnelle Bereitstellung ermöglicht, kann die moderne Grundlage für zukünftigen Erfolg gelegt werden – das „nächste ChatGPT“ könnte jeden Second unerwartet und explosionsartig eintreffen. Die Innovationsgeschwindigkeit ist hoch. Nutzen Sie es aus.
Über den Autor
Mohsin Hussain ist Chief Expertise Officer bei LiveRamp (NYSE: RAMP), Leiter des globalen Engineering-Groups. In seiner Rolle ist Mohsin dafür verantwortlich, sicherzustellen, dass die erstklassigen Produkte und Technologieplattformen von LiveRamp weiterhin skaliert und innoviert werden, um den ständig wachsenden Anforderungen der über 1.000 Kunden des Unternehmens in einem breiten Spektrum von Branchen gerecht zu werden, darunter Marken, Agenturen, Technologieanbieter und Daten Anbieter und Verlage. Mit mehr als 25 Jahren Erfahrung in den Bereichen Technik, Führung und Innovation bringt er einen umfassenden technischen Hintergrund in den Bereichen Software program und verteilte Systeme, Datenwissenschaft und maschinelles Lernen, Analyse und Cloud mit. Seine Karriere umfasste Führungspositionen bei mehreren wachstumsstarken Begin-ups und börsennotierten Unternehmen, darunter AOL/Netscape, Seibel, SunPower und Criteo. Mohsin verfügt über Fachkenntnisse im Aufbau groß angelegter Hochverfügbarkeitssysteme, der Pflege einer auf Empowerment basierenden Ingenieurkultur und der Integration komplexer Technologie-M&A.
Melden Sie sich für die kostenlosen insideAI-Information an E-newsletter.
Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1
Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/
Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW