Садржај
- ЕТЛ ствара боце за Аналитицс
- Рационализација ЕТЛ-а уз машинско учење и АИ
- Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Извор: Поп Нукоонрат / Дреамстиме.цом
Одузети:
Подаци су кључни за пословање, али да би били корисни, не смеју бити грешака у прикупљању, обради и представљању тих података. Вештачка интелигенција може надгледати ЕТЛ процесе како би се уверило да немају грешке.
ЕТЛ (екстракција, трансформација и учитавање) један је од најважнијих процеса у анализи великих података - и истовремено може бити један од његових највећих уских грла. (За више информација о великим подацима, погледајте 5 корисних курсева великих података које можете преузети на мрежи.)
Разлог зашто је ЕТЛ толико важан је тај што већина података које посао прикупи није спремна, у свом сировом облику, за анализу решења за аналитику. Да би решење за аналитику створило увид, необрађене податке потребно је извадити из апликације у којој се тренутно налази, трансформисати у формат који аналитички програм може прочитати, а затим учитати у сам програм аналитике.
Овај поступак је аналоган кувању. Ваши сирови састојци су ваши необрађени подаци. Потребно их је извући (купити у продавници), трансформисати (скувати), и потом учитати (посложити), пре него што могу да се анализирају (пробају). Потешкоћа и трошкови могу се непредвидљиво повећати - лако је направити мац н сир од себе, али много теже створити гурмански мени за 40 људи на вечери. Не треба ни помињати да, било која грешка, може ваш оброк учинити неприступачним.
ЕТЛ ствара боце за Аналитицс
ЕТЛ је на неки начин основа процеса аналитике, али има и одређених недостатака. Пре свега, то је споро и рачунање скупо. То значи да предузећа често дају само најважније податке за аналитику, а остатак једноставно складиште. Ово доприноси чињеници да до 99% свих пословних података остане неискоришћено за потребе аналитике.
Поред тога, поступак ЕТЛ никада није сигуран. Грешке унутар ЕТЛ процеса могу оштетити ваше податке. На пример, кратка мрежна грешка може да спречи вађење података. Ако ваши изворни подаци садрже више типова датотека, могу се погрешно трансформисати. Смеће унутра, смеће ван, како кажу - грешке током ЕТЛ процеса готово ће се сигурно изразити у смислу нетачне аналитике.
Корумпирани ЕТЛ процес може имати лоше последице. Чак иу најбољем сценарију, вероватно ћете морати поново да покренете ЕТЛ, што значи одлагање сати - а у међувремену су доносиоци одлука нестрпљиви. У најгорем сценарију, не примећујете нетачну аналитику све док нисте почели да губите новац и купце.
Рационализација ЕТЛ-а уз машинско учење и АИ
Можете - и вероватно - доделити некога да надгледа ЕТЛ, али искрено није тако једноставно. Лоши подаци могу произаћи из грешака у процесу које се дешавају тако брзо да их не могу уочити у стварном времену. Резултати оштећеног ЕТЛ процеса често се не разликују од исправно учитаних података. Чак и када су грешке очигледне, проблем који је створио грешку можда није толико лако ући у траг. (Да бисте сазнали више о анализи података, погледајте Јоб Роле: Анализа података.)
Добра вест је да машине могу да ухвате оно што људи не могу. Ово је само неколико начина на које АИ и машинско учење могу ухватити ЕТЛ грешке пре него што се претворе у нетачну аналитику.
Без грешака, без стреса - Ваш корак по корак водич за креирање софтвера за промену живота без да вам уништи живот
Не можете побољшати своје програмирање кад никога није брига за квалитет софтвера.
1. Откривање и упозорење преко ЕТЛ метрике
Иако су ваши подаци слика у покрету, ЕТЛ процес би и даље требало да произведе сталне вредности у једнакој брзини. Када се те ствари промене, то је разлог за аларм. Људи могу да примете велике промене у подацима и препознају грешке, али машинско учење може брже препознати ситније грешке. Могуће је да систем машинског учења нуди детекцију аномалија у реалном времену и директно упозори ИТ одељење, омогућавајући им да паузирају поступак и реше проблем, а да не морају да одбаце сате рачунарске напоре.
2. Утврђивање специфичних боца
Чак и ако су ваши резултати тачни, они би могли испоставити превише споро да би били од користи. Гартнер то каже 80% увида изведене из аналитике никада неће бити искоришћене за стварање новчане вредности, а то може бити и због тога што пословни лидер не може видети увид на време како би је искористио. Машинско учење може вам рећи где ваш систем успорава и пружити вам одговоре - бржи вам добијање података.
3. Квантификујте утицај управљања променама
Системи који производе ваше податке и аналитику нису статични - стално примају закрпе и надограђују. Понекад то утиче на начин на који производе или интерпретирају податке - доводећи до нетачних резултата. Машинско учење може означити резултате који су се променили и пратити их на одређеној закрпаној машини или апликацији.
4. Смањите трошкове пословања
Заустављене аналитичке операције једнаке су изгубљеном новцу. Време које трошите на проналажење не само како да решите проблем већ и ко је одговоран за решавање проблема време је када бисте могли да потрошите грађевинску вредност. Машинско учење помаже да се приступи срцу ствари упозоравајући само тимове који су можда одговорни за реаговање на одређене врсте инцидената, а остатак ИТ одељења оставља слободним да наставе са обављањем основних радних задатака. Поред тога, машинско учење ће помоћи елиминирању лажних позитивних резултата, смањујући укупан број упозорења уз истовремено повећање прецизности информација које могу пружити. Умор упозорења је врло стваран, тако да ће ова промена имати мерљив утицај на квалитет живота.
Када је у питању победа у послу, аналитика је пресудна. Значајна студија компаније Баин Цапитал показује да компаније које користе аналитику имају више него двоструко већу вероватноћу да ће финансијски профитирати. ЕТЛ даје темељ успеху у овој арени, али кашњења и грешке такође могу спречити успех аналитичког програма. Машинско учење, према томе, постаје непроцењиво средство за успех било којег аналитичког програма, помажући гарантовање чистих података и тачних резултата.