وبلاگ پل‌وینو بخش هوش مصنوعی

وبلاگ پل‌وینو
۲۵ مرداد ۱۳۹۹ 0

ده روند برتر تحلیل داده

گارتنر معتقد است این روندها توان بالقوه چشمگیری برای ایجاد تحول در فناوری تحلیل داده در سه تا پنج سال آینده دارند.


 

توسط سارا مؤمن، کارشناس گروه پژوهشی هوش مصنوعی مرکز نوآوری پل‌وینو

 

پیش از این، جامعه هدف بانک‌ها برای ارائه خدمات در حوزه مدیریت ثروت[1]، مشتریان مسن‌تر بودند؛ با این پیش‌فرض که این گروه سنی تمایل بیشتری به دریافت این خدمات دارند. اما به کمک «تحلیل تقویت‌یافته»[2]، اکنون بانک‌ها دریافته‌اند که اتفاقاً مشتریان جوان‌تر (سنین 29 تا 35 سال)، تمایل بیشتری به دریافت خدمات مدیریت ثروت از خود نشان می‌دهند. این نمونه‌ای است بارز از اینکه استخراج الگو از کاربران یک کسب و کار و اعتماد به متخصصین داده برای طراحی مدل چگونه ممکن است به نتایج نادرست و سوگیرانه ختم شود.

به تشخیص گارتنر، تحلیل تقویت‌یافته تنها یکی از 10 فناوری برتری است که می‌تواند مشکلاتی از این دست را در کنار چالش‌های اصلی دیگر در حوزه تحلیل داده در سه تا پنج سال آینده مرتفع کند.

روند تحول دیجیتال، داده را به مؤلفه محوری هر سازمانی تبدیل کرده است. کسب­‌و­کارها حجم زیادی از داده در اختیار دارند؛ چالش پیش روی آنها، شناسایی مهم‌ترین بخش‌های داده و انجام اقدامات متناسب است.

 

 هم‌اینک در راستای روندهای نوظهور اقدام عملی انجام دهید

ریتا سلام[3]، تحلیلگر برجسته و قائم‌مقام گارتنر، معتقد است که سازمان‌­ها به سازوکارهای رسمی برای شناسایی روندهای فناوری و اولویت‌بندی این روندها بر مبنای تأثیرگذاری مورد انتظار از آنها نیازمندند.

«راهبران حوزه تحلیل داده باید فناوری‌های نوظهور را فعالانه مورد آزمایش و پایش قرار دهند، نه اینکه تنها وقتی روندها به تکامل و بلوغ رسیدند اقدامی ترتیب دهند.»

خانم سلام می‌افزاید: «راهبران حوزه تحلیل داده باید از روندهای فناوری‌های نوظهور در جهت آموزش و تعامل با دیگر راهبران برای شناسایی اولویت‌های کسب‌­وکاری استفاده کنند و مواردی را که تحلیل داده می‌تواند مزیت رقابتی ایجاد کند شناسایی کنند.»


«تا پایان سال 2020، تحلیل تقویت‌شده محرک اصلی خریدهای جدید محصولات هوش تجاری و تحلیل داده خواهد بود»


روندهای شناسایی شده توسط گارتنر، شامل روندهایی است که در سه تا پنج سال آینده رخ خواهند داد. این گزارش، روندهایی که در کمتر از سه سال آینده (مانند تجزیه و تحلیل سلف‌سرویس و هوش تجاری) یا بیشتر از پنج سال آینده (مانند محاسبات کوانتومی) محتمل است رخ دهند را پوشش نمی‌دهد. همچنین در این لیست به روندهای غیرفناورانه مانند سواد داده، تعریف داستان‌واره[4] و اخلاقیات داده[5] که نقش مهمی هم در موفقیت سازمان ایفا می­‌کنند، پرداخته نشده است.

 

روند شماره ۱. تحلیل تقویت یافته

استخراج مهم‌ترین بینش‌ها و پیش‌بینی مهم‌ترین تغییرات در کسب‌وکار برای بهینه‌سازی فرایند تصمیم‌گیری، عملیاتی است که توسط «تحلیل تقویت‌یافته» به‌صورت خودکار انجام می‌شود. فرایند خودکار در زمانی به مراتب کوتاه‌تر از حالت غیرخودکار (دستی) انجام می‌گیرد. تحلیل تقویت‌یافته این رهیافت­‌ها را در دسترس تمامی نقش‌های کسب­‌وکاری در سازمان قرار می­‌دهد. هرچند خودکارسازی فرایند، میزان وابستگی سازمان به متخصصین داده و یادگیری ماشین را کاهش می‌دهد، اما به‌کارگرفته‌شدن آن مستلزم افزایش سواد داده در سراسر سازمان است.

 

روند شماره ۲. مدیریت تقویت‌یافته داده[6]

با کاهش افراد متخصص با مهارت‌های فنی و رشد نمایی حجم داده، سازمان­‌ها بیش از پیش به خودکارسازی عملیات مدیریت داده نیازمندند. ارائه‌دهندگان خدمات خودکارسازی عملیات، در حال به‌کارگیری قابلیت‌های هوش مصنوعی و یادگیری ماشین هستند تا فرایندهای مدیریت داده به‌صورت خودکار پیکربندی و تنظیم شوند و در نتیجه کادر فنی ماهر بتواند بر کارهایی تمرکز کند که ارزش بالاتری دارد.

این روند بر همه مقوله‌­های مدیریت داده‌­های سازمانی، از جمله کیفیت داده­‌ها، مدیریت فراداده­‌ها[7]، مدیریت داده­‌های مرجع[8]، یکپارچه‌سازی داده‌ها و پایگاه‌­های داده تأثیر می­‌گذارد.

 

روند شماره ۲. پردازش زبان طبیعی[9] و تحلیل مکالمات[10]

 به همان ترتیبی که ابزارهای جستجو مانند گوگل، اینترنت را برای همه قابل استفاده کرده‌اند، پردازش زبان طبیعی هم امکان کسب اطلاع از مجموعه‌ای از داده‌ها و درک بینش‌هایی که از داده استخراج می‌شوند را برای کسب‌وکارها فراهم کرده است. تحلیل مکالمات، پردازش زبان طبیعی را به سطحی بالاتر می‌برد، چرا که امکان طرح و پاسخ‌دهی شفاهی (و نه متنی) پرسش‌ها را فراهم می‌کند.

تا سال 2021، پردازش زبان طبیعی و تحلیل مکالمات باعث خواهد شد که نرخ به‌کارگیری تحلیل داده و هوش تجاری توسط کارکنان سازمان از 35% (در سال 2019) به 50% برسد؛ به این ترتیب بخش‌های جدیدی از کارکنان، به‌خصوص آنان که در بخش‌های رویارویی مشتری[11] اشتغال دارند، به این روند خواهند پیوست.

 

روند شماره ۴. تحلیل گراف[12]

کاربران کسب­‌وکارها با مرور زمان سوالاتی پیچیده‌تر طرح می‌کنند که مستلزم اخذ انواع داده (اعم از ساخت‌یافته و بدون ساختار) و اغلب نیازمند ادغام داده دریافتی از چند منبع (بعضاً شامل منابع بیرون‌سازمانی) هستند. تجزیه و تحلیل داده­‌هایی با این سطح از پیچیدگی با استفاده از ابزارها یا زبان‌های سنتی پرسمان نظیر SQL در مقیاس بزرگ عملی نخواهد بود.


«کاربرد پردازش گراف و پایگاه‌­های داده گراف سالانه 100% رشد خواهد داشت»


تحلیل گراف از مجموعه‌ای از ابزارهای تحلیلی تشکیل شده است که نشان می‌دهد چگونه موجودیت‌ها مانند افراد، مکان­‌ها و اشیا به یکدیگر مرتبط می‌­شوند. این فناوری کاربردهای گسترده‌ای دارد؛ از شناسایی جعل و تقلب، بهینه‌سازی مسیر رفت و آمد (ترافیک) و تحلیل شبکه­‌های اجتماعی گرفته تا تحقیقات ژنتیک.

گارتنر پیش‌­بینی می­‌کند که کاربرد پردازش و پایگاه داده گراف، برای تسریع آماده‌­سازی داده و فراهم‌سازی امکان استفاده از علم داده در سطحی پیچیده­‌تر و به‌صورت تطبیقی[13]، در طی چند سال آینده، سالانه 100% رشد خواهد داشت.

 

روند گارتنر تحلیل داده 

 

روند شماره 5. هوش مصنوعی و یادگیری ماشین با کاربرد تجاری[14]

در حال حاضر در حوزه هوش مصنوعی و یادگیری ماشین، پلتفرم‌های متن باز[15] انتخاب اول هستند. این پلتفرم‌ها منبع اصلی نوآوری در الگوریتم‌­ها و محیط‌­های توسعه نرم‌افزار بوده‌­اند. فروشندگان تجاری در حوزه هوش مصنوعی، در ابتدای کار در بازار عقب بودند، اما اکنون اتصالاتی را به اکوسیستم متن باز ارائه می­‌دهند. فروشندگان تجاری همچنین ویژگی­‌های سازمانی لازم برای ارائه محصولات در حوزه هوش مصنوعی و یادگیری ماشین در مقیاس بزرگ‌تر، مانند مدیریت پروژه و مدل، استفاده مجدد، شفافیت و یکپارچه‌سازی را فراهم می‌آورند، که پلتفرم‌­های متن باز در حال حاضر فاقد این امکانات هستند.

استفاده بیشتر از هوش مصنوعی و یادگیری ماشین در کاربردهای تجاری به استقرار مدل­‌ها در تولید شتاب خواهد داد، که به نوبه خود منجر به حصول ارزش کسب‌وکاری از این سرمایه‌گذاری‌ها خواهد شد.


روند شماره 6. بافت داده[16]

 حصول ارزش از سرمایه‌گذاری بر تحلیل داده، نیازمند یک «بافت داده» چابک و مطمئن است. بافت داده عموماً یک طراحی سفارشی‌‌سازی‌شده است که به‌صورتی هماهنگ، خدماتی نظیر مناسب‌سازی داده برای استفاده‌های بعدی، پردازش داده، دریافت معنا از داده و اتصال به API را از طریق ترکیبی از رویکردهای یکپارچه‌سازی داده‌­ها ارائه می­‌دهد. این روند، دسترسی بدون مشکل به داده و به اشتراک گذاشتن آن را در یک محیط داده توزیع شده امکان‌پذیر می‌کند.

 

روند شماره ۷. هوش مصنوعی قابل توضیح[17]

هوش مصنوعی قابل توضیح، شفافیت و اعتماد به رویکردهای مبتنی بر هوش مصنوعی و خروجی‌های آنها را افزایش می‌دهد و منجر به کاهش ریسک نظارتی[18] و وجاهتی[19] خواهد شد. این روند، مجموعه‌­ای از قابلیت‌­ها شامل توصیف مدل، تعیین نقاط قوت و ضعف آن و پیش‌­بینی رفتار مدل را در برمی­‌گیرد و هرگونه سوگیری بالقوه را شناسایی می‌کند.

بدون یک توضیح قابل درک و پذیرش، بینش‌­هایی که به‌صورت خودکار تولید شده باشند، یا وجود رویکردهای «جعبه سیاه» به هوش مصنوعی می‌­توانند نگرانی‌هایی درباره اعتبار، مسئولیت‌پذیری، اعمال نظارت و سوگیری‌ مدل به‌وجود بیاورند.

 

روند شماره ۸. بلاکچین در تجزیه و تحلیل داده[20]

فناوری‌های بلاکچین دو چالش مهم در تجزیه و تحلیل داده را مدیریت می‌کنند. نخست اینکه بلاکچین مسیر و منبع دارایی­‌ها و تراکنش‌­ها را مشخص می­‌کند، و دوم اینکه برای شبکه‌های پیچیده از اعضا، شفافیت فراهم می‌کند.

با این حال، بلاکچین به تنهایی یک محل نگهداری داده نیست و قابلیت‌های محدودی برای مدیریت داده دارد. یک سیستم مبتنی بر بلاکچین نمی‌تواند به‌عنوان یک سیستم ضبط به معنای یکپارچه‌کننده­­ داده، کاربردها و فرایندهای کسب­‌وکاری باشد. نگاه واقع‌بینانه این است که این فناوری هنوز برای کاربردهای فراتر از رمزارزها به بلوغ کافی برای مقیاس‌پذیری در سطح تولید در دنیای واقعی نرسیده است.

 

روند شماره ۹. هوشمندی مستمر[21]

سازمان­‌ها مدت‌ها به‌دنبال هوشمندی در لحظه[22] بوده‌اند و سیستم‌هایی هم وجود دارند که می‌توانند چنین قابلیتی را برای مجموعه محدودی از فعالیت‌ها ارائه دهند. اکنون، بالاخره امکان عملی پیاده‌سازی این سیستم‌­ها - که گارتنر آنها را برخوردار از «هوشمندی مستمر»[23] می‌­نامد - در مقیاس بسیار وسیع‌تر فراهم شده است، که این امکان مدیون فناوری ابری[24]، پیشرفت در نرم‌افزارهای «جاری‌کننده» و رشد داده‌­های جمع‌آوری شده از سنسورهای اینترنت اشیا بوده است.

تا سال 2022، بیش از نیمی از سیستم‌های اصلی جدید کسب­‌وکارها، سیستم‌های برخوردار از «هوشمندی مستمر» خواهند داشت که برای بهبود تصمیم­‌گیری از داده‌­های در لحظه استفاده می‌­کنند.


روند شماره ۱۰. سرورهای حافظه پایدار[25]

بیشتر سیستم‌های مدیریت پایگاه داده از ساختارهای پایگاه داده درون‌حافظه‌ای[26] استفاده می‌­کنند، اما با رشد سریع حجم داده­، اندازه حافظه می‌تواند محدودکننده باشد. حجم کاری افزایش‌یافته سرورهای جدید، نه تنها عملکرد سریع‌تری در پردازش، بلکه حافظه بسیار زیاد و افزایش سرعت ذخیره را می‌­طلبد.

فناوری حافظه پایدار به مشاغل کمک می‌کند بینش‌­های عملی‌تری از داده­ استخراج کنند. بسیاری از فروشندگان سیستم‌های مدیریت پایگاه داده در حال آزمایش حافظه پایدار هستند، هر چند که ممکن است اصلاح نرم­‌افزارها برای بهره­‌گیری از مزایای این فناوری چندین سال به‌طول بیانجامد.

 

منبع:

Gartner Top 10 Data and Analytics Trends

November 5, 2019

https://www.gartner.com/smarterwithgartner/gartner-top-10-data-analytics-trends/?utm_medium=social&utm_source=linkedin&utm_campaign=SM_GB_YOY_GTR_SOC_SF1_SM-SWG



[1] wealth management

[2] augmented analytics

[3] Rita Sallam

[4] Storytelling

[5] Data ethics

[6] Augmented data management

[7] metadata

[8] master data management

[9] NLP: Natural Language Processing

[10] conversational analytics

[11] front-office

[12] Graph analytics

[13] adaptive

[14] Commercial AI and machine learning

[15] open-source

[16] Data fabric

[17] Explainable AI

[18] Regulatory

[19] reputational

[20] Blockchain in data and analytics

[21] Continuous intelligence

[22] real-time

[23] continuous intelligence

[24] cloud

[25] Persistent memory servers

[26] in-memory


  

نظر دهید

* نام شما
* ایمیل شما
* نظر شما
تمامی حقوق مربوط به طراحی و توسعه وب سایت محفوظ می باشد Polwinno.ir
X

جستجوی سریع محتوای تخصصی پل‌وینو


v