Του Βασίλη Πανάγου

Business Development Manager, Performance Technologies

Ζούμε σε έναν κόσμο Big Data, που δημιουργεί πολυπλοκότητα και προκλήσεις κλιμάκωσης, που τα παραδοσιακά εργαλεία δεν είχαν σχεδιαστεί για να χειριστούν. Καθώς οι οργανισμοί αντιμετωπίζουν την πολυπλοκότητα, αλλά και την επιτάχυνση των απαιτήσεων που βάζει η αγορά, αναδεικνύεται ως πρόκληση και ανάγκη η αξιοποίηση των δεδομένων για να παραχθεί χρήσιμη («actionable») επιτελική και επιχειρησιακή πληροφορία.

Για αρκετές δεκαετίες, οι επιχειρήσεις προσαρμόζονται συνεχώς στις πιο πρόσφατες τεχνολογικές καινοτομίες για να επαναπροσδιορίσουν τον τρόπο με τον οποίο οι πελάτες αλληλοεπιδρούν μαζί τους. Η πλειοψηφία των επιχειρήσεων χρησιμοποιεί επί του παρόντος εφαρμογές τεχνητής νοημοσύνης (συμπεριλαμβανομένης της μηχανικής εκμάθησης). Ο περιοριστικός παράγοντας πριν εφαρμοστεί η τεχνητή νοημοσύνη σε όλους τους επιχειρηματικούς τομείς είναι η ικανότητα εργασίας με κατανεμημένα δεδομένα σε δομημένες, ημιδομημένες και μη δομημένες μορφές. 

Οι κορυφαίες βελτιώσεις που παρατηρήθηκαν στην ανάπτυξη της AI: 

1. Βελτιωμένη εμπειρία πελάτη 

2. Βελτιωμένη ταχύτητα ανάπτυξης νέων προϊόντων 

3. Βελτιωμένη παραγωγικότητα των εργαζομένων 

4. Ταχεία καινοτομία 

5. Βελτιωμένη διαχείριση κινδύνου 

6. Bots για βασικά αιτήματα εξυπηρέτησης.

Με τη μόχλευση των δυνατοτήτων AI & ML (machine learning), οι τράπεζες έχουν τη δυνατότητα να μεταφέρουν την εμπειρία των πελατών στο επόμενο επίπεδο.

Ωστόσο, το ΑΙ είναι τόσο καλό όσο τα δεδομένα που το τροφοδοτούν. Αυτό σημαίνει ότι, για να πλοηγηθούμε στο απροσδόκητο με την τεχνητή νοημοσύνη, πρέπει πρώτα να έχουμε “τακτοποιήσει” τα δεδομένα μας.

Σύμφωνα με την IDC, ο ψηφιακός μετασχηματισμός είναι critical. Οι CEOs (83%) θέλουν να παίρνουν αποφάσεις βασιζόμενοι στα δεδομένα αλλά στην πράξη αυτό δεν είναι εύκολο καθώς μόνο το 30% των αποφάσεων βασίζονται στα δεδομένα. 

Τα συστήματα των τραπεζών δημιουργούν «Silo Problem». Αυτό έχει συμβεί καθώς με την πάροδο των ετών μέσω της ανάπτυξης μεμονωμένων πλατφορμών /συστημάτων που υποστήριζαν συγκεκριμένες ανάγκες τμημάτων με βάση τις επιμέρους επιχειρηματικές ανάγκες, δημιουργώντας silos δεδομένων. 

Ο μετασχηματισμός βασίζεται στην υιοθέτηση μιας ψηφιακής υποδομής που δημιουργεί ολοένα και περισσότερο κατανεμημένα δεδομένα σε πολλαπλές πλατφόρμες, τόσο εντός των εγκαταστάσεων όσο και με παρόχους Cloud.

Data nerds συνήθως ήταν οι data scientists και οι business analysts των τραπεζών. Πλέον όλοι θέλουν να είναι data nerd. Θέλουν να χρησιμοποιούν δεδομένα και εφαρμογές AI στο:

      • Marketing: Optimize wallet share.
      • Sales: Ανακαλύψουν τις ανάγκες των πελατών.
      • Operations: Αυτοματοποίηση επιχειρηματικών διαδικασιών
      • Finance: ΠΙΟ ακριβές forecast
      • HR: να προσελκύσουν τα top talents

Έτσι, υπάρχουν πολλοί που αναγνωρίζουν ότι χρειάζονται δεδομένα, αλλά τα δεδομένα εξακολουθούν να είναι σε «σιλό». 

Στα έργα που υλοποιούμε για πελάτες μας βλέπουμε ότι όλοι οι οργανισμοί υποφέρουν από τα προβλήματα των δεδομένων για χρόνια και η μέθοδος (Copy-Paste) αντιγραφής & επικόλλησης απλά επιδεινώνει τα πράγματα. 

Οι οργανισμοί εξακολουθούν να αγωνίζονται με θέματα όπως:

  • Πού και ποια δεδομένα έχω; Πώς μπορώ να το κάνω διαθέσιμο σε άτομα που το χρειάζονται;
  • Πώς μπορώ να αποκτήσω πρόσβαση σε δεδομένα κλειδωμένων εφαρμογών τρίτων;
  • Πώς επεξεργάζομαι τόσο δομημένα όσο και μη δομημένα δεδομένα; 
  • Η ποιότητα των δεδομένων. Μπορώ να εμπιστευτώ αυτό που βλέπω; Πώς ξέρω ότι είναι σωστά;

Χρειαζόμαστε έναν καλύτερο τρόπο διαχείρισης των δεδομένων, ώστε όλοι να έχουν την ίδια πρόσβαση και αυτό μπορεί να γίνει μέσω μιας νέας τεχνολογίας το IBM Data Fabric. 

Πλέον υπάρχει μια νέα έννοια που ονομάζεται Data Fabric.

Οι περισσότεροι άνθρωποι δεν είναι σε θέση να ορίσουν το data fabric. Μπερδεύουν το Data Fabric με εργαλεία/τεχνολογία/πλατφόρμα και καταλήγουν να προμηθεύονται ένα εργαλείο που ελπίζουν  να λύσει τα προβλήματα των δεδομένων τους. Αλλά το Data Fabric είναι συνδυασμός τεχνολογιών και εργαλείων. Το Data Fabric είναι μια νέα ιδέα σχεδίασης, διαχείρισης και ενοποίησης δεδομένων για την επίτευξη ευέλικτων, επαναχρησιμοποιήσιμων δεδομένων, υπηρεσιών και σημασιολογίας, για την υποστήριξη διαφόρων περιπτώσεων Operations & Analytics που παρέχονται σε πολλαπλές πλατφόρμες ανάπτυξης και ενορχηστρώσεως. Υποστηρίζουν έναν συνδυασμό διαφορετικών στυλ ενοποίησης δεδομένων και χρησιμοποιούν ενεργά μεταδεδομένα, γραφήματα γνώσης, σημασιολογία και ML για να αυξήσουν (σε ορισμένες περιπτώσεις πλήρως αυτοματοποιούν) διάφορες εργασίες σχεδίασης και παράδοσης ενοποίησης δεδομένων.

Αυτό μπορεί να μην ακούγεται σαν μια νέα ιδέα, αλλά είναι μια σύγχρονη προσέγγιση που σας επιτρέπει να ενεργοποιήσετε την αποκέντρωση όπως ποτέ πριν, ώστε να μπορείτε να δώσετε πρόσβαση στα δεδομένα σε όλο τον οργανισμό.

Η IBM προσφέρει όλα τα  απαραίτητα εργαλεία για να λειτουργήσει σωστά το data fabric μέσω του Cloud Pak for Data, ώστε να μπορείτε να προσθέτετε και να αφαιρείτε ό,τι χρειάζεστε για να καλύψετε τις ανάγκες σας.

Ας δούμε τι περιλαμβάνει:

  • Augmented Data Catalog: Tο πρώτο βήμα για την δημιουργία ενός data fabric είναι η δημιουργία του καταλόγου των δεδομένων. Είναι ένας κατάλογος δεδομένων που χρησιμοποιεί ML (μηχανική εκμάθηση) για να αυτοματοποιήσει τις μη αυτόματες εργασίες που εμπλέκονται στην καταλογογράφηση δεδομένων, συμπεριλαμβανομένης της δημιουργίας μεταδεδομένων, της κατηγοριοποίησης και του εμπλουτισμού.
  • Metadata Activation: Ωστόσο, προκειμένου να γίνει πιο αυτοματοποιημένη η δομή των δεδομένων σας και να αρχίσει να προτείνει και ακόμη και να αυτοματοποιεί διάφορες εργασίες διαχείρισης δεδομένων, είναι ζωτικής σημασίας ο κατάλογος δεδομένων σας να μπορεί να συλλέγει, να αναλύει και να μοιράζεται ΟΛΕΣ τις μορφές μεταδεδομένων – πέρα ​​από τα τεχνικά μεταδεδομένα. Μόλις συλλεχθούν τα μεταδεδομένα, εκτελούνται αναλύσεις σε αυτά τα μεταδεδομένα και χρησιμοποιεί τα outputs αυτών των αναλύσεων ως input σε διάφορους αλγόριθμους ML που χρησιμοποιούνται για την αυτοματοποίηση μελλοντικών εργασιών ενοποίησης δεδομένων και διαχείρισης δεδομένων.
  • Knowledge graphs: τα γραφήματα γνώσης είναι ένα σημαντικό βήμα για εκείνες τις εταιρείες που αγωνίζονται με τις παραδοσιακές τεχνικές μοντελοποίησης δεδομένων. Μόλις τα δεδομένα αναπαρασταθούν σε ένα γράφημα γνώσης, καλούνται οι Data Scientists που συμμετέχουν στη διαδικασία μοντελοποίησης με βάση την εξελισσόμενη κατανόηση των δεδομένων τους και το επιχειρηματικό πρόβλημα που επιλύουν με τα συγκεκριμένα δεδομένα.
  • Recommendation Engine: Τέλος, όταν ο ιστός δεδομένων έχει συλλέξει αρκετά μεταδεδομένα και τα έχει μετατρέψει σε ενεργά μεταδεδομένα – οι μηχανές ML του ιστού δεδομένων αρχίζουν να ενημερώνουν και να αυτοματοποιούν μια σειρά από εργασίες ενοποίησης δεδομένων και δραστηριότητες διαχείρισης δεδομένων.
  • Data Preparation and Data Delivery Layer: Αφού ενσωματωθούν και μοντελοποιηθούν τα δεδομένα, είναι πλέον καιρός να παραδοθούν αυτά τα ενσωματωμένα δεδομένα στους καταναλωτές δεδομένων (εφαρμογές, χρήστες, εργαλεία κ.λπ.). Τα περισσότερα έργα ενοποίησης δεδομένων αποτυγχάνουν επειδή περιορίζονται στην ενοποίηση μίας μορφής δεδομένων. Το κόλπο είναι να μπορείτε να συνδυάζετε διαφορετικά δεδομένα και να τα ενορχηστρώνετε σύμφωνα με τις απαιτήσεις σας.
  • Orchestration and DataOps: Τέλος, είναι σημαντικό η διαχείριση όλων των περιβαλλόντων δεδομένων, των μετασχηματισμών δεδομένων, των αντιστοιχίσεων δεδομένων να γίνεται με ευέλικτο τρόπο. Αυτό ήταν ένα από τα μεγαλύτερα σημεία πόνου για τις εταιρείες και γι’ αυτό προχωρούν στον σχεδιασμό του data fabric. Οι οργανισμοί χρειάζονται ευέλικτους τρόπους για τη διαχείριση των δεδομένων στο περιβάλλον τους. Ως εκ τούτου, ήρθε η ώρα για τους οργανισμούς να εξετάσουν τις πρακτικές και τις τεχνολογίες DataOps στη διαχείριση δεδομένων. 

Με το IBM Cloud Pak for Data ο οργανισμός έχει τον έλεγχο των δεδομένων και των εφαρμογών που υλοποιεί καθώς:

  • Το Watson είναι το μόνο AI που «τρέχει» σε οποιοδήποτε cloud
  • Λειτουργεί στο Cloud Pak for Data, το οποίο λόγω του OpenShift μπορεί να εκτελεστεί σε public cloud υποδομές (AWS, Azure, Google και IBM)
  • Γιατί στο σημερινό περιβάλλον, περισσότερο από ποτέ, δεν έχετε την πολυτέλεια να είστε «κλειδωμένοι» με έναν πάροχο.
  • Τέλος, το Watson ΑΙ μπορεί να προσαρμοστεί στις ανάγκες σας και ξέρει τις ανάγκες των τραπεζών καθώς το χρησιμοποιούν διεθνώς τα μεγαλύτερα χρηματοπιστωτικά ιδρύματα.

Αναγνωρίζουμε τις προκλήσεις που αντιμετωπίζουν οι πελάτες μας για να αντιμετωπίσουν εξωγενή προβλήματα, όπως ο πληθωρισμός, η διακοπή της εργασίας και οι αυξανόμενοι κανονισμοί από τις διάφορες αρχές. Ως αποτέλεσμα, έχουμε ευθυγραμμίσει τις υπηρεσίες μας για να βοηθήσουμε τους πελάτες μας να ξεπεράσουν αυτές τις προκλήσεις και να προχωρήσουν μπροστά. Μέσω του Data Fabric, ενός  σχεδιασμού διαχείρισης δεδομένων, οι οργανισμοί μπορούν να αφήσουν τα δεδομένα τους εκεί όπου βρίσκονται και να παρέχουν πρόσβαση με ασφάλεια σε ακριβή δεδομένα σε όλους τους σπασίκλες δεδομένων σε όλη την εταιρεία.  

Προβλέψτε τα αποτελέσματα σας χρησιμοποιώντας όλα τα διαθέσιμα δεδομένα και την χρήση ΑΙ αλγορίθμων, ενδυναμώνοντας τους επιχειρησιακούς χρήστες με την χρήση self-service analytics. Αξιοποιώντας τις νέες τεχνολογίες και δυνατότητες που παρέχουν, οι οργανισμοί έχουν τη δυνατότητα να μεταφέρουν την εμπειρία των πελατών στο επόμενο επίπεδο.

Οι λύσεις μας προσφέρουν στους πελάτες μας τη δυνατότητα να αποκομίσουν τα οφέλη από τον ψηφιακό τους μετασχηματισμό και να επιταχύνουν τον ρυθμό της επιχειρηματικής τους ανάπτυξης. Δεδομένα που είναι απομονωμένα ξεκλειδώνουν, εκτίθενται και συσχετίζονται. Έτσι διευκολύνεται η λήψη αποφάσεων και οι επενδύσεις για τον ψηφιακό μετασχηματισμό αποδίδουν τα αναμενόμενα επιχειρηματικά αποτελέσματα. Η Performance Technologies θα είναι ο στρατηγικός σας συνεργάτης για το Analytics, οι ειδικοί μας μπορούν να σας βοηθήσουν να ανακαλύψετε τον πλούτο των δεδομένων σας και να τα μετατρέψετε σε μια διαρκή πηγή αξίας.

ΑΦΗΣΤΕ ΜΙΑ ΑΠΑΝΤΗΣΗ

Please enter your comment!
Please enter your name here