A IA bem-sucedida requer a arquitetura de dados certa – veja como


Para as empresas que podem dominá-lo, a Inteligência Artificial (IA) promete proporcionar economia de custos, vantagem competitiva e uma base no futuro dos negócios. Mas enquanto a taxa de adoção de IA continua a subir, o nível de investimento é muitas vezes desequilibrado com os retornos monetários. Para ter sucesso com a IA, você precisará da arquitetura de dados certa. Este artigo diz-lhe como.

Atualmente, apenas 26% das iniciativas de IA estão sendo colocados em produção generalizada com uma organização. Infelizmente, isso significa que muitas empresas gastam muito tempo em implantações de IA sem ver um ROI tangível.

Todas as empresas devem atuar como uma empresa de tecnologia

Enquanto isso, em um mundo em que toda empresa deve atuar como uma empresa de tecnologia para se manter à frente, há uma pressão crescente sobre as equipes técnicas e os líderes de engenharia e TI para aproveitar os dados para o crescimento comercial. Especialmente à medida que os gastos com armazenamento em nuvem aumentam, as empresas desejam melhorar a eficiência e maximizar o ROI de dados que são caros para armazenar. Mas, infelizmente, eles não têm o luxo do tempo.

Para atender a essa demanda por resultados rápidos, a arquitetura de dados de mapeamento não pode mais se estender por meses sem uma meta definida. Ao mesmo tempo, focar na limpeza de dados padrão ou nos relatórios de Business Intelligence (BI) é regressivo.

Os líderes de tecnologia devem construir arquitetura de dados com IA na vanguarda de seus objetivos.

Para fazer o contrário – eles se encontrarão adaptando-o mais tarde. Nos negócios de hoje, a arquitetura de dados deve levar a um resultado definido – e esse resultado deve incluir aplicativos de IA com benefícios claros para os usuários finais. Isso é fundamental para preparar sua empresa para o sucesso futuro, mesmo que você (ainda) não esteja pronto para a IA.

Começando do zero? Comece com as práticas recomendadas para dados

Arquitetura de dados requer conhecimento. Existem muitas ferramentas por aí, e como você as une é regida pelo seu negócio e pelo que você precisa alcançar. O ponto de partida é sempre uma revisão da literatura para entender o que funcionou para empresas semelhantes, bem como um mergulho profundo nas ferramentas que você está considerando e seus casos de uso.

A Microsoft tem um bom repositório para modelos de dados, além de muita literatura sobre as melhores práticas de dados. Existem também alguns ótimos livros por aí que podem ajudá-lo a desenvolver uma abordagem mais estratégica e voltada para os negócios para a arquitetura de dados.

Máquinas de previsão por Ajay Agarwal, Joshua Gans e Avi Goldfarb é ideal para entender a IA em um nível mais básico, com insights funcionais sobre como usar IA e dados para executar com eficiência. Finalmente, para engenheiros e especialistas técnicos mais experientes, recomendo Projetando aplicativos com uso intensivo de dados por Martin Kleppmann. Este livro lhe dará o pensamento mais recente no campo, com orientações acionáveis ​​sobre como construir aplicativos de dados, arquitetura e estratégia.

Três fundamentos para uma arquitetura de dados bem-sucedida

Vários princípios básicos ajudarão você a projetar uma arquitetura de dados capaz de alimentar aplicativos de IA que ofereçam ROI. Pense no seguinte como pontos da bússola para verificar sempre que estiver criando, formatando e organizando dados:

  • Construindo em direção a um objetivo:

    Sempre fique de olho no resultado de negócios para o qual você está trabalhando enquanto cria e desenvolve sua arquitetura de dados é a regra principal. Em particular, recomendo analisar as metas de curto prazo de sua empresa e alinhar sua estratégia de dados de acordo.

    Por exemplo, se sua estratégia de negócios for atingir US$ 30 milhões em receitas até o final do ano, descubra como você pode usar os dados para impulsionar isso. Não precisa ser assustador: divida a meta mais importante em objetivos menores e trabalhe em direção a eles.

  • Projetando para Criação Rápida de Valor:

    Embora definir um objetivo claro seja fundamental, a solução final deve sempre ser ágil o suficiente para se adaptar às mudanças nas necessidades de negócios. Por exemplo, projetos de pequena escala podem crescer e se tornar multicanal, e você precisa construir com isso em mente. A modelagem fixa e as regras fixas só criarão mais trabalho no futuro.

    Qualquer arquitetura que você projetar deve ser capaz de acomodar mais dados à medida que se tornam disponíveis e alavancar esses dados em direção aos objetivos mais recentes de sua empresa. Eu também recomendo automatizar o máximo que puder. Isso ajudará você a causar um impacto valioso nos negócios com sua estratégia de dados de forma rápida e repetida ao longo do tempo.

    Por exemplo, automatize esse processo desde o início se você sabe que precisa entregar relatórios mensais. Dessa forma, você só gastará tempo com isso durante o primeiro mês. A partir daí, o impacto será consistentemente eficiente e positivo.

  • Saber como testar o sucesso:

    Para se manter no caminho certo, é essencial saber se sua arquitetura de dados está funcionando de forma eficaz. A arquitetura de dados funciona quando pode (1) dar suporte à IA e (2) fornecer dados úteis e relevantes para todos os funcionários da empresa. Manter-se próximo a essas proteções ajudará a garantir que sua estratégia de dados seja adequada à finalidade e adequada para o futuro.

O futuro da arquitetura de dados: inovações para conhecer

Embora esses princípios-chave sejam um ótimo ponto de partida para líderes técnicos e equipes, também é importante não ficar preso a uma maneira de fazer as coisas. Caso contrário, as empresas correm o risco de perder oportunidades que poderiam agregar ainda mais valor a longo prazo. Em vez disso, os líderes de tecnologia devem estar constantemente conectados às novas tecnologias que chegam ao mercado que podem aprimorar seu trabalho e fornecer melhores resultados para seus negócios:

  • Processamento mais barato:

    Já estamos vendo inovações tornando o processamento mais econômico. Isso é crítico porque muitas das tecnologias avançadas que estão sendo desenvolvidas exigem níveis tão altos de poder computacional que só existem em teoria. As redes neurais são um excelente exemplo. Mas à medida que o nível de poder computacional necessário se tornar mais viável, teremos acesso a formas mais sofisticadas de resolver problemas.

    Por exemplo, um cientista de dados deve treinar todos os modelos de aprendizado de máquina. Mas, no futuro, há potencial para construir modelos que possam treinar outros modelos. Claro, isso ainda é apenas uma teoria, mas definitivamente veremos inovações como essa acelerarem à medida que o poder de processamento se tornar mais acessível.

  • Ferramentas empacotadas:

    Além disso, quando se trata de aplicativos ou softwares que podem diminuir o tempo de retorno da IA, estamos em uma fase agora em que a maioria das tecnologias disponíveis só podem fazer uma coisa bem. As ferramentas necessárias para produzir IA – como armazenamento, provedores de aprendizado de máquina, implantação de API e controle de qualidade – são desagregadas.

    Atualmente, as empresas correm o risco de perder um tempo precioso simplesmente descobrindo quais ferramentas precisam e como integrá-las. Mas a tecnologia está surgindo gradualmente e pode ajudar a resolver vários casos de uso de arquitetura de dados, bem como bancos de dados especializados para alimentar aplicativos de IA.

    Essas ofertas mais agrupadas ajudarão as empresas a colocar a IA em produção mais rapidamente. É semelhante ao que vimos no espaço fintech. As empresas inicialmente se concentraram em ser as melhores em uma competência central antes de eventualmente se fundirem para criar soluções agrupadas.

  • Data Marts vs. Data Warehouses:

    Olhando mais para o futuro, parece seguro prever que os data lakes se tornarão o investimento mais importante em IA e pilha de dados para todas as organizações. Os data lakes ajudarão as organizações a entender as previsões e a melhor forma de executar esses insights. Vejo data marts se tornando cada vez mais valiosos para o futuro.

    Os Marts entregam os mesmos dados para todas as equipes de uma empresa em um formato que eles possam entender. Por exemplo, as equipes de marketing e finanças veem os mesmos dados representados em métricas que são familiares e – mais importante – um formato que podem usar. A nova geração de data marts terá mais do que dimensões, fatos e hierarquia. Eles não serão apenas fatiar e cortar informações – mas apoiarão a tomada de decisões em departamentos específicos.

Conclusão

À medida que a tecnologia continua a se desenvolver, é fundamental que as empresas se mantenham atualizadas ou ficarão para trás. Isso significa que os líderes de tecnologia permanecem conectados às suas equipes e permitem que eles tragam novas inovações para a mesa.

Mesmo que a arquitetura de dados de uma empresa e os aplicativos de IA se tornem mais robustos, é essencial ter tempo para experimentar, aprender e (por fim) inovar.

Crédito da imagem: por Polina Zimmerman; Pexels; Obrigada!


Source: ReadWrite by readwrite.com.

*The article has been translated based on the content of ReadWrite by readwrite.com. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!