Başarılı Yapay Zeka Doğru Veri Mimarisini Gerektirir – İşte Nasıl


Yapay Zeka (AI), ustalaşabilen şirketler için maliyet tasarrufu, rekabet avantajı ve işin geleceğinde bir dayanak sağlamayı vaat ediyor. Ancak yapay zekanın benimsenme oranı yükselmeye devam ediyor, yatırım seviyesi genellikle parasal getirilerle birlikte öldürücüdür. AI ile başarılı olmak için doğru veri mimarisini isteyeceksiniz. Bu makale size nasıl olduğunu anlatıyor.

Şu anda, yalnızca Yapay zeka girişimlerinin %26’sı bir organizasyonla yaygın olarak üretime alınmaktadır. Ne yazık ki bu, birçok şirketin somut bir yatırım getirisi görmeden AI dağıtımlarına çok zaman harcadığı anlamına geliyor.

Tüm Şirketler Bir Teknoloji Şirketi Gibi Çalışmalı

Bu arada, her şirketin önde olmak için bir teknoloji şirketi gibi performans göstermesi gereken bir dünyada, teknik ekipler ile Mühendislik ve BT liderleri üzerinde ticari büyüme için verilerden yararlanma yönünde artan bir baskı var. Özellikle bulut depolamaya yapılan harcama arttıkça, işletmeler, depolaması maliyetli olan verilerden verimliliği artırmaya ve yatırım getirisini en üst düzeye çıkarmaya heveslidir. Ama ne yazık ki, zaman lüksleri yok.

Bu hızlı sonuç talebini karşılamak için, haritalama veri mimarisi artık tanımlanmış bir hedef olmadan aylarca devam edemez. Aynı zamanda, standart veri temizliğine veya İş Zekası (BI) raporlamasına odaklanmak gerileticidir.

Teknoloji liderleri, hedeflerinin ön saflarında yapay zeka ile veri mimarisi oluşturmalıdır.

Aksini yapmak için – kendilerini daha sonra yenilerken bulacaklar. Günümüz işletmelerinde, veri mimarisi tanımlanmış bir sonuca doğru ilerlemeli ve bu sonuç, son kullanıcılar için net faydaları olan AI uygulamalarını içermelidir. Bu, (henüz) AI için hazır olmasanız bile, işinizi gelecekteki başarıya hazırlamanın anahtarıdır.

En baştan başlamak? Veriler için En İyi Uygulamalarla Başlayın

Veri Mimarisi bilgi gerektirir. Dışarıda pek çok araç var ve bunları nasıl bir araya getireceğiniz, işinize ve neyi başarmanız gerektiğine bağlıdır. Başlangıç ​​noktası, her zaman benzer kuruluşlar için neyin işe yaradığını anlamak için bir literatür taraması ve ayrıca düşündüğünüz araçlara ve bunların kullanım durumlarına derinlemesine bir dalıştır.

Microsoft, veri modelleri için iyi bir havuza ve en iyi veri uygulamalarına ilişkin çok sayıda literatüre sahiptir. Veri mimarisine daha stratejik, iş odaklı bir yaklaşım geliştirmenize yardımcı olabilecek bazı harika kitaplar da var.

Tahmin Makineleri Ajay Agarwal, Joshua Gans ve Avi Goldfarb tarafından hazırlanan bu kitap, yapay zekanın ve verilerin verimli bir şekilde nasıl kullanılacağına ilişkin işlevsel bilgilerle yapay zekayı daha temel düzeyde anlamak için idealdir. Son olarak, daha deneyimli mühendisler ve teknik uzmanlar için tavsiye ederim Veri Yoğun Uygulamalar Tasarlama Martin Kleppmann’ın fotoğrafı. Bu kitap, veri uygulamalarının, mimarinin ve stratejinin nasıl oluşturulacağına dair eyleme geçirilebilir rehberlikle bu alandaki en son fikirleri size sunacaktır.

Başarılı Bir Veri Mimarisi için Üç Temel

Birkaç temel ilke, yatırım getirisi sağlayan AI uygulamalarına güç verebilen bir veri mimarisi tasarlamanıza yardımcı olacaktır. Aşağıdakileri, verileri oluştururken, biçimlendirirken ve düzenlerken kendinizi kontrol etmek için pusula noktaları olarak düşünün:

  • Bir Amaca Doğru İnşa Etmek:

    Temel kural, veri mimarinizi oluştururken ve geliştirirken her zaman üzerinde çalıştığınız iş sonucuna dikkat edin. Özellikle şirketinizin kısa vadeli hedeflerine bakmanızı ve veri stratejinizi buna göre düzenlemenizi tavsiye ederim.

    Örneğin, iş stratejiniz yıl sonuna kadar 30 milyon ABD doları gelir elde etmekse, bunu sağlamak için verileri nasıl kullanabileceğinizi öğrenin. Göz korkutucu olmak zorunda değil: daha önemli hedefi daha küçük hedeflere ayırın ve bunlar için çalışın.

  • Hızlı Değer Yaratımı için Tasarım:

    Net bir hedef belirlemek anahtar olmakla birlikte, nihai çözüm her zaman değişen iş gereksinimlerine uyum sağlayacak kadar çevik olmalıdır. Örneğin, küçük ölçekli projeler büyüyerek çok kanallı hale gelebilir ve bunu göz önünde bulundurarak inşa etmeniz gerekir. Sabit modelleme ve sabit kurallar, yalnızca satırda daha fazla iş yaratacaktır.

    Tasarladığınız herhangi bir mimari, kullanılabilir hale geldikçe daha fazla veri barındırabilmeli ve bu verilerden şirketinizin en son hedeflerine doğru yararlanabilmelidir. Ayrıca mümkün olduğunca otomatikleştirmenizi tavsiye ederim. Bu, zaman içinde hızlı ve tekrar tekrar veri stratejinizle değerli bir iş etkisi yaratmanıza yardımcı olacaktır.

    Örneğin, aylık raporlama yapmanız gerektiğini biliyorsanız, bu süreci en başından otomatikleştirin. Bu şekilde, yalnızca ilk ay boyunca buna zaman harcarsınız. Oradan, etki sürekli olarak verimli ve olumlu olacaktır.

  • Başarı için Nasıl Test Edileceğini Bilmek:

    Kendinizi doğru yolda tutmak için veri mimarinizin etkili bir şekilde performans gösterip göstermediğini bilmek çok önemlidir. Veri mimarisi (1) yapay zekayı destekleyebildiği ve (2) işletmedeki her çalışana kullanılabilir, alakalı veriler sunabildiği zaman çalışır. Bu korkuluklara yakın durmak, veri stratejinizin amaca ve geleceğe uygun olmasını sağlamaya yardımcı olacaktır.

Veri Mimarisinin Geleceği: Hakkında Bilinmesi Gereken Yenilikler

Bu temel ilkeler, teknik liderler ve ekipler için harika bir başlangıç ​​noktası olsa da, işleri tek bir şekilde yapma konusunda takılıp kalmamak da önemlidir. Aksi takdirde, işletmeler uzun vadede daha da fazla değer sağlayabilecek fırsatları kaçırma riskiyle karşı karşıya kalırlar. Bunun yerine, teknoloji liderleri, çalışmalarını geliştirebilecek ve işleri için daha iyi sonuçlar sağlayabilecek pazara gelen yeni teknolojilere sürekli olarak bağlı olmalıdır:

  • Daha Ucuz İşleme:

    İşlemeyi daha uygun maliyetli hale getiren yenilikleri zaten görüyoruz. Bu çok önemlidir, çünkü geliştirilmekte olan ileri teknolojilerin çoğu, yalnızca teoride var olabilecekleri kadar yüksek düzeyde bilgisayar gücü gerektirir. Sinir ağları en iyi örnektir. Ancak gerekli bilgisayar gücü düzeyi daha uygulanabilir hale geldikçe, sorunları çözmenin daha karmaşık yollarına erişimimiz olacak.

    Örneğin, bir veri bilimcisi her makine öğrenimi modelini eğitmelidir. Ancak gelecekte, diğer modelleri eğitebilecek modeller oluşturma potansiyeli var. Tabii ki, bu hala bir teori, ancak işlem gücü daha erişilebilir hale geldikçe bunun gibi yeniliklerin hızlandığını kesinlikle göreceğiz.

  • Birlikte Verilen Araçlar:

    Ek olarak, AI için değer elde etme süresini azaltabilecek uygulamalar veya yazılımlar söz konusu olduğunda, mevcut çoğu teknolojinin yalnızca tek bir şeyi iyi yapabileceği bir aşamadayız. Depolama, makine öğrenimi sağlayıcıları, API dağıtımı ve kalite kontrolü gibi yapay zekayı üretmek için gereken araçlar ayrıştırılmıştır.

    Şu anda işletmeler, hangi araçlara ihtiyaç duyduklarını ve bunları nasıl entegre edeceklerini bulmak için değerli zamanlarını boşa harcama riskiyle karşı karşıyadır. Ancak, yapay zeka uygulamalarına güç sağlamak için uzmanlaşmış veritabanlarının yanı sıra çoklu veri mimarisi kullanım durumlarının çözülmesine yardımcı olabilecek teknoloji yavaş yavaş ortaya çıkıyor.

    Bu daha kapsamlı teklifler, işletmelerin yapay zekayı üretime daha hızlı sokmasına yardımcı olacak. Fintech alanında gördüklerimize benziyor. Şirketler başlangıçta tek bir temel yetkinlikte en iyi olmaya odaklandı ve sonunda paket çözümler oluşturmak için birleşti.

  • Veri Merkezleri ve Veri Depoları:

    Geleceğe daha yakından bakıldığında, veri göllerinin tüm kuruluşlar için en önemli yapay zeka ve veri yığını yatırımı olacağını tahmin etmek güvenli görünüyor. Veri gölleri, kuruluşların tahminleri ve bu içgörüleri en iyi nasıl uygulayacaklarını anlamalarına yardımcı olacaktır. Veri marketlerinin gelecek için giderek daha değerli hale geldiğini görüyorum.

    Mart’lar, bir işletmedeki her takıma aynı verileri anlayabilecekleri bir biçimde sunar. Örneğin, Pazarlama ve Finans ekipleri, aynı verileri, tanıdık olan ve en önemlisi, kullanabilecekleri bir formatta temsil edilen metriklerde görür. Yeni nesil veri marketleri boyutlardan, gerçeklerden ve hiyerarşiden daha fazlasına sahip olacak. Bilgiyi sadece dilimlemek ve dilimlemekle kalmayacak, aynı zamanda belirli departmanlarda karar vermeyi destekleyecekler.

Çözüm

Teknoloji gelişmeye devam ettikçe, işletmelerin hızlarını korumaları çok önemlidir, aksi takdirde geride kalırlar. Bu, teknoloji liderlerinin ekiplerine bağlı kalmaları ve masaya yeni yenilikler getirmelerine izin vermeleri anlamına gelir.

Bir şirketin veri mimarisi ve yapay zeka uygulamaları daha sağlam hale gelse bile, denemek, öğrenmek ve (nihayetinde) yenilik yapmak için zaman ayırmak çok önemlidir.

Resim Kredisi: Polina Zimmerman tarafından; Peksel; Teşekkürler!

atul sharma

Atul, 2015 yılında Richard Potter ve David Leitch ile birlikte Decision Intelligence şirketi Peak’i kurdu. Bir nesil için en büyük teknoloji hareketi olması beklenen bir kategoride erken lider olarak ortaya çıkan Peak’in Karar Zekası platformunun şekillenmesinde çok önemli bir rol oynamıştır. Peak’in platformu Nike, Pepsico, KFC ve Sika gibi lider markalar tarafından kullanılıyor. Dünyanın çalışma şeklini değiştirme misyonuyla, teknoloji ölçeği son yedi yılda hızla büyüdü ve şu anda dünya çapında 250’den fazla kişiye ulaşıyor. Düzenli olarak Birleşik Krallık’ta çalışmak için en iyi yer olarak adlandırılan Peak, bu yıl, olağanüstü çalışan bağlılığı seviyelerini tanıyan En İyi Şirketler 3 yıldızlı akreditasyonunu aldı. Peak’ten önce Atul, 20 yılı aşkın bir süredir veri mimarisi ve veri mühendisliği alanında çalıştı. Morrisons Plc, The Economist, HBOS, Admin Re (Swiss Re’nin bir parçası) ve Shell gibi küresel şirketler için veri entegrasyonu ve veri ambarı taahhütleri tasarlama ve uygulama konusunda çalıştı.


Kaynak : https://readwrite.com/successful-ai-requires-the-right-data-architecture-heres-how/

Yorum yapın