Οικοδόμηση μιας αποτελεσματικής στρατηγικής δεδομένων για την ανάπτυξη Edge – DATAVERSITY

Η ανάλυση δεδομένων και η ολοκλήρωση είναι τα βασικά συστατικά της οικοδόμησης μιας στρατηγικής δεδομένων. Προκειμένου οι οργανισμοί να έχουν μια αποτελεσματική στρατηγική δεδομένων, απαιτείται ο καθορισμός μετρήσιμων μετρήσεων και η κατάλληλη εξέταση όλων των πηγών δεδομένων. Μια αποτελεσματική στρατηγική δεδομένων πρέπει επίσης να καθορίσει τον τρόπο με τον οποίο τα δεδομένα μπορούν να μετακινηθούν από διάφορες πηγές σε μια τοποθεσία όπου μπορούν να χρησιμοποιηθούν περαιτέρω για αναλύσεις. 

Με τις διαρκώς αυξανόμενες αναπτύξεις αιχμής για να ανταποκριθούν στις απαιτήσεις του IoT, των έξυπνων συσκευών, των τεχνολογιών παιχνιδιών και άλλων παρόμοιων τεχνολογιών, σε συνδυασμό με την πρόσφατη διαφημιστική εκστρατεία για την τεχνητή νοημοσύνη και συγκεκριμένα για τη δημιουργία τεχνητής νοημοσύνης, οι οργανισμοί βρίσκονται υπό πίεση να αντλήσουν τη σωστή στρατηγική δεδομένων που όχι μόνο λαμβάνει υπόψη όλες τις πηγές δεδομένων, αλλά και τα χρησιμοποιεί με οικονομικά αποδοτικό τρόπο που μπορεί να βοηθήσει στη λήψη καλών επιχειρηματικών αποφάσεων. 

Αυτό το άρθρο στοχεύει να παράσχει μια επισκόπηση και τους παράγοντες που πρέπει να ληφθούν υπόψη για τη δημιουργία μιας αποτελεσματικής στρατηγικής δεδομένων που λαμβάνει υπόψη όλες τις προκλήσεις και τις ευκαιρίες που σχετίζονται με την ανάπτυξη άκρων και cloud και αξιοποιεί τα πλεονεκτήματα της τεχνητής νοημοσύνης. Η εστίαση αυτού του άρθρου θα είναι μόνο στις πτυχές ενοποίησης δεδομένων από διάφορες αναπτύξεις και όχι στις πληροφορίες αναλυτικών στοιχείων. 

Τι είναι οι αναπτύξεις Edge;

Η ανάπτυξη άκρων είναι μια έννοια που σχετίζεται με την ανάπτυξη συστημάτων πιο κοντά σε μια εγκατάσταση του πελάτη με σκοπό την παροχή τοπικής, χαμηλής καθυστέρησης και ταχύτερης απόκρισης. Από την αρχή αυτής της ιδέας, έχει κερδίσει μεγάλη προσοχή κυρίως επειδή έχει τη δυνατότητα να παρέχει μια τοπική εμπειρία πελάτη με γρήγορο χρόνο διεκπεραίωσης. Αυτές οι αναπτύξεις είναι συνήθως μικρότερες σε μέγεθος και επικεντρώνονται στην αντιμετώπιση κρίσιμων επιχειρηματικών αναγκών. Στην ιδανική περίπτωση, οι οργανισμοί θα έχουν τις λύσεις τους να αναπτύσσονται σε πολλές τοποθεσίες αιχμής για να απευθύνονται στη βάση πελατών τους και αυτές αναμένεται να συνδέονται με ένα κύριο κέντρο δεδομένων που φιλοξενείται στο cloud. 

Πλεονεκτήματα των Edge Deployments

Δεν χρειάζονται όλοι οι οργανισμοί οι λύσεις τους να αναπτύσσονται σε ακραίες τοποθεσίες. Οι οργανισμοί που αναπτύσσουν λύσεις στην άκρη το κάνουν μόνο εάν χρειάζεται να παρέχουν άμεσες, προσαρμοσμένες και τοπικές απαντήσεις στους πελάτες τους. Οι αναπτύξεις άκρων παρέχουν τα ακόλουθα πλεονεκτήματα:

• Με τον υπολογισμό στην άκρη, οι οργανισμοί μπορούν να παρέχουν τοπικές ή προσαρμοσμένες εμπειρίες και ταχύτερες απαντήσεις στους πελάτες. Επιπλέον, δεδομένου ότι όλοι οι υπολογιστές γίνονται στην άκρη, ο βαθμός βεβαιότητας και αξιοπιστίας ακόμη και όταν υπάρχουν περιορισμοί ή διακοπές δικτύου θα επηρεάσει την επικοινωνία με το cloud. 
• Καθώς η τεχνητή νοημοσύνη μπαίνει στο mainstream, οι πάροχοι cloud βρίσκονται υπό αυξημένη πίεση για να ανταποκριθούν στις υψηλές απαιτήσεις του φόρτου εργασίας της τεχνητής νοημοσύνης. Υπάρχουν προκλήσεις τόσο από πλευράς πόρων υλικού όσο και από πλευράς παραμέτρων βιωσιμότητας, καθώς και οι δύο είναι περιορισμένες. Επομένως, οι οργανισμοί πρέπει να αναπτύξουν φόρτους εργασίας που βασίζονται σε τεχνητή νοημοσύνη σε τοποθεσίες αιχμής για να αντιμετωπίσουν τις ανησυχίες και να εξισορροπήσουν τον φόρτο εργασίας. 

• Οι οργανισμοί που αναπτύσσουν λύσεις στο edge συνήθως συλλέγουν δεδομένα και τα αποθηκεύουν στον ίδιο ιστότοπο. Αυτή η δραστηριότητα παρέχει πλεονεκτήματα τόσο από την άποψη της ασφάλειας όσο και από την άποψη της διακυβέρνησης δεδομένων. Καθώς τα δεδομένα υποβάλλονται σε επεξεργασία στην άκρη, οι πιθανότητες παραβίασης δεδομένων είναι λιγότερο πιθανές και μπορεί να τηρηθεί η διεθνής νομοθεσία για την αποθήκευση δεδομένων εντός τοπικών ορίων. 

• Υπολογιστική άκρη μειώνει το λειτουργικό κόστος καθώς τα δεδομένα αποθηκεύονται και επεξεργάζονται τοπικά. Επιπλέον, σε περιπτώσεις κατά τις οποίες η συνδεσιμότητα με το cloud ή άλλα κέντρα δεδομένων edge μειώνεται, τα κέντρα δεδομένων edge μπορούν να λειτουργούν εκτός σύνδεσης. Αυτό παρέχει τη δυνατότητα στους πελάτες να παρέχουν υπηρεσίες στους πελάτες τους ακόμη και κατά τη διάρκεια διακοπής λειτουργίας. 

Analytics στο Edge

Με τα edge analytics, οι οργανισμοί μπορούν να επεξεργαστούν τα δεδομένα, να αποκτήσουν γνώσεις με βάση τα analytics στο edge και να προβούν στις κατάλληλες ενέργειες. Η επεξεργασία των δεδομένων εδώ θα σήμαινε καθαρισμό, συγκέντρωση και κατάλληλη μοντελοποίηση για σκοπούς ανάλυσης. Η ανάλυση στο άκρο είναι ταχύτερη και η καθυστέρηση είναι πολύ ελάχιστη. Επομένως, για οργανισμούς που πρέπει να αντλούν πληροφορίες από συνδεδεμένες συσκευές και να λαμβάνουν τις κατάλληλες ενέργειες σε πραγματικό χρόνο, τα edge analytics μπορούν να είναι πολύ χρήσιμα. 

Edge Analytics έναντι Cloud Analytics

Η πρωταρχική πρόθεση τόσο των edge analytics όσο και των cloud analytics είναι η ανάλυση όλων των δεδομένων, η εξαγωγή πληροφοριών και η διευκόλυνση των κατάλληλων διαδικασιών λήψης αποφάσεων. Εδώ είναι μερικές βασικές διαφορές μεταξύ των δύο. 

• Μια κεντρική λύση αναλυτικών στοιχείων που φιλοξενείται στο σύννεφο λαμβάνει υπόψη δεδομένα από όλες τις πηγές που συνήθως είναι τεράστια. Από την άλλη πλευρά, μια λύση ανάλυσης ακμών μπορεί να λάβει υπόψη μόνο τα δεδομένα από την ανάπτυξη ή τις αναπτύξεις άκρων στις οποίες έχει ορατότητα. 

• Εφόσον μια λύση ανάλυσης cloud αναπτύσσεται σε ένα cloud, όλα τα ακατέργαστα δεδομένα πρέπει να μεταφερθούν στο cloud, να καθαριστούν και να υποβληθούν σε προεπεξεργασία πριν τροφοδοτηθούν στη λύση αναλυτικών στοιχείων. Η μεταφορά δεδομένων από διάφορες πηγές στο cloud μπορεί να είναι χρονοβόρα και ο περαιτέρω καθαρισμός και η μοντελοποίηση των δεδομένων μπορεί επίσης να οδηγήσει σε καθυστερήσεις. Το Edge analytics, από την άλλη πλευρά, επεξεργάζεται τα δεδομένα που δημιουργούνται από τις αναπτύξεις άκρων στις οποίες έχει ορατότητα. Καθώς οι λύσεις ανάλυσης άκρων είναι πιο κοντά στις πηγές από τις οποίες δημιουργούνται δεδομένα, υπάρχει ελάχιστος λανθάνων χρόνος. 

• Οι δραστηριότητες ολοκλήρωσης δεδομένων, όπως η προεπεξεργασία και η κανονικοποίηση των δεδομένων γίνονται πολύπλοκες δραστηριότητες όταν οι πηγές δεδομένων δημιουργούν δεδομένα σε διαφορετικές μορφές. Αυτή η δραστηριότητα μπορεί να έχει τεράστιο πρόσθετο κόστος και είναι επίσης χρονοβόρα. Στην περίπτωση της ανάλυσης ακμών, οι δραστηριότητες ενοποίησης δεδομένων θα εκτελούνται στο άκρο και τα δεδομένα συνήθως δεν αναμένεται να είναι σε διαφορετικές μορφές. 

• Οι λύσεις ανάλυσης cloud παρέχουν μια πλήρη προοπτική της συνολικής κατάστασης της επιχείρησης καθώς έχουν πρόσβαση σε όλες τις πηγές δεδομένων. Επομένως, προκειμένου οι οργανισμοί να αναλύουν βασικούς δείκτες απόδοσης, βασίζονται σε λύσεις ανάλυσης cloud. Τα Edge analytics παρέχουν μετρήσεις που σχετίζονται με μια συγκεκριμένη ανάπτυξη ή τοποθεσία και δεν αντιπροσωπεύουν ή παρέχουν την απόδοση ολόκληρου του οργανισμού. 

Σκέψεις για μια αποτελεσματική στρατηγική δεδομένων

Ο πρωταρχικός σκοπός μιας στρατηγικής δεδομένων είναι να εντοπίσει μηχανισμούς για τη μέτρηση βασικών μετρήσεων που αποτελούν μέρος της συνολικής επιχειρηματικής στρατηγικής. Επομένως, μια στρατηγική δεδομένων πρέπει να λαμβάνει υπόψη όλες τις πηγές δεδομένων, να προσδιορίζει κατάλληλους αλγόριθμους προεπεξεργασίας και μοντελοποίησης και τελικά να τροφοδοτεί τα επεξεργασμένα δεδομένα σε μια λύση ανάλυσης για λεπτομερείς πληροφορίες και ενέργειες.

Στην περίπτωση οργανισμών που αναπτύσσουν διασυνδεδεμένες λύσεις αιχμής, αναμένεται να δημιουργηθούν τεράστιες ποσότητες δεδομένων σε καθεμία από τις τοποθεσίες αιχμής. Επομένως, μια αποτελεσματική στρατηγική δεδομένων πρέπει να λαμβάνει υπόψη τις επιπτώσεις στο κόστος κατά την επεξεργασία αυτών των τεράστιων ποσοτήτων δεδομένων. Ακολουθούν ορισμένα βασικά στοιχεία για τη δημιουργία μιας αποτελεσματικής στρατηγικής δεδομένων:

• Μια στρατηγική δεδομένων πρέπει να έχει έναν σαφή ορισμό των βασικών δεικτών απόδοσης που αντιστοιχούν στη συνολική επιχειρηματική στρατηγική. Αυτοί οι KPI πρέπει να μετρηθούν σε συνολικό οργανωτικό επίπεδο. Με βάση τις επιχειρηματικές ανάγκες ή τη στρατηγική, εάν οι μετρήσεις πρέπει να μετρηθούν σε ακραίες τοποθεσίες για λήψη αποφάσεων σε πραγματικό χρόνο ή ταχύτερο χρόνο διεκπεραίωσης, η στρατηγική δεδομένων πρέπει να λαμβάνει υπόψη τους KPI και για ξεχωριστές τοποθεσίες άκρων. 

• Μια στρατηγική δεδομένων πρέπει να καλύπτει πλήρως και τα δύο ολοκλήρωση δεδομένων μεθόδους και εργαλεία ανάλυσης. Για τα αναλυτικά στοιχεία στην άκρη, η μέθοδος ολοκλήρωσης δεδομένων αναμένεται να είναι απλή, καθώς τα ανεπεξέργαστα δεδομένα θα είναι σε συγκεκριμένη μορφή. Ωστόσο, για την ανάλυση στο cloud, οι τεχνολογίες ενοποίησης δεδομένων αναμένεται να είναι περίπλοκες λόγω των διαφορετικών δομών δεδομένων και της ανάγκης μετατροπής σε μια κοινή δομή πριν τη χρήση τους για σκοπούς ανάλυσης. 

• Η στρατηγική δεδομένων πρέπει να καλύπτει θέματα ασφάλειας, καθυστέρησης και εύρους ζώνης. Εάν ισχύει, πρέπει επίσης να καλύπτει τη μεταφορά δεδομένων μέσω διεθνών συνόρων. 

• Η στρατηγική δεδομένων πρέπει να επισημαίνει τους περιορισμούς υλικού της ανάπτυξης λύσεων ανάλυσης στο edge και στο cloud, καθώς και οι δύο λύσεις έχουν πλεονεκτήματα και μειονεκτήματα. Στην περίπτωση της ανάλυσης ακμών, η αποτελεσματικότητα των αναλυτικών στοιχείων εξαρτάται από την υπολογιστική ισχύ στην τοποθεσία της ακμής. Εάν υπάρχουν περιορισμοί πόρων για την εκτέλεση αναλυτικών στοιχείων στο edge, η στρατηγική πρέπει να εξετάσει έναν εναλλακτικό, κοντινό ιστότοπο αιχμής που μπορεί να εκτελέσει την εργασία. 

• Οι οργανισμοί που αναπτύσσουν λύσεις ανάλυσης αιχμής πρέπει να γνωρίζουν ότι το αποτέλεσμα ή το εύρος της λύσης περιορίζεται μόνο σε αυτό των αναπτύξεων αιχμής στις οποίες είναι ορατή. Επομένως, η αποτελεσματικότητα της λύσης μπορεί να επιτευχθεί μόνο εάν οι βασικοί δείκτες απόδοσης είναι συγκεκριμένοι για την άκρη. 

• Η αποτελεσματικότητα μιας στρατηγικής δεδομένων μπορεί να επιτευχθεί μόνο όταν περιγράφει λεπτομερώς μια συγκεκριμένη στρατηγική τόσο για την ανάπτυξη άκρων όσο και για τη συνολική ανάπτυξη του cloud. Μόνο μια λύση αναλυτικών στοιχείων στο cloud μπορεί να παρέχει μια ολοκληρωμένη εικόνα της απόδοσης του οργανισμού. Ωστόσο, η μεταφορά όλων των δεδομένων από τις αναπτύξεις ακμών σε μια κεντρική τοποθεσία στο cloud είναι μια χρονοβόρα και δαπανηρή δραστηριότητα. Με τις πρόσφατες βελτιώσεις στην τεχνητή νοημοσύνη, οι οργανισμοί μπορούν πλέον να αξιοποιήσουν την τεχνητή νοημοσύνη για να δημιουργήσουν αποτελεσματικά μια στρατηγική δεδομένων. 

Αξιοποίηση τεχνητής νοημοσύνης για το Analytics

Προκειμένου οι οργανισμοί να αξιοποιήσουν την τεχνητή νοημοσύνη κατά την κατασκευή μιας ολοκληρωμένης λύσης ανάλυσης cloud, όλες οι λύσεις ανάλυσης αιχμής και η λύση ανάλυσης cloud πρέπει να είναι διασυνδεδεμένες. Όταν αυτές οι λύσεις είναι διασυνδεδεμένες, μπορούν να μετακινούν δεδομένα μεταξύ τοποθεσιών όπως απαιτείται και μπορούν επίσης να παρέχουν πλήρη ορατότητα, τόσο από κεντρική όσο και από προοπτική άκρης. Ακολουθεί μια πρόταση για το πώς οι οργανισμοί μπορούν να ενσωματώσουν την τεχνητή νοημοσύνη στη στρατηγική δεδομένων: 

• Διατηρήστε την επεξεργασία ακατέργαστων δεδομένων μόνο σε ακραίες τοποθεσίες. Τα Edge analytics δεν θα πρέπει να παρέχουν μόνο αναλυτικά στοιχεία για τον ιστότοπο edge, αλλά θα πρέπει επίσης να έχουν τη δυνατότητα να στέλνουν τα αποτελέσματα των αναλυτικών στοιχείων μέσω του δικτύου σε άλλους ιστότοπους. 

• Μια διασυνδεδεμένη λύση αναλυτικών στοιχείων θα πρέπει να έχει τη δυνατότητα να στέλνει και να λαμβάνει την έξοδο των αναλυτικών στοιχείων προς ή από άλλη λύση αναλυτικών στοιχείων μέσω του δικτύου. Δεδομένου ότι όλες οι λύσεις αναλυτικών στοιχείων στο δίκτυο αναμένεται να είναι στην ίδια μορφή ή σε μορφή που δεν απαιτεί πρόσθετο μετασχηματισμό, η ενοποίηση και ο μετασχηματισμός δεδομένων θα είναι απλή.

• Με τη βοήθεια κατάλληλων αλγορίθμων τεχνητής νοημοσύνης, οι λύσεις ανάλυσης cloud θα πρέπει να μπορούν να ζητούν επεξεργασμένα δεδομένα από τοποθεσίες άκρων. Ομοίως, οι τοποθεσίες άκρων θα πρέπει επίσης να μπορούν να αξιοποιούν αλγόριθμους τεχνητής νοημοσύνης για να ανταλλάσσουν μετρήσεις απόδοσης και άλλους βασικούς δείκτες με άλλες τοποθεσίες άκρων και το cloud. 

• Οι λύσεις ανάλυσης Edge και cloud θα πρέπει να χρησιμοποιούν τεχνητή νοημοσύνη για να μαθαίνουν από άλλες αναπτύξεις εντός του δικτύου και να παρέχουν καλύτερες πληροφορίες.

Η αποτελεσματική χρήση της τεχνητής νοημοσύνης σε αναπτύξεις αιχμής και αναλύσεις μπορεί να μειώσει αποτελεσματικά τον χρόνο διεκπεραίωσης και να παρέχει ολοκληρωμένες αναλύσεις στους ενδιαφερόμενους. 

Η ανάγκη για μια ολοκληρωμένη στρατηγική δεδομένων σε ένα μοντέλο πολλαπλής ανάπτυξης

Οι οργανισμοί αναζητούν συνεχώς τρόπους για να παρέχουν μια πιο απρόσκοπτη, τοπική και ταχύτερη εμπειρία στους πελάτες. Οι πρόσφατες τεχνολογίες, το 5G και το edge, ήταν οι κύριοι οδηγοί και παρέχουν πλατφόρμες σε όλους αυτούς τους οργανισμούς για να επιτύχουν τους στόχους τους. Καθώς οι οργανισμοί ξεκινούν αυτό το ταξίδι ανάπτυξης λύσεων σε τοποθεσίες αιχμής και εξελίσσονται, χρειάζονται έναν τρόπο να μετρήσουν την απόδοση της λύσης τους. Αυτό μπορεί να επιτευχθεί μέσω ενός ολοκληρωμένου μοντέλου αναλυτικών στοιχείων που όχι μόνο παρέχει μια ολοκληρωμένη προβολή από άκρο σε άκρο της ανάπτυξής τους, αλλά το κάνει σε πραγματικό χρόνο και οικονομικά αποδοτικό τρόπο. Η μόχλευση της τεχνητής νοημοσύνης, όπως εξηγείται σε αυτό το άρθρο, είναι ένας από τους πιθανούς τρόπους για την επίτευξη αυτού του στόχου. 

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.dataversity.net/building-an-effective-data-strategy-for-edge-deployments/