Gotowość danych do rzeczywistości danych: jak kluczowe branże zmieniają swoje strategie w obszarze danych

Gotowość danych nie jest już tylko ambicją techniczną — to wymóg operacyjny. Mimo to realizacja w różnych branżach jest opóźniona. Fundamenty danych nie zostały zbudowane z myślą o wymaganiach ery sztucznej inteligencji i chociaż te wyzwania objawiają się różnie w różnych sektorach, wymóg jest taki sam: organizacje muszą przemyśleć sposób ujednolicania, zarządzania i uzyskiwania dostępu w zakresie swoich danych, aby wprowadzić sztuczną inteligencję do danych, gdziekolwiek się znajdują. 

Niedawno opublikowany indeks gotowości danych firmy Cloudera analizuje, co jest potrzebne organizacjom do zbudowania solidnego fundamentu, na którym będzie można rozwijać sztuczną inteligencję na dużą skalę.  Wyniki ankiety pokazują, że przedsiębiorstwa pozostają ograniczone przez przeszkody strukturalne, kulturowe i związane z zarządzaniem — jednak wyzwania te przejawiają się różnie w zależności od branży. Te spostrzeżenia mogą pomóc liderom przewidzieć zmiany strategiczne, aby wypełnić lukę między ambicją a realizacją. 

Technologia: skalowanie sztucznej inteligencji a fragmentacja danych 

Firmy technologiczne od dawna należą do najbardziej zaawansowanych organizacji w zakresie AI, ale badanie pokazuje, że nawet w zaawansowanych warunkach skala ujawnia słabości strukturalne. Ponad połowa (56%) organizacji technologicznych zgłasza, że pomimo znacznych inwestycji w chmurę i nowoczesne platformy danych nie ma pełnego dostępu do swoich danych.  

Przejście na sztuczną inteligencję o skali produkcyjnej wymaga od organizacji technologicznych ponownego przemyślenia swojej infrastruktury. Rozdrobnione, niewiarygodne systemy danych, które utrudniają skalowanie sztucznej inteligencji, wynikają z trudności w operacjonalizacji jej między produktami i zespołami. Znajduje to odzwierciedlenie u 30% liderów, którzy wskazują jakość danych jako główny powód, dla którego projekty AI nie zapewniają zwrotu z inwestycji, a 39% zauważa, że problemy z infrastrukturą zawsze utrudniają działanie.  

W sektorze technologicznym wyeliminowanie luki w gotowości danych wymaga umożliwienia sztucznej inteligencji pracy tam, gdzie dane już istnieją — bez konieczności kosztownego stosowania przepływu danych. Wszystko zaczyna się od stworzenia ujednoliconej, zarządzanej bazy danych i sztucznej inteligencji w chmurach, centrach danych i środowiskach brzegowych, co pozwala na zapewnienie spójnego działania przy jednoczesnym zachowaniu pełnej kontroli nad rozproszonymi danymi. 

Produkcja: starsze systemy zderzają się z wymaganiami czasu rzeczywistego 

Firmy produkcyjne zawsze dążą do usprawnienia operacji w całym cyklu życia produktu, ale fragmentaryczne dane uniemożliwiają pełną optymalizację tych działań. 42% organizacji produkcyjnych wskazało, że dane z silosu nie pozwalają zespołom na efektywne wykorzystanie ich danych, a ponad połowa (52%) nadal nie ma pełnego dostępu do swoich danych. Oczywiście dostęp jest główną barierą w osiągnięciu gotowości danych, a złożoność operacyjną potęgują odizolowane i niedostępne dane. Zadanie operacyjne polegające na zamknięciu luki między ambicjami dotyczącymi danych a ich realizacją wymaga upewnienia się, że zespoły mogą uzyskać dostęp do 100% swoich danych we wszystkich środowiskach, a nie tylko do odizolowanych podzbiorów. 

Dla producentów sprawny przebieg produkcji, konserwacja predykcyjna i ciągłość łańcucha dostaw zależą od aktualnych i wiarygodnych danych. Równie ważne są inwestycje w warstwy integracji i standaryzacji danych, skierowane do 20% producentów, którzy wskazują słabą integrację przepływu pracy jako główny powód, dla którego inicjatywy dotyczące danych nie zapewniają zwrotu z inwestycji. Koncentrując się na skalowalnych potokach danych i platformach przemysłowych, które działają w różnych obiektach, ujednolicona infrastruktura czasu rzeczywistego osadzająca dane w podstawowych przepływach pracy może stać się rzeczywistością. 

Przedsiębiorstwa z sektorów energetycznego i użyteczności publicznej: zarządzanie stoi na straży skali
Wysoce regulowane środowiska, takie jak te, z którymi mają do czynienia liderzy IT w sektorach energetycznym i użyteczności publicznej, wymagają uważnej równowagi między innowacyjnością a kontrolą. Zgodność z przepisami i niezawodność sieci są zagrożone, ponieważ organizacje z sektorów energetycznego i użyteczności publicznej muszą nie tylko zapewnić dokładność i bezpieczeństwo danych, ale także konsekwentnie nimi zarządzać w wysoce rozproszonych środowiskach. Organizacje z sektorów energetycznego i użyteczności publicznej wykazują stosunkowo wysoką dojrzałość zarządzania, a 65% z nich deklaruje, że wszystkie lub prawie wszystkie ich dane są zarządzane.  

Z drugiej strony 25% wskazuje przekroczenie kosztów jako główny powód, dla którego inicjatywy dotyczące danych nie osiągają zwrotu z inwestycji, wskazując na finansowe i operacyjne wyzwania związane z modernizacją infrastruktury danych w wysoce regulowanych i rozproszonych środowiskach. Rygorystyczne wymogi regulacyjne wymagają pełnej widoczności i kontroli nad danymi, podczas gdy operacje sieci w czasie rzeczywistym opierają się na terminowych, wiarygodnych danych, aby zrównoważyć podaż i popyt, zapobiegać awariom i radzić sobie z zakłóceniami. Wszelkie luki w dostępności mogą prowadzić do spadku bezpieczeństwa i zgodności z przepisami. 

Przedsiębiorstwa z sektorów energetycznego i użyteczności publicznej działają w środowiskach, w których każdą decyzja niesie ze sobą konsekwencje regulacyjne, finansowe i bezpieczeństwa publicznego. Oznacza to, że dane muszą być dostępne, podlegające audytowi i bezpieczne w każdy system, którego dotyka. 

Telekomunikacja: złożoność na dużą skalę 

Ogromne, rozproszone środowiska telekomunikacyjne generują złożone dane i wysokie stawki. Jedną z tych stawek, wymagającą monitorowania w czasie rzeczywistym i szybkich korekt, które mogą mieć wpływ na doświadczenia klientów, jest utrzymanie wydajności. Takie problemy jak zerwane połączenia, wolna transmisja danych i przerwy w świadczeniu usług szybko przekładają się na niezadowolenie, a w konsekwencji na i odpływ klientów. Środowiska telekomunikacyjne generują ogromne ilości strumieni danych, a bez możliwości ich przetwarzania i podejmowania działań na nich w czasie rzeczywistym cierpi zarówno wydajność sieci, jak i zadowolenie klientów. 

Organizacje telekomunikacyjne prowadzą w kilku obszarach gotowości danych, przy czym 54% zgłasza pełną widoczność swoich danych, a 51% jest w stanie uzyskać do nich dostęp w różnych środowiskach. Deklarują również również najwyższy poziom w pełni regulowanych danych, przy czym jedna trzecia (33%) respondentów zgłasza, że ich środowiska danych są w pełni zarządzane. Jednak pomimo tej dojrzałości 60% twierdzi, że brak wydajności infrastruktury konsekwentnie utrudnia działanie — zdecydowanie w najwyższym stopniu spośród wszystkich badanych branż. Skala i złożoność, a nie dostęp, są obecnie głównymi barierami, a opóźnienie danych stanowi ryzyko operacyjne. 

Aby przezwyciężyć lukę między gotowością danych a wydajnością operacyjną, organizacje telekomunikacyjne powinny inwestować w infrastrukturę zbudowaną z myślą o szybkości, skali i ciągłym przetwarzaniu. Gdy opóźnienie wpływa bezpośrednio na jakość usług, rozwiązaniem jest umożliwienie dostawcom telekomunikacji automatyzacji operacji sieciowych, umożliwiając ekspertom świadczenie klientom niezmiennych usług wysokiej jakości. 

Podsumowanie 

W różnych sektorach pojawia się wspólny motyw: organizacje muszą skutecznie wdrażać dane na dużą skalę. Przygotowanie danych umożliwia organizacjom wprowadzanie sztucznej inteligencji do danych, gdziekolwiek się znajdują, uwalniając pełną wartość 100% danych w chmurach, centrach danych i środowiskach krawędziowych. Indeks gotowości danych firmy Cloudera pokazuje, że organizacje mogą teraz inwestować w gotowość danych, zapewniając im dobrą pozycję do przewodzenia w przyszłości opartej na sztucznej inteligencji.  

Czy na pewno Twoje dane są gotowe do wykorzystania przez AI? Zapoznaj się z pełnym raportem zawierającym głębszy wgląd w to, jak globalne organizacje podchodzą do fundamentów danych, które umożliwiają wprowadzenie sztucznej inteligencji na dużą skalę.