データの可能性を最大限に引き出すために推論が鍵となる理由

知識グラフの推論機能を活用して、組織は新しいデータ接続を推定し、作成した新しい接続を説明できます。

デジタルトランスフォーメーションは大流行しており、ほとんどの場合、デジタルトランスフォーメーションの目標はデータを資産のように扱うことです。場合によっては、それはデータの収益化を意味し、他の場合には、目標はデータをより効率的に活用して、より良い意思決定を行うための洞察を引き出すことです。ただし、実際には、両方を達成するのは困難です。デジタルトランスフォーメーションでは、ますますハイブリッド化、多様化、変化するデータからの迅速な洞察が求められますが、従来のデータ統合プラットフォームは、今日の環境向けに設計されていませんでした。その結果、組織はデータの複雑さの増大に対応できなくなり、データ間の隠れた関係やつながりを特定して新しい機会を発見することもできなくなります。ますます必要なのは、企業がさまざまなデータセットをまとめて分析し、洞察を引き出すことを可能にする推論機能です。

終わりのないデータキャプチャという今日の複雑な世界で成長と革新を推進できるのは、ITチームが厳格なデータ構造と時代遅れの統合スタイルから抜け出すことができる場合のみです。

俊敏性はビジネスの成功の鍵であり、企業は、明日や来週の回答ではなく、今のところ、重要なときにデータを使用できるようにすることを切望しています。

ただし、未開発の価値を引き出すには、形式、ソース、または基盤となる技術に関係なく、ビジネス上の意味に基づいてデータを接続する機能が必要です。機械学習やその他のソースから得られた膨大な量のデータには、異なるソースに保存されている関連情報を関連付け、豊富な関係のウェブを適用して新しい関連付けを発見する機能が必要です。これは、デジタルトランスフォーメーションの可能性を実現するための鍵です。しかし、これを達成するにはどうすればよいでしょうか？

前提から論理的帰結への移行：データファブリックが必要な推論を提供する方法

今日の組織は、データファブリックなどの最新の統合アプローチを採用して、協調的で機能横断的なプロジェクトや製品を強化し、事後対応型のワークフローを回避しています。内部サイロと外部ソースからのデータを組み合わせて、ビジネスのアプリケーション、Al、および分析を強化するための情報のネットワークを作成します。簡単に言うと、さまざまなソースに保存されている情報間の接続を作成することで、今日の複雑な企業全体をサポートします。

知識グラフは、再利用可能な情報ネットワークを作成し、さまざまな構造のデータを表し、複数のスキーマをサポートするため、効果的なデータファブリックの不可欠な部分です。エンタープライズデータとサードパーティデータのセマンティックな理解を生み出す知識グラフは、データファブリックの中核として機能し、既存の投資を強化および加速し、ビジネス洞察への重要なアクセスを提供します。さらに重要なことに、知識グラフは、データを機械が理解できる現実世界の知識に変換し、状況の変化をサポートするため、状況に応じて意味が変化します。知識グラフが確立されると、この豊富な関係のウェブを使用して、データ内の新しい関連付けを発見します。これらの推測された関係により、企業のデータのより豊かで正確なビューが作成されます。

知識グラフは、概念間に階層化された関連付けを提供することにより、微妙な理解を提供し、知識主導の組織が新しい発見を識別できるようにします。また、知識グラフは、知識の変動する性質をサポートするために設計されているため、データから欠落していることが多いコンテキストも提供します。その結果、テクノロジーが新しいデータ、定義、要件を簡単に受け入れることができるため、デジタル運用の基盤がより柔軟になります。

オントロジーまたは語彙と呼ばれることが多いナレッジグラフのデータモデルは、エンティティ間の共通の関係を示し、企業が複雑なドメインを記述できるようにします。例として医学を考えてみましょう。新しい治療法を開発するには、製薬会社は複数の事実、モデリング構造、およびビジネスルールにアクセスできる必要があります。これらはすべて、新しい接続を暗示するために相互に作用する必要があります。この推論機能により、メーカーは、使用するアプリケーションを介して人々をインフラストラクチャにリンクできます。また、新しいインシデントと過去のインシデントの類似性に基づいて制御を適用し、調査中の条件に基づいて調査者と治療領域の間の推論されたリンクを見つけるのに役立ちます。研究で。そしてリストは続きます。

複数のデータモデルをデータファブリックに同時に適用することで、組織は同じデータの異なる解釈を必要とする複数のアプリケーションをサポートできます。データレイクやデータウェアハウスなどの従来のデータ統合アプローチでは、複数のスキーマをサポートすることが困難になるため、この容量には制限があります。これが、企業が新しいアプリケーション、プロジェクト、または分析ごとに新しいデータサイロを継続的に作成する必要がある理由の1つです。このようなアプローチでは、推論分析を実行する能力が低下します。

接続されたエンタープライズの有効化-成功するデータファブリックの追加コンポーネント

認識グラフの推論機能を活用して、組織は新しいデータ接続を推定するだけでなく、それが作成する新しい接続についても説明します。結果の説明や理論的根拠を提供できないブラックボックス推奨システムとは対照的に、知識グラフは、データ、スキーマ、およびビジネスルールの観点からすべての推論と結果を説明できます。この説明的な透明性により、ユーザーは知識グラフがどのように回答に到達したか、およびそのために参照されるビジネスロジックを確認できます。これは、組織内で信頼できる結果と説明責任を提供するために重要であるだけでなく、特定の法的および規制上の要件にも必要です。

知識グラフはデータファブリックの重要な要素ですが、組織が成功するために必要なのはそれだけではありません。効果的なデータファブリックには、既存のソースシステムを活用して接続する必要があります。また、既存のデータカタログ、データレイク、データベース、およびその他のデータ管理プラットフォームに接続する機能も必要です。データファブリックの展開では、完了したデータカタログの作業を活用することが、データの検出とセマンティックエンリッチメントを加速するための鍵となります。データカタログを入力として使用して、ナレッジグラフは、企業のデータ資産のデータマップを構築し、部分的に自動化された学習と自動化によってデータファブリックの作成をさらに加速します。 -既存のソースのマッピング。

企業全体のデータモデルの作成は、データファブリックの展開に関するもう1つの一般的な質問です。多くの人は、これがイニシアチブの潜在的に費用と時間のかかる前提条件であると考えていますが、実際には、最初のユースケースに必要な数の概念を定義するだけで済みます。重大なビジネス上の問題を特定して、より広範なデータファブリックイニシアチブを主導することから始めます。MVPの考え方でデータファブリックにアプローチし、最初のビジネス目標を達成するために必要な最小限の作業のみに焦点を当てます。

あらゆる規模の組織が、デジタルトランスフォーメーションにさらに重点を置き、投資を行っています。この新たな注目にもかかわらず、基本的なデータの課題は依然として主要な障害となっています。デジタルトランスフォーメーションにはデータの習得が必要であり、ITのレガシーのおかげで達成するのは簡単なことではありません。データフォーマット、標準、データタイプ、速度、スキーマ、システム、データベース、サイロ、方法論、モデルなど、管理するものが多すぎます。現代のエンタープライズITlandscapeの多様性は気が遠くなるほどで​​す。

知識グラフの最新のアプローチを活用することで、組織は内部データサイロを意味のある新しい方法で接続できるだけでなく、他の方法では大規模に把握できない推論を通じて、隠れた事実や関係を発見することもできます。さまざまなビジネスユニットが同じエンティティに対して持つ可能性のある微妙な意味を捉えることで、組織は、市場の継続的な変化に対応できるスペースを維持し、次に来るものすべてに備える再利用可能なデジタル基盤を作成できます。