データが新しい石油の場合、精製業者は誰ですか？

エンタープライズチームの場合、データはどこにでもあるように見え、ビジネス目標を推進するためにロックが解除されるのを待っています。最近、ノキアの主要なIoT当局の2つであるIoT市場開発ディレクターのMarc Jadoul、分析戦略の責任者であるDenny Leeと話をし、会社のデータがどのようにそれを推進する石油になるかについて話し合いました。

読み取り/書き込み： したがって、この表現–「データは新しいオイルです」–は、会議で乱暴に扱われ、何度か提起されたものです。しかし、問題は、石油は燃料である可能性があり、また、あなたの心の中で、クライアントにとっては潤滑油である可能性があるということです。それはどういう意味ですか？

マークジャドゥル： 私の見方は、価値の観点からです。原油1バレルの価格とジェット燃料1バレルの価格を比較すると、かなりの違いがあります。石油のようなデータは、同様の精製プロセスを経ることができ、また通らなければなりません。

洗練されればされるほど、燃料のように、より洗練されたアプリケーションをサポートするため、より多くの価値を提供できます。これについて考える別の方法は、ピラミッドのようなものです。ピラミッドの下部から開始する場合、基本的にセンサーレベルで生データを収集します。次の段階で、このデータの監視を開始し、データに何が含まれているかを発見し始めます。おそらくいくつかの異常や傾向を明らかにし、分析に基づいて、データ主導の意思決定（DDDM）と呼ばれるより良い意思決定を推進する企業の価値を創造するのに役立つ重要な情報を明らかにする可能性があります。

次に、認知分析に基づく一種の学習フェーズでこの意思決定を行うと、意思決定を支援するだけでなく、行動を予測することにもなります。動作を予測できるようになると、最も洗練されたデータに到達します。データは、マシンとアプリケーションが自律的な意思決定を行うのに役立つ知識に変換できるほど純粋です。

私が説明したのは、データが洞察と知識を提供し、企業がより良い意思決定を行い、最終的にいくつかのプロセスと意思決定を自動化するのに役立つバリューチェーンです。私は、潤滑油機能のメタファーとしてではなく、石油業界と平行しています（笑 ）、ただし、改良プロセスと比較して。洗練すればするほど、それはより有用になり、より多くの価値を得ることができます。

デニーリー： 人々が新しい石油のフレーズを使うとき、私はいつも1970年代に思いを馳せます–あなたが石油を支配するとき、あなたは経済を支配します。 「データは新しい油だ」と言うとき、それはこの類似性に根ざしていると思います。データは新しい石油であり、その支配権を握ることができれば、その経済とセクターをより良く指揮できることも意味します。

その言葉を聞くと、「データは通貨」という考え方にも戻ります。データはその形式では非常に生であり、人々はこの用語を非常に大まかに使用することがよくあります。データ、洞察、インテリジェンスはすべて同じものを指していると考える人もいるかもしれません。しかし実際には、これらをかなり区別しています。最終的に、私たちはデータが原材料であると主張し、洞察につながるデータを処理したいと考えています。インサイトとインテリジェンスは、ビジネスに必要なものです。このインテリジェンスを実用的なビジネス目的に利用する方法については、後で説明すると確信しています。

RW： したがって、クライアントと一緒に座って、組織内のデータ主導のイノベーションを想像させる方法について話し合うとき、クライアントが最初に知っておく必要があること、最初に尋ねるべきことは何ですか？

MJ： 彼らが最初にやらなければならないことは、彼ら自身のビジネスを理解し、彼らが解決したい課題や問題は何かを理解することだと思います。反対の代わりに、彼らの解決策のために問題を見つけようとします。サイモン・シネックを引用すると、「なぜ？」から始めるべきです。代わりに「どうやって？」または「何？」質問。

DL： ビジネスの成果は間違いなく1つですが、その前に、組織内で誰と話しているのかを質問する必要があります。それぞれに異なる組織の境界または責任の領域があり、異なる一連の質問を推進します。

たとえば、CEOと話している場合、彼または彼女のサンドボックスは巨大です。一方、あなたは彼ら自身の宇宙が非常に定義されている組織のサイロ化された部分と話している可能性があります。次に、彼らのビジネスコンテキストと最終的に望まれるビジネス成果を理解する必要があります。次に、逆方向に作業して、「わかりました。実際にはどのような種類のデータがありますか？」と言います。そして、あなたは問題を解決策に結びつけようとします。明らかに、分析コンテキストについて話しているとき、それはデータを処理してビジネスの成果を促進できるようにすることです。

次に、最終的には組織の境界を越えることについて話し合う必要があります。これは私たちが見逃してはならない非常に重要なポイントです。インテリジェンスのナゲットは、組織間の障壁を打ち破ることによってのみもたらされる場合があります。

RW： CEOに関しては、より大きなサンドボックスを使用する必要があるとおっしゃっていましたが、IoTを中心に何らかのデータ駆動型ソリューションを実装しようとしている他の人々と話すと、誰がチャンピオンになるかという考えがあります。多くの場合、組織は、組織に関する課題が内在していることを本当に知っている人の中心にいます。典型的な組織のチャンピオンがどのように見えるか、そして組織全体でそれらの目標をどのように方向付けるかについて、何か言えることはありますか？

DL： IoTのコンテキストでは、組織は2つの領域に分割されることがよくあります。オペレーショナルテクノロジー（OT）側と情報技術（IT）側。 OT側では、ソリューションは、会社のインフラストラクチャを管理する人を対象にすることができます。そのグループ内で話している相手によって、ニーズは異なります。

例として、予知保全に焦点を当てている顧客を取り上げましょう。この場合、彼または彼女は、メンテナンスに集中し、ビッグデータと機械学習を使用してメンテナンスサイクルをサポートし、マシンの停止を最小限に抑えるための予算しか持っていない可能性があります。これは、特定の目的を持つ非常に狭いユースケースです。しかし、マネージャーと話すと、彼らが解決しようとしている問題の範囲とコンテキストははるかに広く、組織の境界を越える可能性があります

MJ： この見方を、組織の別の部分に向けて補足したいと思います。適切な意思決定を行うために分析を必要とするリーダーに加えて、多くの組織でデータアナリストの役割が重要になっていると思います。これらの専門家は、データの処理方法、または以前に使用したメタファーの使用方法を知っています。つまり、改良プロセスを制御します。ここでは、従来のIT担当者が持っているスキルとは異なるスキルのセットについて話します。私の学歴はコンピュータサイエンスで、20年前、コンピュータサイエンス教育の基礎は数学でした。 5〜10年後にカリキュラムを見ると、アルゴリズムとプログラミング言語に重点が移っていました。今日、私の息子はAIで博士号を取得しています。私を信じて、これらの学生は数学と統計を再び非常にしっかりと理解している必要があります。また、データサイエンティストは企業のビジネス上の意思決定をサポートする必要があるため、ドメインに関する十分な知識とビジネスの洞察力も必要であることを忘れないでください。

RW： それで、それは完全に一周しましたか？

MJ： 最も複雑な問題では、生のコンピューターデータと数値計算を使用してデータを処理することはできません。何が意味があり、何が意味がないかを知るには、ドメイン知識が本当に必要です。そして、これらは、デニーが説明したように、内部の意思決定者をサポートする役割を果たしているため、組織でそれを実現させている人々です。

RW： 多くのIoTソリューションが、あなたが持っている、または分析できる膨大な量のデータを中心に売り込まれているのを目にします。つまり、社内でそのデータ知識を持っている場合、それは素晴らしいことですが、そうでない場合、クライアントを圧倒し、提供するデータオプションが多すぎるリスクはありますか？

>

MJ： もちろん、構築したいソリューションの種類によって異なります。また、一部のデータに対してフィルタリングとしきい値の設定を行うことができる場合、たとえば、冷凍設備に温度センサーがある場合、実際に取得したいデータは例外または異常のみです。これは、すべてが正常である場合に発生するためです。大量の通常のデータに圧倒される必要はありません。したがって、重要なのは、インテリジェントなデータ収集を行い、フィルターで除外し、数値をできるだけ早く事前分析して処理することです。データが生成されるデバイスのできるだけ近くでリファインメントプロセスを開始します。

DL： 私たちの考え方を皆さんと共有させてください。これはIoTにも当てはまります。つまり、データインテリジェンスの見方は、人間の脳に似ています。私たちは実際にインテリジェンススタックの概念を推進しています。自分の脳の観点から考えると、応答時間が速く、自律性が高いものがあります。このレイヤーでは、環境データを処理していますが、スコープは狭くなっています。それでは、IoTとの類似点を描きましょう。物事はそれ自体で起こっており、フィードバックの調整が必要な場合は、自律的なローカルな決定を下しています。

次のレイヤーでは、適度な応答時間のアクションがあり、ある程度自律的です。そして、拡張インテリジェンスと呼ばれる上位層があります。それは人間を助けるのに役立ちます。なぜなら、最上位層では依然として人間の管理者であり、人間の幹部が長期的なポリシー変更を行うからです。そして、その拡張されたレイヤーは、ソフトウェアの最上位レイヤーであり、人間がより良く、異なる、より長期的な調整を行うための隠された洞察を明らかにします。

したがって、これらのさまざまなレイヤーをスタックの一部と考える場合、IoTのコンテキストで考えたとしても、工場レベルで言うと、最下部に近づくほど、自動化されたロボット工学の観点から話します。 。そして、あなたが上がるにつれて、それはより人間的なものになります。人間がより良い判断を下せるように、ソフトウェアは洞察を発見するという点でより大きな役割を果たします。

MJ： 興味深いのは、これがインフラストラクチャレベルでも反映されていることです。おそらく、エッジクラウド、マルチアクセスエッジコンピューティング、またはMECについて聞いたことがあるでしょう。実際には、データ処理の一部をソースのできるだけ近くで実行します。そして、それは2つの理由からです。1つは、ネットワークの遅延を減らし、意思決定の所要時間を短縮することです。次に、クラウドのコアを介してこれらの大量のデータをすべてトロンボーン化する必要はありません。ユーザーと意思決定者に本当に役立つものだけを処理してもらいたいのです。エッジコンピューティングについて説明する必要がある場合、それをリバースCDN（コンテンツ配信ネットワーク）と表現することがあります。

ビデオオンデマンドとライブストリーミングが人気を博した数年前に私たちが行ったことを見てみましょう。突然、各ユーザーに個別のストリームを提供するのに十分な帯域幅がなく、遅延が発生する可能性があるという問題に直面しました。そのため、キャッシュサーバーをエンドユーザーの近くに配置し、最も人気のあるコンテンツを配置し、早送りや巻き戻し、コンテンツの適応など、ローカルコンテンツのナビゲーションと処理を実行できるようにしました。つまり、これはダウンストリームストレージとコンピューティングリソースの最適化でした。そして今日、インターネット上には、このようなキャッシングと最適化サービスで大金を稼いでいるAkamaiなどの多くのプレーヤーがいます。

さて、モノのインターネットに目を向けると、問題はビデオのようにダウンストリームデータの量ではなく、データソースの数とアップストリームデータの量にあります。膨大な数のデータレコードを生成する膨大な数のIoTデバイスがあり、実際に行うことは、データを収集するためにソースに近いある種のアップストリームキャッシングサービスに入れられるため、低レベルの分析を行い、石油業界の比喩をもう一度使用するために、クラウドのさらに下にある意味のある情報のみを送信して、さらに処理し、さらに改良するようにしてください。したがって、エッジコンピューティングは、同じ種類の機能を提供し、異なるアーキテクチャを使用し、異なる方向のフローを操作するため、しばしば一種の「リバースCDN」と呼んでいます。

RW： さて、私たちはどんな種類のプロジェクトにも投資したいと思っている人がいます。通常、誰かがコスト削減や新しい収入源を持っていると思いますが、そうではない場合が多いと思います。ほとんどの場合、コスト削減または効率によって推進されます。これは、ほとんどの組織で常に魅力的です。それぞれの例のように、コスト削減だけでなく、意思決定経路も解き放つことができるデータ駆動型プロセスの例を両方とも挙げることができますか？

MJ： ビデオ分析ソリューションで行っていることから始めることができます。これは、たとえばによってストリーミングされた大量のデータを使用するアプリケーションの例です。閉回路ビデオ監視カメラ。

都市には、膨大な数のライブビデオストリームを作成しているこれらのカメラが数百または数千あります。一般に、すべての画面を同時に見るのに十分なスタッフはありません。これは、これらすべてのビデオストリームを24時間年中無休で視聴するのは非常に費用がかかり非効率的であるためです。したがって、Nokiaのソリューションは、これらのビデオを分析して異常を探すことです。車が間違った方向に運転している、空港で混乱している、一部の人や物が異常な動きをしているなど、多くのユースケースの例があります。私たちが実際に行っているのは、これらのビデオデータを収集し、それをリファインメントチェーンに通し、特定の状況を認識して異常を検出する多数のアルゴリズムで処理することです。 AI機能を追加すると、システムは自己学習型になり、通常とは異なるあらゆる種類の「ハプニング」を識別、警告、予測できます。これは意思決定に役立ちますが、同時に、都市や警備会社はほんの一部の人しか必要としないため、大幅なコスト削減にもなります。分析テクノロジーは、実際にこれらの種類のビデオ監視ソリューションを可能かつ手頃な価格で提供しています。

RW： そうです、人間の目はあまりスケーラブルではありません。

MJ： 確かに、人間の目はあまりスケーラブルではなく、おそらくこのCCTVビデオコンテンツの99.99％は注意を払う必要がありません。したがって、ソースにできるだけ近いデータをフィルタリングし、関連するものだけを処理し続けることを学ぶ必要があります。

DL： それで、トレバー、私はあなたにいくつかの例のセットも与えるでしょう。最初のグループは、予知保全、ケアエージェントにワークフローアクションを推奨するための予測ケアの領域での「次のベストアクション」、自動化された根本原因分析など、解決をより迅速に加速するためのグループです。これらのユースケースの例は、以前は手動で行われていました。いくつかの障害が発生するのを待ってから、それを調べます。自動化と予測付き。代わりに、一部の機械学習ソリューションでは、潜在的な障害の発生を事前に予測でき、事後に問題を修正するための費用のかかるメンテナンスアクションを最小限に抑えることができます。

別の一連の例は、人工知能を使用した顧客中心主義のカテゴリにあります。多くの顧客はこのトピックに興味を持っています。なぜなら、1日の終わりに、競合他社もエンドカスタマーを可能な限り和らげようとしていることを認識しているからです。そして、それを最もよく行うことができる人は誰でもその日を勝ち取ります。したがって、顧客体験を評価して理解し、それを予測して顧客のニーズに対応できることは、ビッグデータ分析ソリューションの重要な側面になります。たとえば、ネットワーキングソリューションのプロバイダーやオペレーターのコンテキストでは、輻輳が発生することを事前に把握し、それに対応することが重要になります。おそらく、適切に管理されているが劣化しているパフォーマンスは、特定の状況でサービスをまったく使用しないよりも優れています。したがって、顧客中心主義の問題に先んじることは、AIアプリケーションの一形態でもあります。顧客の経験を理解し、それに応じて行動します。 3つ目は、拡張現実のユースケースであり、IoTエンタープライズのオペレーターの上位レベルのエグゼクティブとポリシー所有者にアピールします。

別のクラスの問題は、「最適化」のカテゴリに当てはまります。一連のビジネス成果を見ると、問題を最適化問題として設定できます。これらは私のサンドボックスです。これが私の生データとKPIであり、これが目標として最適化したいものです。次に、システムを最適化するように設定できます。これは、組織のサイロを解体し、組織がサイロ化されたときに以前は発見できなかった特定の結果を最適化する機会があるという点に関連しています。このようなタイプのインテリジェンスは、組織の経営幹部やポリシーの所有者にとってより魅力的です。

この記事はNokiaとの提携により作成されました。これは、ノキアのチームが専門家のアドバイスを提供し、データ分析、セキュリティ、IoTプラットフォームについてさらに掘り下げる一連の記事の一部です。