Data analytics και τεχνητή νοημοσύνη

Σε προηγούμενα άρθρα μου είχα αναφερθεί στο τσουνάμι ψηφιακών δεδομένων που ανέδειξε η πανδημία καθώς και στη ραγδαία αύξηση της δημιουργίας έξυπνων εφαρμογών τεχνητής νοημοσύνης (Τ.Ν.) με σκοπό την αντιμετώπιση καθημερινών προβλημάτων των επιχειρήσεων, καταναλωτών και πολιτών. Η επιτάχυνση σε όλα τα επίπεδα των προγραμμάτων του ψηφιακού μετασχηματισμού (Ψ.Μ.) είναι πλέον πραγματικότητα και δεν ανήκει στη σφαίρα της φαντασίας ή μελλοντικών στρατηγικών σχεδιασμών.

Σημαντικό ρόλο στο εγχείρημα του Ψ.Μ. αποτελεί η συλλογή και αξιοποίηση δεδομένων που γεννιούνται με τρόπο αποτελεσματικό, χρήσιμο και επικερδή. Tο πλαίσιο του μετασχηματισμού data analytics και Τ.Ν. (Data Analytics and Artificial Intelligence Transformation Framework) σε συνδυασμό με τη χρήση μεθοδολογιών προηγμένων αναλύσεων σε τεχνολογίες υπολογιστικού νέφους, αποτελούν βασικά εργαλεία της επιτυχίας.

Με επίκεντρο τις διαδικασίες, την τεχνολογία, τις μεθοδολογίες analytics και το ανθρώπινο δυναμικό, το ταξίδι του Data Analytics & Artificial Intelligence Transformation Framework αποτελείται από τέσσερα βασικά ορόσημα. Στο αρχικό στάδιο έχουμε το άγνωστο (unaware) όπου ο οργανισμός αρχίζει να κατανοεί τον στόχο της χρήσης των analytics, στη συνέχεια μεταβαίνει στο στάδιο της αντίδρασης (reactive) που δημιουργεί ad hoc αναλύσεις χωρίς κάποιο δομημένο λειτουργικό μοντέλο διαδικασιών, στο επόμενο στάδιο της πρόληψης (proactive state) πλέον έχει δημιουργηθεί ένα λειτουργικό πλαίσιο analytics και στο τελικό, όλοι οι πυλώνες του πλαισίου δουλεύουν σε βέλτιστους ρυθμούς (optimized state).

Στη διάρκεια του εν λόγω ταξιδιού δίνονται απαντήσεις σε συγκεκριμένες επιχειρησιακές ερωτήσεις. Ενδεικτικά, καλύπτουν τον επιχειρησιακό σκοπό της χρήσης των data analytics, τη διαλειτουργικότητα πηγών συλλογής δεδομένων, την τεχνολογική υποδομή και απαιτούμενο πλήθος αλγορίθμων ανάλυσης, την οργανωτική δομή, το πλαίσιο διακυβέρνησης, τις διαδικασίες, το διαθέσιμο επιστημονικό προσωπικό καθώς και το επίπεδο ωριμότητας της «data analytics driven» κουλτούρας του οργανισμού.

Από την πλευρά των μεθοδολογιών analytics, σημαντικά στρατηγικά οφέλη αναδεικνύονται από τη χρήση τεχνολογιών υπολογιστικού νέφους σε ένα ευρύ φάσμα εφαρμογών data analytics στο πλαίσιο του cloud analytics adoption. Ενδεικτικά οφέλη περιλαμβάνουν την ικανότητα της επεκτασιμότητας (scalability) κάθε είδους και μεγέθους δεδομένων, την αξιοπιστία (reliability) προσφοράς υπηρεσιών υπολογιστικού νέφους, την αυτοματοποίηση (automation) στην εκπόνηση προηγμένων αναλύσεων και προβλεπτικών μοντέλων (Τ.Ν. ή μη), την ανεξαρτητοποίηση (modularity) βάσει πλαισίου μικροϋπηρεσιών (microservices framework) και τη δυνατότητα πλήρους διαμόρφωσης (configurability) της υλοποιημένης αρχιτεκτονικής data analytics.

Περιοχές εφαρμογής αποτελούν την εξαγωγή σημαντικών συμπερασμάτων (key insights) από πολυδιάστατες αναλύσεις παραμέτρων μεγάλου όγκου δεδομένων, εκπόνηση πολλαπλών πειραμάτων με χρήση intelligent εφαρμογών αυτόματης ανάπτυξης/επιλογής αλγορίθμων πρόβλεψης υψηλής ακρίβειας και ποιοτικό έλεγχο, επαναχρησιμοποιούμενο ανοικτό κώδικα για αναλύσεις και μοντέλα πρόβλεψης με τη χρήση ειδικών εργαλείων DevOps.

Βέβαια, για την επίτευξη των παραπάνω, χρειάζεται ο κατάλληλος και αποτελεσματικός σχεδιασμός της αρχιτεκτονικής υποδομής υπολογιστικού νέφους.

Τα βασικά τεχνικά χαρακτηριστικά χρειάζεται να καλύπτουν τη διαλειτουργικότητα, επεξεργασία, αποθήκευση, παρακολούθηση κόστους κατανάλωσης, προστασία και ασφάλεια διαφορετικών επιπέδων λειτουργικών διαδικασιών ροής δεδομένων καλύπτοντας real time streaming, batch και storage.

Ο συνδυασμός όλων των ανωτέρω δίνει τη δυνατότητα σημαντικής μείωσης του απαιτούμενου χρόνου ανάπτυξης και εφαρμογής προηγμένων αναλύσεων και μοντέλων πρόβλεψης (Τ.Ν. και μη), τη συνεχή παρακολούθηση της αξιοπιστίας τους και γρήγορη αντικατάστασή τους όποτε αυτό κρίνεται απαραίτητο.

Κλείνοντας, είναι απαραίτητο όλα τα παραπάνω να διέπονται από το κατάλληλο πλαίσιο διακυβέρνησης των δεδομένων και των προβλεπτικών μοντέλων T.N. διασφαλίζοντας την αμεροληψία και υπευθυνότητα στην ανάπτυξη και επιχειρησιακή τους χρήση.

* Ο κ. Ιωσήφ Μπελούκας είναι Director, Data & Analytics Leader, PwC Ελλάδας. Το άρθρο δημοσιεύθηκε αρχικά στην «Καθημερινή της Κυριακής».

Ακολουθήστε το Money Review στο Google News