Business analyst

Heard on the Street – 27/9/2021

Chào mừng bạn đến với chuyên mục tổng hợp “Heard on the Street” của InsideBIGDATA! Trong tính năng thường xuyên mới này, chúng tôi làm nổi bật các bài bình luận lãnh đạo tư tưởng từ các thành viên của hệ sinh thái dữ liệu lớn. Mỗi ấn bản bao gồm các xu hướng trong ngày với những quan điểm hấp dẫn có thể cung cấp những thông tin chi tiết quan trọng để mang lại cho bạn lợi thế cạnh tranh trên thị trường. Chúng tôi mời các bài dự thi tập trung vào các lĩnh vực chủ đề công nghệ ưa thích của chúng tôi: dữ liệu lớn, khoa học dữ liệu, học máy, AI và học sâu. Thưởng thức! Biên độ Nộp hồ sơ cho Danh sách Trực tiếp trên Nasdaq. Bình luận của Jeremy Levy, Giám đốc điều hành tại Indicative. “Ở một mức độ nào đó, việc định giá và nộp hồ sơ của Amp biên độ là chiến thắng cho tất cả mọi người trong lĩnh vực phân tích sản phẩm, bao gồm cả Indicative. Thành tích của Biên độ là một xác nhận lớn cho thị trường của chúng tôi. Tuy nhiên, nếu công ty ra mắt ngày hôm nay, nó sẽ không đạt được mức độ thành công như vậy vì thị trường đang chuyển đổi rõ ràng sang mô hình kho dữ liệu đám mây; một cái gì đó Biên độ chỉ đơn giản là không tương thích với. Và mặc dù mô hình này đã được các công ty như Andreesen và Kleiner viết nhiều lần, nhưng yếu tố dự đoán hữu hình hơn về xu hướng này là sự gia tăng liên tục của tốc độ tăng trưởng tại Snowflake và các nhà cung cấp dữ liệu đám mây khác như Amazon và Google. Biên độ đã có thể thúc đẩy truyền miệng mạnh mẽ và tích hợp dễ dàng cho đến thời điểm này. Nhưng việc không tương thích với những gì đã nhanh chóng được chấp nhận là cách lý tưởng để xây dựng cơ sở hạ tầng dữ liệu – nghĩa là các sản phẩm có thể giao tiếp trực tiếp với kho dữ liệu đám mây – là mối đe dọa nghiêm trọng đối với sự phát triển liên tục của chúng. Các yêu cầu của Biên độ đối với việc tái tạo và vận hành dữ liệu của khách hàng phản ánh một cách tiếp cận đã có từ nhiều thập kỷ. Giải pháp của họ được xây dựng cho ngày hôm nay nhưng không cho ngày mai. Trong thời gian, đặc biệt là với sự giám sát ngày càng nhiều của các cổ đông và báo cáo thu nhập, những thiếu sót trong cách tiếp cận của Biên độ sẽ bắt kịp với họ. ” Cần có một nền văn hóa mới về vận hành AI để đưa các thuật toán từ Sân chơi đến Chiến trường kinh doanh. Bình luận của Mark Palmer, SVP, Kỹ sư tại TIBCO. “Khoa học dữ liệu đang phát triển và thất bại cùng một lúc. Một cuộc khảo sát gần đây của NewVantage Partners cho thấy 92% công ty đang tăng tốc đầu tư vào khoa học dữ liệu, tuy nhiên, chỉ 12% trong số các công ty này triển khai trí tuệ nhân tạo (AI) trên quy mô lớn — giảm so với năm trước. Các công ty đang chi tiêu nhiều hơn cho khoa học dữ liệu, nhưng sử dụng ít hơn, vì vậy chúng ta cần đưa AI từ sân chơi vào chiến trường. Vấn đề là hầu hết các công ty vẫn chưa thiết lập văn hóa vận hành AI. Công nghệ, mặc dù không phải là câu trả lời, nhưng giúp đưa gió sau cánh buồm của sự thay đổi văn hóa đó. Ví dụ: Vận hành mô hình (ModelOps) giúp AI đi quãng đường cuối cùng từ phòng thí nghiệm khoa học dữ liệu hoặc sân chơi, đến người dùng doanh nghiệp hoặc chiến trường — như Uber Eats cho các thuật toán. ModelOps giúp bạn dễ dàng hiểu cách bảo mật và quản lý việc triển khai thuật toán, cho phép các nhà lãnh đạo doanh nghiệp cảm thấy thoải mái với AI. Nó cũng khuyến khích sự hợp tác giữa các nhà khoa học dữ liệu và các nhà lãnh đạo doanh nghiệp, cho phép họ gắn kết như một nhóm. Lợi ích khác của văn hóa vận hành AI là xác định và giảm thiểu sai lệch. Giảm sự thiên vị là một việc khó, nhưng giải pháp thường bị che giấu trong tầm nhìn rõ ràng — các nhóm vận hành AI giúp các công ty dễ dàng đánh giá sự thiên vị và quyết định cách hành động để giảm bớt sự thiên vị. Văn hóa vận hành AI giúp các nhà khoa học dữ liệu tập trung vào nghiên cứu và cung cấp các thuật toán cho doanh nghiệp một cách minh bạch, an toàn, bảo mật, không thiên vị ”. Văn hóa DevOps mạnh mẽ bắt đầu với AIOps và Khả năng quan sát thông minh. Bình luận của Phil Tee, Giám đốc điều hành và người sáng lập Moogsoft. “DevOps là một nền văn hóa về tập thể 'chúng ta' và xây dựng một nơi làm việc tập thể, lấy đồng đội làm trung tâm. Nhưng DevOps phải được hỗ trợ bởi các công cụ cho phép hợp tác trên các giải pháp sẽ tác động đến toàn bộ tập thể. AIOps với khả năng quan sát thông minh giúp xây dựng văn hóa DevOps mạnh mẽ bằng cách khuyến khích sự hợp tác, tin tưởng, minh bạch, liên kết và tăng trưởng. Bằng cách tận dụng AIOps với khả năng quan sát thông minh, những người thực hiện DevOps loại bỏ các silo riêng lẻ và cung cấp cho các nhóm khả năng hiển thị mà họ cần để cộng tác trong các sự cố và nhiệm vụ. Bằng cách để mắt đến mọi thứ, nhân viên có thể kết nối giữa các nhóm, công cụ và hệ thống để tìm ra giải pháp tốt nhất. Và trách nhiệm nghề nghiệp chuyển giao liền mạch giữa các đồng nghiệp. AI cũng tự động hóa công việc vất vả, vì vậy các nhóm để lại các nhiệm vụ thường xuyên ở cửa, thực hiện tư duy phản biện nhiều hơn và gắn kết hơn với việc xây dựng các công nghệ tốt hơn. AIOps với khả năng quan sát thông minh nâng cao tính minh bạch và hợp tác trong văn hóa DevOps của bạn, khuyến khích sự phát triển chuyên nghiệp và loại bỏ những cái tôi độc hại tại nơi làm việc để tạo ra một tổ chức sáng tạo hơn, nhanh nhẹn hơn. ” Công nghệ máy học giúp bảo vệ sản phẩm có thể tiếp cận được với các nhà bán lẻ thuộc mọi quy mô. Chinedu Eleanya, người sáng lập và Giám đốc điều hành của Mulberry. “Ngày càng có nhiều công ty chuyển sang học máy – nhưng thường là quá muộn trong quá trình phát triển của họ. Đúng vậy, học máy có thể mở ra cơ hội sản phẩm mới và tăng hiệu quả thông qua tự động hóa. Nhưng để thực sự tận dụng máy học trong một giải pháp công nghệ, một doanh nghiệp cần phải lập kế hoạch cho điều đó ngay từ đầu. Việc cố gắng chèn các khía cạnh của máy học vào một sản phẩm hiện có, tệ nhất có thể dẫn đến các tính năng vì lợi ích của “các tính năng máy học” và tốt nhất là yêu cầu xây dựng lại các khía cạnh của sản phẩm hiện có. Bắt đầu sớm với học máy có thể yêu cầu phát triển trước nhiều hơn nhưng cuối cùng có thể trở thành thứ ngăn cách một doanh nghiệp với các giải pháp hiện có ”. Trí tuệ nhân tạo có nguy cơ đối với quyền riêng tư đòi hỏi hành động khẩn cấp. Patricia Thaine, Giám đốc điều hành của Private AI. “Việc lạm dụng AI chắc chắn là một trong những vấn đề nhân quyền cấp bách nhất mà thế giới đang phải đối mặt ngày nay – từ nhận dạng khuôn mặt để giám sát nhóm thiểu số đến việc thu thập và phân tích dữ liệu cá nhân phổ biến. 'Quyền riêng tư theo thiết kế' phải là cốt lõi để xây dựng bất kỳ hệ thống AI nào để bảo vệ rủi ro kỹ thuật số. Nhờ các công cụ giảm thiểu dữ liệu tuyệt vời và các công nghệ nâng cao quyền riêng tư khác đã xuất hiện, ngay cả những dữ liệu được quản lý nghiêm ngặt nhất đang được sử dụng để đào tạo các hệ thống AI hiện đại theo cách bảo vệ quyền riêng tư. ” Tại sao iPaaS là ​​một thành phần cơ bản của ngăn xếp công nghệ doanh nghiệp. André Lemos, Phó chủ tịch phụ trách sản phẩm của iText. “Nền tảng tích hợp như một dịch vụ (iPaaS) đang nhanh chóng trở thành một thành phần cơ bản của hệ thống công nghệ doanh nghiệp. Và nó hoàn toàn có ý nghĩa. Các tổ chức CNTT trên toàn thế giới đang xử lý ngày càng nhiều hệ thống phần mềm. Cho dù chúng được cài đặt trong mạng công ty, trong cơ sở hạ tầng của nhà cung cấp dịch vụ đám mây hoặc được cung cấp bởi nhà cung cấp SaaS bên thứ ba, các nhóm kinh doanh đều muốn sử dụng nhiều phần mềm hơn. Và điều đó tạo ra rất nhiều sự phân mảnh và phức tạp, đặc biệt là khi các hệ thống đó cần được kết nối với nhau hoặc dữ liệu cần được chia sẻ giữa chúng. Việc chọn một nền tảng iPaaS liên quan nhiều đến các tính năng như hệ sinh thái. Nếu không có danh mục hệ thống lành mạnh để lựa chọn, nền tảng này thực tế vô dụng. Hãy nhớ rằng mục tiêu của nền tảng iPaaS là ​​giúp việc kết nối các hệ thống khác nhau trở nên dễ dàng và đơn giản hơn. Trước khi có iPaaS, các công ty phải tạo ra các giải pháp phần mềm trung gian của riêng họ, lấy các nguồn lực kỹ thuật có giá trị để phát triển và duy trì. Với iPaaS, các nhà phát triển và tài nguyên CNTT có thể chỉ cần chọn các hệ thống để đưa vào quy trình làm việc của họ ”. Sự thiếu hụt nhà khoa học dữ liệu và các giải pháp tiềm năng. Bình luận của CTO của Digital.ai và GM của Nền tảng AI & VSM, Gaurav Rewari. “Hơn một thập kỷ trước, Viện toàn cầu McKinsey đã chỉ ra sự thiếu hụt nhà khoa học dữ liệu sắp xảy ra hơn 140, 000 riêng ở Mỹ. Kể từ đó, những dự đoán về sự thiếu hụt trong tương lai chỉ trở nên thảm khốc hơn. Một cuộc khảo sát gần đây từ S&P Global Market Intelligence và Immuta chỉ ra rằng 40% trong số 500 + những người trả lời từng làm việc với tư cách là nhà cung cấp dữ liệu nói rằng “họ thiếu nhân viên hoặc kỹ năng để đảm đương vị trí của mình”. Hơn nữa, trong khi vai trò Giám đốc Dữ liệu ngày càng được chú trọng, 40% tổ chức không có nhân sự cho vị trí này. Tất cả những điều này trong bối cảnh ngày càng có nhiều yêu cầu của người dùng thông minh kinh doanh từ các tổ chức muốn sử dụng dữ liệu của chính họ như một lợi thế cạnh tranh. Giải quyết sự thiếu hụt trầm trọng này đòi hỏi một cách tiếp cận nhiều mặt, đặc biệt là liên quan đến việc mở rộng các kỹ năng của sinh viên và chuyên gia hiện có để bao gồm các năng lực về khoa học dữ liệu thông qua các chương trình và chứng chỉ chuyên dụng về khoa học dữ liệu, cũng như đào tạo chéo do công ty tài trợ cho các nhóm tài năng liền kề như như các nhà phân tích BI. Về mặt sản phẩm, các khả năng chính có thể giúp giảm bớt tình trạng thiếu kỹ năng này bao gồm: (i) Khả năng tự phục vụ tốt hơn để người dùng doanh nghiệp có kiến ​​thức về lập trình và kiến ​​thức cơ bản về cấu trúc dữ liệu cơ bản vẫn có thể đặt câu hỏi bằng cách sử dụng mã hoặc không mô hình mã, (ii) Các giải pháp AI được đóng gói sẵn có tất cả tích hợp nguồn dữ liệu, đường ống, mô hình ML và khả năng trực quan hóa được tạo sẵn cho các miền cụ thể (ví dụ: CRM, Finance, IT / DevOps) để người dùng doanh nghiệp có khả năng có được thông tin chi tiết về thực tiễn tốt nhất và khả năng dự đoán trong các lĩnh vực đã chọn đó. Khi được triển khai thành công, những khả năng như vậy có khả năng mở rộng phạm vi tiếp cận của các nhà khoa học dữ liệu của công ty gấp nhiều lần ”. Gian lận thất nghiệp đang hoành hành và tính năng Nhận diện khuôn mặt không phải là câu trả lời. Bình luận của Shaun Barry, Trưởng nhóm Toàn cầu về Chính phủ và Chăm sóc Sức khỏe tại SAS. “Kể từ tháng 3 2020, khoảng 800 tỷ đô la tiền trợ cấp thất nghiệp đã được phân phối cho hơn 12 hàng triệu người Mỹ, phản ánh tác động của COVID – 19 về lực lượng lao động Hoa Kỳ. Trong khi trợ cấp thất nghiệp tăng lên thì các đối tượng xấu lợi dụng những khoản trợ cấp này cũng vậy. Người ta ước tính rằng từ 89 tỷ đô la đến 89 tỷ đô la trong gian lận thất nghiệp đã được phân phối. Để chống lại những kẻ gian lận và “thúc đẩy tiếp cận công bằng”, Chính quyền đã thông qua Đạo luật Kế hoạch Giải cứu Hoa Kỳ, cung cấp 2 tỷ đô la cho Bộ Lao động Hoa Kỳ. Tuy nhiên, hai cách tiếp cận công nghệ mà chính phủ đang theo đuổi để chống lại gian lận giao diện người dùng – nhận dạng khuôn mặt và đối sánh dữ liệu – dẫn đến hậu quả không mong muốn của sự bất bình đẳng và hạn chế không công bằng việc tiếp cận trợ cấp thất nghiệp cho các cộng đồng thiểu số và thiệt thòi. Ví dụ, nhận dạng khuôn mặt đã phải vật lộn để xác định chính xác những cá nhân có tông màu da tối hơn và hầu hết nhận dạng khuôn mặt yêu cầu người dân sở hữu một chiếc điện thoại thông minh có tác động đến các nhóm kinh tế xã hội nhất định hơn những người khác. Giải pháp đối sánh dữ liệu và nhận dạng dựa trên các câu hỏi dựa trên lịch sử tín dụng như loại xe sở hữu, địa chỉ thường trú trước đó, cường độ tín dụng, sự tồn tại của tín dụng và lịch sử ngân hàng (tất cả các yêu cầu tác động tiêu cực đến cộng đồng da màu, trẻ tuổi, không có ngân hàng, người nhập cư, v.v. .). Có một nhu cầu quan trọng để đánh giá giá trị của một cách tiếp cận toàn diện hơn, dựa trên phân tích danh tính từ các nguồn dữ liệu không mang cùng loại giá trị vốn có và thiên vị truy cập. Bằng cách tận dụng dữ liệu sử dụng các nguồn có ít thành kiến ​​cố hữu hơn như thiết bị kỹ thuật số, địa chỉ IP, số điện thoại di động và địa chỉ email, các cơ quan có thể chống lại gian lận thất nghiệp về mặt đạo đức. Phân tích danh tính theo hướng dữ liệu là chìa khóa để không chỉ xác định và giảm gian lận, mà còn giảm bớt xích mích cho những công dân nộp đơn xin trợ cấp BHTN hợp pháp. Việc phân tích diễn ra trên phần phụ trợ, yêu cầu dữ liệu mà người dùng đã cung cấp và không cần thêm gì nữa. Chỉ khi một cái gì đó đáng ngờ được gắn cờ, hệ thống mới đưa ra các trở ngại, chẳng hạn như phải gọi đến một số điện thoại để xác minh thông tin bổ sung. Bằng cách triển khai phương pháp tiếp cận dữ liệu, toàn diện hơn, các cơ quan có thể tránh được những cạm bẫy của sự thiên vị và thiếu công bằng khiến các cộng đồng cần được hưởng lợi ích từ BHTN nhiều nhất ”. Làm thế nào hội đồng quản trị có thể giảm thiểu rủi ro AI của tổ chức. Bình luận của Jeb Banner, Giám đốc điều hành của Boardable. “AI đã được chứng minh là có lợi cho các nỗ lực chuyển đổi kỹ thuật số tại nơi làm việc. Tuy nhiên, rất ít người hiểu được những rủi ro khi triển khai AI, bao gồm lỗi chiến thuật, thành kiến, vấn đề tuân thủ và bảo mật, có thể kể đến một vài cái tên. Trong khi cảm nhận của công chúng về AI là tích cực, chỉ 35% công ty có ý định cải thiện quản trị của AI trong năm nay. Phòng họp hiện đại phải hiểu AI, bao gồm cả ưu và nhược điểm của nó. Trách nhiệm chính của ban giám đốc là tư vấn cho tổ chức của họ về việc triển khai công nghệ AI một cách có trách nhiệm trong khi vượt qua những thách thức và rủi ro liên quan đến nó. Để làm như vậy, con lợn rừng d nên triển khai một lực lượng đặc nhiệm chuyên tìm hiểu về AI và cách sử dụng công nghệ một cách hợp lý. Lực lượng đặc nhiệm có thể làm việc song song với các chuyên gia công nghệ và tiến hành các cuộc kiểm tra định kỳ để đảm bảo AI đang được sử dụng đúng cách trong toàn tổ chức ”. Làm thế nào để lực lượng lao động kỹ thuật số có thể đáp ứng kỳ vọng theo thời gian thực của người tiêu dùng ngày nay. Bài bình luận của Bassam Salem, Người sáng lập & Giám đốc điều hành tại AtlasRTX. “Kỳ vọng của người tiêu dùng chưa bao giờ cao hơn. Chúng tôi muốn kỹ thuật số. Chúng tôi muốn theo yêu cầu. Chúng tôi muốn nó trên điện thoại di động của chúng tôi. Chúng tôi muốn kiểm soát hành trình của khách hàng của chính mình và mong đợi sự tức thì 24 giờ một ngày vì “giờ làm việc” không còn nữa. Nhờ có Amazon và Tesla, những trải nghiệm tốt nhất là những trải nghiệm ít ma sát nhất, tự động hóa nhất và nhu cầu can thiệp tối thiểu của con người. Các hoạt động tương tác chỉ dựa vào đội ngũ nhân lực sẽ không thể đáp ứng nhu cầu mới này, vì vậy công nghệ AI tiên tiến phải được triển khai để tăng cường và hỗ trợ đội ngũ nhân viên. Các trợ lý kỹ thuật số do AI hỗ trợ cho phép người tiêu dùng tìm câu trả lời cho các điều khoản của họ, bằng ngôn ngữ của họ, vào bất kỳ thời điểm nào trong ngày. Những chatbot thông minh, phức tạp này không chỉ trả lời những câu hỏi đơn giản, chúng kết nối với khách hàng thông qua mạng xã hội, tin nhắn văn bản và webchat bằng cách nhân bản hóa các tương tác thông qua sự kết hợp giữa Học máy (ML) và Xử lý ngôn ngữ tự nhiên (NLP). Các chatbot tiên tiến nhất hiện nay được đo bằng chỉ số thông minh (IQ) và trí tuệ cảm xúc (EQ), liên tục “học hỏi” từ mọi cuộc trò chuyện. Khi các thế hệ mới xuất hiện tương đương nhau, nếu không thoải mái hơn khi tương tác với máy móc, các công ty phải hỗ trợ đội ngũ con người của họ với các đồng nghiệp kỹ thuật số do AI hỗ trợ, đóng vai trò là tiền tuyến để cung cấp Trải nghiệm thời gian thực (RTX) được hỗ trợ và quản lý bởi nền tảng RTX. đóng vai trò là hệ thống thần kinh trung ương của lực lượng lao động kỹ thuật số tăng cường. ” Điều gì đặt vùng chứa được đính kèm và bộ nhớ gốc của vùng chứa khác nhau. Bình luận của Kirby Wadsworth về ionir. “Sự ra đời của các thùng chứa đã cách mạng hóa cách các nhà phát triển tạo và cung cấp ứng dụng. Tác động là rất lớn; chúng tôi đã phải hình dung lại cách lưu trữ, bảo vệ, cung cấp và quản lý dữ liệu. Cách tiếp cận gắn với container (CAS) hoặc phương pháp sẵn sàng cho container rất hấp dẫn vì nó sử dụng phương thức lưu trữ truyền thống hiện có, hứa hẹn khả năng tái sử dụng các khoản đầu tư hiện có vào việc lưu trữ và có thể có ý nghĩa như một cầu nối ban đầu với môi trường container. Điều khác biệt về lưu trữ gốc của vùng chứa (CNS) là nó được xây dựng cho môi trường Kubernetes. CNS là một giải pháp lưu trữ do phần mềm định nghĩa tự chạy trong các vùng chứa trên một cụm Kubernetes. Kubernetes tăng thêm dung lượng lưu trữ, dịch vụ kết nối và dịch vụ tính toán khi cần có thêm tài nguyên. Nó sao chép và phân phối các phiên bản ứng dụng. Nếu bất cứ điều gì bị hỏng, Kubernetes sẽ khởi động lại ở một nơi khác. Là lớp điều phối, Kubernetes thường giữ cho mọi thứ hoạt động trơn tru. CNS được xây dựng để được sắp xếp, nhưng lưu trữ sẵn sàng cho vùng chứa hoặc bộ lưu trữ gắn vào vùng chứa không dễ dàng được sắp xếp. Các tổ chức ngày nay có nhiều tùy chọn lưu trữ và họ cần nhiều dung lượng hơn bao giờ hết. Với các vùng chứa được thêm vào hỗn hợp, các quyết định có thể trở nên khó thực hiện hơn. Cách tiếp cận nào sẽ phục vụ tốt nhất cho trường hợp sử dụng của bạn? Bạn cần hiểu sự khác biệt giữa lưu trữ gắn liền với vùng chứa và lưu trữ gốc trong vùng chứa để trả lời câu hỏi này. Hãy cẩn thận xem xét nhu cầu của bạn và khả năng quản lý của bạn, và lựa chọn một cách khôn ngoan. ” Các vấn đề về chất lượng dữ liệu mà tổ chức phải đối mặt. Bình luận của Kirk Haslbeck, phó chủ tịch chất lượng dữ liệu tại Collibra. “Mọi công ty đang trở thành một doanh nghiệp dựa trên dữ liệu – thu thập nhiều dữ liệu hơn bao giờ hết, thiết lập các văn phòng dữ liệu và học máy. Nhưng cũng có nhiều lỗi dữ liệu hơn bao giờ hết. Điều đó bao gồm dữ liệu trùng lặp, dữ liệu không chính xác hoặc không nhất quán và thời gian ngừng hoạt động của dữ liệu. Nhiều người bắt đầu các dự án máy học hoặc khoa học dữ liệu, nhưng cuối cùng lại dành phần lớn thời gian của họ (các nghiên cứu đề xuất khoảng 80%) để cố gắng tìm và dữ liệu sạch, thay vì tham gia vào các hoạt động khoa học dữ liệu hiệu quả. Chất lượng dữ liệu và quản trị theo truyền thống được coi là điều cần thiết hơn là theo đuổi chiến lược. Nhưng một chương trình quản lý dữ liệu lành mạnh và chất lượng dữ liệu đồng nghĩa với việc tin tưởng hơn vào dữ liệu, đổi mới nhiều hơn và kết quả kinh doanh tốt hơn ”. Đăng ký nhận bản tin InsideBIGDATA miễn phí. Tham gia với chúng tôi trên Twitter: @ InsideBigData1 – https://twitter.com/InsideBigData1

Back to top button