211service.com
Att få värde från din data borde inte vara så svårt
Tillhandahålls av Hewlett Packard Enterprise
Den potentiella effekten av den pågående globala dataexplosionen fortsätter att väcka fantasin. En rapport från 2018 uppskattade att varje sekund varje dag producerar varje person 1,7 MB data i genomsnitt — och årlig dataskapande har mer än fördubblats sedan dess och förväntas mer än fördubblas igen till 2025. En rapport från McKinsey Global Institute uppskattar att skicklig användning av big data kan generera ytterligare 3 biljoner dollar inom ekonomisk verksamhet, vilket möjliggör så olika tillämpningar som självkörande bilar, personlig hälsovård och spårbara livsmedelskedjor.
Men att lägga till all denna data i systemet skapar också förvirring om hur man hittar den, använder den, hanterar den och lagligt, säkert och effektivt delar den. Var kom en viss datauppsättning ifrån? Vem äger vad? Vem får se vissa saker? Var bor den? Kan det delas? Går det att sälja? Kan folk se hur det användes?
När datas applikationer växer och blir mer överallt, märker producenter, konsumenter och ägare och förvaltare av data att de inte har en spelbok att följa. Konsumenter vill ansluta till data som de litar på så att de kan fatta bästa möjliga beslut. Producenter behöver verktyg för att dela sin data säkert med dem som behöver det. Men tekniska plattformar kommer till korta, och det finns inga riktiga gemensamma källor till sanning för att koppla ihop båda sidor.
Hur hittar vi data? När ska vi flytta den?
I en perfekt värld skulle data flöda fritt som ett verktyg tillgängligt för alla. Det kunde packas ihop och säljas som råvaror. Den kunde lätt ses, utan komplikationer, av alla som har behörighet att se den. Dess ursprung och rörelser kunde spåras, vilket tar bort alla farhågor om skändliga användningar någonstans längs linjen.
Dagens värld fungerar naturligtvis inte på detta sätt. Den massiva dataexplosionen har skapat en lång rad problem och möjligheter som gör det svårt att dela bitar av information.
Med data som skapas nästan överallt inom och utanför en organisation, är den första utmaningen att identifiera vad som samlas in och hur man organiserar det så att det kan hittas.
En brist på transparens och suveränitet över lagrad och bearbetad data och infrastruktur öppnar för förtroendeproblem. Idag är det dyrt och ineffektivt att flytta data till centraliserade platser från flera teknikstackar. Frånvaron av öppna metadatastandarder och allmänt tillgängliga gränssnitt för applikationsprogrammering kan göra det svårt att komma åt och konsumera data. Närvaron av sektorspecifika dataontologier kan göra det svårt för människor utanför sektorn att dra nytta av nya datakällor. Flera intressenter och svårigheter att komma åt befintliga datatjänster kan göra det svårt att dela utan en styrmodell.
Europa tar ledningen
Trots problemen genomförs projekt för datadelning i stor skala. En som stöds av Europeiska unionen och en ideell grupp skapar ett interoperabelt datautbyte som heter Gaia-X , där företag kan dela data under skydd av strikta europeiska dataskyddslagar. Utbytet är tänkt som ett fartyg för att dela data mellan branscher och ett arkiv för information om datatjänster kring artificiell intelligens (AI), analys och internet of things.
Hewlett Packard Enterprise tillkännagav nyligen en lösningsram för att stödja företag, tjänsteleverantörer och offentliga organisationers deltagande i Gaia-X. Dataspaces-plattformen, som för närvarande är under utveckling och baserad på öppna standarder och molnbaserad, demokratiserar åtkomst till data, dataanalys och AI genom att göra dem mer tillgängliga för domänexperter och vanliga användare. Det ger en plats där experter från domänområden lättare kan identifiera tillförlitliga datauppsättningar och säkert utföra analyser av operativa data – utan att alltid kräva kostsam förflyttning av data till centraliserade platser.
Genom att använda detta ramverk för att integrera komplexa datakällor över IT-landskap, kommer företag att kunna tillhandahålla datatransparens i stor skala, så att alla – oavsett om de är datavetare eller inte – vet vilken data de har, hur de kommer åt dem och hur de använder dem i realtid.
Datadelningsinitiativ står också högst upp på företagens agenda. En viktig prioritering som företag står inför är granskning av data som används för att träna interna AI- och maskininlärningsmodeller. AI och maskininlärning används redan flitigt i företag och industrier för att driva pågående förbättringar inom allt från produktutveckling till rekrytering till tillverkning. Och vi har precis börjat. IDC tror att den globala AI-marknaden kommer att göra det växa från 328 miljarder USD 2021 till 554 miljarder USD 2025.
För att frigöra AI:s verkliga potential måste regeringar och företag bättre förstå det samlade arvet från all data som driver dessa modeller. Hur fattar AI-modeller sina beslut? Har de partiskhet? Är de pålitliga? Har opålitliga individer kunnat komma åt eller ändra data som ett företag har tränat sin modell mot? Att koppla dataproducenter till datakonsumenter mer transparent och med större effektivitet kan hjälpa till att svara på några av dessa frågor.
Bygga datamognad
Företag kommer inte att lösa hur man låser upp all sin data över en natt. Men de kan förbereda sig på att dra nytta av teknologier och ledningskoncept som hjälper till att skapa en mentalitet för datadelning. De kan se till att de utvecklar mognad att konsumera eller dela data strategiskt och effektivt istället för att göra det på ad hoc-basis.
Dataproducenter kan förbereda sig för en bredare distribution av data genom att vidta en rad steg. De måste förstå var deras data finns och förstå hur de samlar in den. Sedan måste de se till att personerna som konsumerar data har möjlighet att komma åt rätt datauppsättningar vid rätt tidpunkter. Det är utgångspunkten.
Sedan kommer den svårare delen. Om en dataproducent har konsumenter – som kan vara inom eller utanför organisationen – måste de ansluta till datan. Det är både en organisatorisk och en teknisk utmaning. Många organisationer vill ha styrning över datadelning med andra organisationer. Demokratiseringen av data – åtminstone att kunna hitta den över organisationer – är en organisatorisk mognadsfråga. Hur hanterar de det?
Företag som bidrar till bilindustrin delar aktivt data med leverantörer, partners och underleverantörer. Det krävs många delar – och mycket koordination – för att montera en bil. Partners delar lätt information om allt från motorer till däck till webbaktiverade reparationskanaler. Datautrymmen för fordon kan betjäna uppemot 10 000 leverantörer. Men i andra branscher kan det vara mer isolerat. Vissa stora företag kanske inte vill dela känslig information ens inom sitt eget nätverk av affärsenheter.
Skapa en datamentalitet
Företag på vardera sidan av konsument-producentkontinuumet kan utveckla sin datadelningsmentalitet genom att ställa sig dessa strategiska frågor:
- Om företag bygger AI- och maskininlärningslösningar, var hämtar teamen sin data? Hur ansluter de till den datan? Och hur spårar de den historien för att säkerställa tillförlitlighet och härkomst av data?
- Om data har värde för andra, vad är vägen för intäktsgenerering teamet tar idag för att expandera på det värdet, och hur kommer det att styras?
- Om ett företag redan utbyter eller tjänar pengar på data, kan det auktorisera en bredare uppsättning tjänster på flera plattformar – i lokaler och i molnet?
- För organisationer som behöver dela data med leverantörer, hur går samordningen av dessa leverantörer till samma datamängder och uppdateringar gjort idag?
- Vill producenter replikera sin data eller tvinga människor att ta med modeller till dem? Datauppsättningar kan vara så stora att de inte kan replikeras. Ska ett företag vara värd för mjukvaruutvecklare på sin plattform där dess data finns och flytta in och ut modellerna?
- Hur kan arbetare på en avdelning som konsumerar data påverka praxis hos uppströmsdataproducenter inom sin organisation?
Vidta åtgärder
Datarevolutionen skapar affärsmöjligheter – tillsammans med massor av förvirring om hur man söker efter, samlar in, hanterar och får insikter från denna data på ett strategiskt sätt. Dataproducenter och datakonsumenter blir allt mer bortkopplade från varandra. HPE bygger en plattform som stödjer både lokalt och offentligt moln, med öppen källkod som grund och lösningar som HPE Ezmeral Software Platform för att tillhandahålla den gemensamma grunden som båda sidor behöver för att få datarevolutionen att fungera för dem.
Läs originalartikeln på Enterprise.nxt .
Detta innehåll producerades av Hewlett Packard Enterprise. Den skrevs inte av MIT Technology Reviews redaktion.