BLOG – Ai en machine learning bieden interessante innovatiemogelijkheden voor bedrijven, van voorspellende analyses tot op mensen lijkende conversatie-interfaces voor functies zoals klantenservice. Maar ondanks het potentieel van deze tools – onderzoek van Deloitte laat zien dat circa driekwart van de bedrijven bezig is met het testen van ai-technologieën – zijn veel bedrijven niet voorbereid om de mogelijkheden van ai volledig te benutten. Oorzaak: geen geprioriteerde datastrategie.
Waar ongestructureerde data meestal meer dan tachtig procent uitmaken van de data van een bedrijf, worden data in silo’s onderbenut en na verloop van tijd moeilijker te vinden. Het is, in de woorden van analist Gartner, ‘dark data’. Olie- en gasbedrijven kunnen bijvoorbeeld hun upstream-activiteiten efficiënter maken door ongelijksoortige seismische gegevensbronnen te consolideren en beter te analyseren. Fabrikanten kunnen hun processen stroomlijnen door de toegankelijkheid van design files, voorraden en kwaliteitsgegevens te verbeteren. En mediabedrijven transformeren hun content-opties door een enkel overzicht te krijgen van afbeeldingen, video, afbeeldingen en post-productionbestanden.
Het samenbrengen van ongestructureerde data in één toegankelijke bron is een van de belemmeringen voor bedrijven om ai effectief te kunnen gebruiken. Onderzoek van Mulesoft en Deloitte Digital geeft aan dat vier op de vijf onderzochte bedrijven denkt dat dit een remmende werking heeft. Door data te consolideren, kunnen allerlei organisaties cruciale operationele en concurrentievoordelen behalen, zoals:
- Dark data zichtbaar maken voor analyse- en ai-tools;
- Een enkele bron van waarheid uit ongestructureerde data halen;
- De besluitvorming verbeteren door blinde vlekken in de informatievoorziening te verkleinen;
- Organisatie-brede samenwerking, inzichten en efficiëntie mogelijk maken;
- Naleving van regelgeving vereenvoudigen;
- Lagere beheerkosten door oudere file systems overbodig maken.
Toonaangevende leveranciers van hybride-cloudplatforms hebben een viertal belangrijke acties gedefinieerd – een raamwerk om ze ‘fit for ai’ te maken – die organisaties helpt hun file data te consolideren om de bedrijfsintelligentie te leveren die nodig is voor het ai-tijdperk. Deze stappen zijn:
- Datasilo’s beoordelen op bedrijfswaarde en risico’s
Een ervaren technologiepartner kan organisaties helpen bij het beoordelen van de bedrijfswaarde en risico’s van het consolideren van datasilo’s, inclusief kapitaal- en operationele kosten, bedrijfsproductiviteit, inkomsten en bedrijfscontinuïteit. Deze aanpak stelt cio’s in staat om hun file storage-omgeving te begrijpen, migratierisico’s te evalueren en het migratieproces te plannen.
- File storage rationaliseren
Deskundige partners kunnen organisaties ook helpen met hun dataconsolidatie. Deze aanpak bouwt een architectuur die niet alleen volledige zichtbaarheid van ongestructureerde file data biedt, maar ook de enkele bron van waarheid die nodig is voor het succesvol toepassen van de ai-diensten die uiteindelijk de evoluerende bedrijfsprocessen van een organisatie ondersteunen.
- Beveiligen en beschermen van geconsolideerde data
Met de toenemende complexiteit van kwaadaardige aanvallen zoals ransomware, moeten cio’s de beveiliging opnieuw evalueren, vooral in het licht van ai-toepassingen die toegang hebben tot uniforme datasets voor meerdere beschermingslagen. Hybride-cloudplatforms bieden uitgebreide bescherming tegen ransomware, met detectie aan de rand van het netwerk en beleid voor risicobeperking. Point-in-time recovery en siem-integratie openen snelle herstel- en traceerbaarheidsmogelijkheden.
- Data verzamelen voor ai-gebruik
Een effectieve ai-strategie vereist geconsolideerde, goed beheerde data. Door gebruik te maken van gespecialiseerde data intelligence tools kunnen organisaties datasets die door ai worden gebruikt verfijnen en dat resulteert in hogere kwaliteit. Zoals het spreekwoord zegt: ‘garbage in, garbage out’!
De geïntegreerde dashboards van de huidige tools voor hybrid cloud storage zijn in staat om het verbruik te kwantificeren tot op afdelings- of bestandstype-niveau en kunnen helpen om data die niet vaak wordt gebruikt te reserveren voor toekomstige archivering.
Moderne ai-ready zoekprogramma’s maken dit makkelijker met krachtige indexering, efficiënte structurering van content voor bruikbare inzichten, en verdere validatie van de gecureerde dataset. Zo wordt de kwaliteit en bruikbaarheid voor downstream toepassingen garandeert.
De huidige tools voor datamanagement zijn volledig te integreren met de bestaande systemen voor identiteitsbeheer van organisaties. Dit helpt IT-teams om groepspermissies en toegangscontrolelijsten te benadrukken en om effectieve bedrijfsbrede beveiligingsprotocollen op te stellen terwijl ai-tools worden getest en geïmplementeerd.
Effectieve datastrategieën moeten ook rekening houden met nieuwe ongestructureerde data die dagelijks aan de edge wordt gegenereerd en gebruikt. Wanneer data van de edge naar de kern wordt geconsolideerd, kunnen ai-algoritmen voorspellende modellen bouwen op basis van uitgebreide profielen, terwijl ze realtime edge-data en historische context ontvangen uit de unified repository. Dit maakt nauwkeurigere realtime-inzichten en operationele besluitvorming mogelijk.
Raamwerk
Een fit-for-ai-raamwerk kan een digitale beheerstrategie ondersteunen die organisaties in staat stelt hun verspreide, ongestructureerde file data voor te bereiden op het gebruik van ai met ingeperkte risico’s. Nu de hoeveelheid data exponentieel toeneemt en er meer ai-tools komen, is effectief datamanagement een voorwaarde voor ai-succes dat nieuwe inzichten oplevert uit geconsolideerde bedrijfsdata. Dit kan resulteren in een transformatie van bedrijfsprocessen en concurrentievermogen.
Arjo de Bruin is solutions architect EMEA bij Nasuni
