高層管理人員探索人工智能需了解數據紡織架構
許多全球跨國公司在疫情期間加速了數據數字化的投資。根據ARC顧問集團的研究總監Colin Masson所說，挖掘這些龐大數據以實現商業價值的機會就在「現在」。Masson最近撰寫了《工業級AI：將數據轉化為洞察和成果》報告，並領導ARC在工業AI和數據紡織架構方面的研究。
Masson指出，「挑戰不僅僅在於數據量，還包括由感應器、機器和智能工廠生成的數據的複雜性和碎片化。這些數據通常是不連貫的，分散在各種應用程序中，難以用於洞察和決策。」
Aera Technology的CEO Frederic Laluyaux同意這一評估。商業周期正在壓縮。在供應鏈領域，需要做出調整的需求正在爆發。當數據量、複雜性和決策速度結合在一起時，目前公司管理這些數據的方式是不可持續的。決策需要數字化。
支持AI數字化所需的數據可能非常細緻。ARC的Masson指出，「每個AI用例都需要特定的數據集，可能需要不同的工具和技術。」例如，先進的工廠排程解決方案使用預測性維護輸入，依靠感應器數據預測設備故障。短期預測依賴於POS和其他形式的下游數據。倉庫管理系統依賴於位置和產品的RF掃描。移動機器人使用相機數據，而自動駕駛卡車使用卡車感應器、LIDAR和相機數據。實時風險解決方案通過自然語言處理挖掘大量在線數據。「在需要滿足健康、安全和可持續性目標的環境中，採用一刀切的AI解決方案是不現實的，」Masson指出。
數據紡織架構的重要性
這就是為什麼數據紡織架構是必要的。數據紡織架構是指支持統一數據管理方法的架構。數據紡織架構需要在AI和分析生命周期中發揮作用，這是一個關鍵框架，指導將「足夠好」的數據轉化為洞察和行動。Masson表示，分析生命周期包括：
管理數據：通過跨系統集成和標準化數據來創建業務就緒的分析基礎。
開發模型：以可靠和可理解的方式構建和擴展AI模型。
部署洞察：在整個業務中操作化AI，自動化流程並在適當的時間為適當的人提供決策支持。
這個生命周期在供應鏈效率、安全性、客戶服務和盈利能力方面具有顯著影響。
數據紡織架構可以通過在公司的IT環境中編織統一的數據管理和集成層來簡化AI和分析生命周期。然而，現有的企業數據紡織架構可能不足以滿足許多AI用例的「工業級」需求。它們通常需要一種「大爆炸」方法來將數據遷移和標準化到基於雲的數據湖中。它們可能無法處理邊緣上遇到的複雜數據類型，這些數據通常是非結構化的、時間敏感的，對於實時決策至關重要。
未來的工業級數據紡織架構
根據Masson的說法，「一種新的工業級數據紡織架構類別最終會出現，以滿足工業環境的獨特需求，並且軟件聯盟已經在形成，以促成這些架構的實現。」這些新的數據紡織架構將需要超越傳統的企業數據紡織架構，後者優化於雲環境，以便能夠接受複雜的供應鏈數據。這些新的架構將促進新模型的開發，這些模型可以在邊緣、企業雲或整個擴展供應鏈中有效運行。
目前，供應鏈技術供應商支持25個基於AI的供應鏈用例。大多數這些用例基於更加孤立的數據管理方法。
然而，Aera Technology已經在數據紡織架構之上構建了解決方案——他們稱之為技能組合，允許解決方案提供商接受更廣泛的業務用例。Aera將其解決方案稱為技能組合，因為這是一種自動化決策的工具組方法。
Laluyaux表示，Aera已經在其平台上投入了數億美元。在第一季度，Aera將1.3萬億行數據加載到平台中。「今年到目前為止，我們已經數字化了超過2500萬個建議。」他在非公開的情況下分享了一些客戶的名字，包括一些全球最大的公司。
Aera開發了一種稱為「數據質量技能」的東西。該系統告訴用戶支持廣泛自動化決策所需的數據元素的完整性、準確性和一致性。
自動化決策的步驟
自動化決策有幾個步驟。「如果你想數字化決策，你需要100%的信息在一個標準化的數據模型中可用。我們構建了一種技術，允許我們爬取交易系統。因此，我們在SAP環境中部署一個代理。該代理選擇性地將數據推送到Aera數據模型中。」不是所有的交易數據，只是計算度量或做出決策所需的數據。這些代理有助於確保規劃中的核心參數，如交貨時間，是準確和最新的。
這些數據不會永遠存在。某個時候，它已經被用於其預期目的，並消失了。同樣，數據需要以不同的速度刷新。對於可承諾的能力，他們的一個客戶讓代理每15分鐘刷新一次所需數據。Aera的用例主要依賴於企業主數據，而不是邊緣數據。
其次，「如果你想數字化決策，」Laluyaux解釋道，「你需要有決策邏輯。」該邏輯可以簡單到如啟發式——如果A發生，則執行B。或者它可以涉及機器邏輯或優化。
第三，決策被推回到相關應用程序，無論是運輸管理系統還是規劃解決方案。該系統「構建了一個針對給定主題的所有決策的永久記憶，」Aera的CEO解釋道。「這使得系統可以學習。」
「如果我給你一個完全記錄的建議，深入到邏輯的最低層次，並捕捉你對該決策的反應，」Laluyaux說，然後你就有了在此基礎上構建自動化決策的基礎。
Laluyaux承認，不是所有的決策都可以自動化。情境決策通常不能。但一家公司有成千上萬的人在做重複性的工作，這是低懸的果實。簡而言之，Aera通過構建相應數量的模型來構建「技能」。這些模型可以是大的或小的，簡單或複雜的。然後，當關鍵數據發生變化時，解決方案會進行快速計算，以開發更好的問題解決方案。
該平台有閾值，例如，「如果訂單的美元價值變化很小，那麼就無需重新計算預測。但如果下一個月的需求變化了10%，那麼預測應該重新計算。」用戶設置這些閾值。
簡而言之，Aera的供應鏈管理方法基於數據紡織架構平台。「我們的一些客戶說我們應該單獨出售這個。我拒絕了，」Laluyaux堅持道。「我們對我們技術的願景可能需要一段時間來實現。」但如果數據紡織架構核心與決策引擎分離，則無法實現這一願景。
編輯評論：
這篇文章深入探討了數據紡織架構在現代AI應用中的重要性。Masson和Laluyaux的觀點強調了數據的複雜性和碎片化對企業決策的挑戰。尤其在供應鏈管理領域，數據的準確性和即時性對於提高效率和應對突發情況至關重要。
對於香港的企業來說，這些見解同樣具有重要的參考價值。香港作為國際貿易和金融中心，企業在數據管理和AI應用方面也面臨著類似的挑戰。數據紡織架構能否在本地企業中有效推廣，將成為提升競爭力的重要因素。
此外，Aera Technology的實踐展示了如何通過數據質量和決策邏輯來實現自動化決策，這對於希望提升運營效率的企業具有很大的啟發意義。然而，如何平衡數據集中管理與數據隱私和安全之間的矛盾，仍需企業在實施過程中謹慎考量。
總結來說，數據紡織架構不僅僅是一種技術解決方案，更是一種戰略思維的轉變。企業需要在數據管理、AI應用和業務流程之間找到最佳的結合點，才能在競爭激烈的市場中立於不敗之地。
以上文章由特價GPT API KEY所翻譯
