La grande convergence: pourquoi le passé et l’avenir de vos données sont en collision
- Intelligence Artificielle
Noesis News- 0
- 10 minutes de lecture
Pendant des décennies, une fracture fondamentale a façonné la stratégie de données d’entreprise: la séparation absolue entre les systèmes opérationnels et analytiques. D’un côté, se tenait le moteur numérique de l’entreprise: les systèmes de traitement des transactions en ligne (OLTP) qui gèrent l’inventaire en temps réel. De l’autre, les plateformes stratégiques du cerveau: les plateformes de traitement analytique en ligne (OLAP) qui passent les données historiques pour soutenir la planification et la stratégie. Cette fracture, traditionnellement pontée par l’extrait par lots, la transformation, la charge (ETL), a obligé les dirigeants à prendre des décisions basées sur les idées d’hier.
La disponibilité de l’IA qui peut fournir des informations stratégiques en temps réel démarre ce mur. Les organisations avant-gardistes construisent des plateformes unifiées qui combinent des capacités opérationnelles et analytiques. Cette convergence permet une analyse en temps réel des flux de données en direct, permettant aux entreprises de remplacer les rapports réactifs par une prise de décision proactive qui offre une valeur commerciale immédiate.
De réactif à proactif: valeur en temps réel en action
La convergence des données opérationnelles et analytiques transforme la prise de décision commerciale de la pensée réactive à la pensée sur le moment. Au lieu de demander «ce qui s’est passé», les organisations peuvent se concentrer sur «ce qui se passe maintenant? » Et « Que puis-je influencer ensuite? »
Par exemple:
- La face nord Analysé les données de recherche en temps réel pour découvrir que les clients recherchaient une «parka MIDI», un terme absent de leurs descriptions de produits. En renommant rapidement un produit pour correspondre à cette tendance, ils ont vu une augmentation du trois fois des conversions du jour au lendemain.
- En logistique, Géotab Analyse des milliards de points de données quotidiens à partir de 4,6 millions de véhicules connectés pour l’optimisation de la flotte en temps réel et la sécurité des conducteurs.
- Dans les services financiers, Transparent.ai Construit une plate-forme de détection de fraude qui atteint une précision de 90% en analysant les transactions au fur et à mesure qu’ils se produisent, pas après coup.
La technologie faisant de la convergence une réalité
Le passage des données à talons et à la traîne à l’intelligence réel et exploitable est rendue possible par une nouvelle génération de technologies natives dans le cloud. Ensemble, ils créent un puissant volant de données: Une boucle continue où les données opérationnelles en direct sont analysées pour les informations, qui sont ensuite repoussées dans les systèmes commerciaux pour guider l’action et améliorer les opérations. Ce cycle d’auto-renforcement est construit sur quatre technologies clés:
Fédération de données: Fédération permet à une plate-forme analytique de remettre en question les données directement à partir de bases de données opérationnelles, sans les déplacer ou les copier. Cette approche zéro copie permet aux analystes de combiner des données transactionnelles en temps réel avec des données historiques pour obtenir une vue complète et à jour d’une opération commerciale.
Streaming de données en temps réel: Des technologies telles que la capture des données de changement (CDC) peuvent diffuser des mises à jour des systèmes opérationnels aux plates-formes analytiques au fur et à mesure qu’elles se produisent, sans avoir un impact sur les performances. Cela garantit que les outils analytiques travaillent toujours avec les données les plus nouvelles disponibles.
Couche de stockage unifiée: Un Lakehouse de Data moderne stocke les informations en formats ouverts accessibles aux moteurs analytiques et aux bases de données transactionnelles. Cela élimine la duplication des données et permet à un seul ensemble de données de prendre en charge tout, des analyses avancées et des tableaux de bord BI à la prise de décision opérationnelle.
Inverse ETL: Reverse ETL envoie des informations, telles que les scores des clients ou les recommandations de produits, dans les systèmes commerciaux comme le CRMS et les plateformes de marketing. Cela met les analyses directement entre les mains des équipes de première ligne pour conduire l’action en temps réel.
Le catalyseur ultime: donner une mémoire à Ai
Les systèmes de données opérationnels et analytiques convergés jettent les bases de l’intelligence en temps réel, mais la prochaine vague d’impact commercial proviendra d’agents autonomes qui peuvent prendre et agir sur les décisions – et pas seulement les soutenir. Cependant, les modèles de grandes langues d’aujourd’hui ont une limitation fondamentale: ils manquent de contexte commercial et sont simplement oublieux. Sans cerveau externe, chaque interaction part à partir d’une ardoise vierge.
C’est là que la connexion des agents aux données sur les plates-formes analytiques et opérationnelles devient critique. Pour construire des agents vraiment utiles, nous devons leur donner deux types de mémoire:
1. Mémoire sémantique: Il s’agit de la bibliothèque contextuelle profonde de l’agent de connaissances sur votre entreprise, vos produits et votre industrie. Pour améliorer la précision de l’IA et réduire les hallucinations, les plates-formes de données modernes soutiennent désormais la génération (RAG) (RAG) de la récupération, une technique qui permet aux modèles d’IA des réponses au sol dans les données commerciales réelles, pas seulement leurs modèles de formation génériques. Cette capacité repose sur des incorporations vectorielles et une recherche de vecteur, qui trouve le contenu pertinent en comparant la signification des requêtes et des données, plutôt que par des mots clés exacts. En utilisant cette approche, les systèmes d’IA peuvent récupérer les bonnes informations des plates-formes de données d’entreprise, des ensembles de données multimodaux (par exemple, des documents), des bases de connaissances ou même des données opérationnelles en direct.
2. Mémoire transactionnelle: Pour la personnalisation et la fiabilité, les agents doivent se souvenir des interactions spécifiques et maintenir l’état. Cela inclut les deux mémoire épisodique (un journal des conversations et des préférences des utilisateurs, afin que l’agent puisse poursuivre des conversations qui se sentent continues, pas comme une réinitialisation à chaque fois) et gestion de l’État (Suivi des progrès à travers des tâches complexes). S’il est interrompu, un agent utilise cette mémoire avec état pour reprendre là où elle s’était arrêtée.
La prise en charge de cette architecture de mémoire nécessite une nouvelle génération d’infrastructures de données: les systèmes qui gèrent à la fois des données structurées et non structurées, offrent une forte cohérence et persistent de manière fiable. Sans cette fondation, les agents de l’IA resteront intelligents mais oublieux, incapables de raisonner ou de s’adapter de manière significative.
Le nouveau livre de jeu du CIO: Architecting The Intelligent Enterprise
Pour les DSI, cette convergence signifie un passage fondamental de la gestion des systèmes cloisonnés à l’architecture d’une plate-forme d’entreprise unifiée où un volant de données de données en temps réel peut tourner. Cela nécessite de construire une fondation de données résilientes qui peut offrir une valeur commerciale immédiate aujourd’hui tout en soutenant la mémoire sémantique et transactionnelle dont les agents d’IA autonomes de demain ont besoin. En résolvant le «problème de mémoire» inhérent à l’IA, cette approche ouvre la voie à des systèmes vraiment intelligents qui peuvent raisonner, planifier et agir avec un contexte commercial complet, stimulant une innovation sans précédent.
Chez Google Cloud, nous avons vu ces modèles émerger dans toutes les industries, du commerce de détail au voyage à la finance. Notre plate-forme est conçue pour prendre en charge ce changement: ouvert par conception mais également unifié et conçu pour l’échelle. Il est conçu pour converger les données opérationnelles et analytiques afin que les organisations puissent passer de la perspicacité à l’action, sans délai.
En savoir plus par en lisant Le guide des meilleures pratiques des leaders de données pour les données et l’IA.
