Anwendungsfälle und Anwendungen für Datengitter in den Bereichen IoT, künstliche Intelligenz und maschinelles Lernen

Ein Grid verteilt Daten dezentral über physische und virtuelle Netzwerke. Im Gegensatz zu herkömmlichen Datenintegrationstools, die eine stark zentralisierte Infrastruktur erfordern, können Datengrids in lokalen, Multi-Cloud- und Single-Cloud-Edge-Umgebungen eingesetzt werden.

In diesem Artikel diskutieren wir die praktischen Anwendungen von Gittern in verschiedenen Umgebungen.

Data Grid: Lösung einiger häufiger Probleme

Laut MIT-Umfrageergebnissen konnten nur 13 % der befragten Organisationen ihre Datenstrategie erfolgreich umsetzen. Datengrids lösen viele der dafür verantwortlichen Ursachen.

Die Verwendung eines Datengrids kann mehrere Probleme lösen, die in kleineren Datenpipelines auftreten. Wenn diese Probleme nicht angegangen werden, können sie mit der Zeit schnell problematisch und fragil werden, da ein unzusammenhängendes Peer-to-Peer-System mit der Zeit sein eigenes Netzwerk aufbaut.

Gleichzeitig lösen Datengrids auch größere Probleme in der Organisation, wie zum Beispiel Kerngeschäftsfakten, die in verschiedenen Teilen des Unternehmens unterschiedlich sein können.

Durch die Implementierung eines Datenrasters ist es weniger wahrscheinlich, dass das System über eine Kopie der Fakten verfügt.

Die Verwendung eines Datenrasters bringt nicht nur Ordnung in das System, sondern bietet Ihnen auch eine bessere Verwaltbarkeit sowie eine ausgereifte und weiterentwickelte Datenarchitektur.

Während wir den Aufstieg cloudbasierter Anwendungen beobachten, verändert sich die Anwendungsarchitektur und geht von der traditionellen zentralisierten IT zu verteilten Servicenetzen oder Mikrodiensten über. Eine Echtzeit-Datenplattform namens K2view ist einen Schritt voraus und hat den Einsatz von Micro-DB erfolgreich in ihrer Fabric- und Grid-Architektur implementiert. Jede Mikrodatenbank speichert nur Daten für einen bestimmten Geschäftspartner (Kunden), während ihre Grid-Plattform Millionen solcher Mikrodatenbanken speichert.

Datenraster: Anwendungsfälle

Datenraster können mehrere analytische und betriebliche Anwendungsfälle über mehrere Domänen hinweg unterstützen. Einige Beispiele sind: -

1, Kundenlebenszyklus

Es bietet 360-Grad-Unterstützung für die Kundenbetreuung und verkürzt die durchschnittliche Kundenbearbeitungszeit erheblich. Es verbessert auch die Kundenzufriedenheit und verbessert die Lösungsraten beim ersten Kontakt.

Marketingabteilungen können auch eine einzige Sicht auf den Kunden bereitstellen, um Entscheidungen über das nächstbeste Angebot oder eine prädiktive Abwanderungsmodellierung zu treffen.

2. Versorgungsunternehmen im Internet der Dinge (IoT)

Durch IoT-Geräteüberwachung können Produktteams Einblicke in Nutzungsmuster von Edge-Geräten gewinnen. Sie können diese Musterinformationen nutzen, um ihre Rentabilität und Produktakzeptanz zu iterieren und zu verbessern.

Durch die Einführung von Mesh-Netzwerken für IoT-Geräte können Unternehmen von mehreren Vorteilen profitieren, die sie zu einer beliebten Technologie bei der Auswahl eines Netzwerks machen.

Unternehmen können alle ihre IoT-, Unternehmens-, Streaming- und Drittanbieterdaten zu sehr geringen Kosten zusammen in einem S3-Datensee speichern.

3. Heilungsalgorithmus

Wie bereits erwähnt, sendet der Selbstheilungsalgorithmus automatisch Daten, auch wenn einige Knoten die Verbindung zum besten Weg verlieren.

Dieser Algorithmus ermöglicht es dem System, nur verfügbare und funktionierende Verbindungen zu verwenden. Selbst wenn einige Geräte nicht mehr funktionieren, ist das Netzwerk daher immer noch in der Lage, die Informationen zu senden und zu empfangen, die zur Aufrechterhaltung oder Erledigung einer bestimmten Aufgabe erforderlich sind.

4. Verteilte und effektivere Sicherheit

Wenn es um Sicherheit geht, sind Unternehmen jetzt gut vorbereitet und aktualisieren ihre Protokolle ständig. Den KMU mangelt es jedoch an der nötigen Beratung. Laut der Cyberkriminalitätsforschung von Accenture zielen 43 % der Angriffe auf kleinere Unternehmen ab und nur 14 % der Angriffe sind selbstverhinderbar.

Mit modernen Datenmanagementlösungen wie Mesh haben KMUs die Möglichkeit, mitzuhalten.

Sicherheit ist von entscheidender Bedeutung, wenn Daten stark fragmentiert und verteilt sind.

Solche Systeme sollten Autorisierungs- und Authentifizierungsaktivitäten an verschiedene Benutzer delegieren und ihnen bei Bedarf unterschiedliche Zugriffsebenen gewähren.

Die folgenden kritischen Sicherheitsfunktionen für Datengrids wurden im Market Premier Report 2022 identifiziert:

• Verschiedene Formen des Datenschutzmanagements
#🎜 🎜 #Datenverschlüsselung, im Ruhezustand oder in Bewegung
• Datenmaskierung zur effektiven Verwaltung der PII-Verschleierung
• CCPA- und DSGVO-Konformität und andere Vorschriften
• Abdeckung des Identitätsmanagements alle IAM/LDAP-Dienste

5. Selbstkonfiguration

IoT-Geräte können sich jetzt dank der automatischen Erkennung von Mesh-Netzwerken selbst konfigurieren. Es kalibriert automatisch neue Knoten und verbindet sie ohne vorherige Einrichtung mit dem erforderlichen Netzwerk.

Mit dieser Funktion kann das Netzwerk einfach erweitert und verwaltet werden.

6, Marketing und Vertrieb

Marketing- und Vertriebsteams können mithilfe verteilter Daten problemlos 360-Grad-Verbraucherprofile und Verhaltensansichten von verschiedenen Plattformen und Systemen kuratieren.

Dadurch können sie zielgerichtetere Kampagnen erstellen, einen CLV (Customer Lifetime Value) erzielen, die Lead-Scoring-Genauigkeit verbessern und mehrere andere wichtige Leistungsmetriken durchführen.

Marketingteams nutzen Hypersegmentierung, um Kampagnen über den richtigen Kanal zur richtigen Zeit an die richtigen Kunden zu liefern.

7, Künstliche Intelligenz und maschinelles Lernen

Geheimdienst- und Entwicklungsteams können problemlos Datenkataloge und virtuelle Lager aus mehreren Quellen erstellen, um KI- und maschinelle Lernmodelle bereitzustellen.

Dadurch erhalten sie mehr Einblicke, ohne alle Daten an einem bestimmten zentralen Ort sammeln zu müssen.

Teams können auch die föderierte Datenvorbereitung nutzen, sodass Domänen vertrauenswürdige Daten und Qualität für Datenanalyse-Workloads bereitstellen können.

8、Loss Prevention

Durch die Implementierung eines Datenrasters im Finanzsektor können Unternehmen schneller Erkenntnisse gewinnen und gleichzeitig betriebliche Risiken und Kosten reduzieren.

Mit dieser Funktion können internationale Finanzinstitute und Organisationen ihre Daten lokal analysieren. Dies kann in jeder Region und jedem Land durchgeführt werden und hilft dabei, etwaige Betrugsgefahren zu erkennen, ohne dass Kopien des Datensatzes erstellt werden müssen, die an eine zentrale Datenbank übertragen werden können.

Data Privacy Management ermöglicht es Unternehmen, ihre Kundendaten zu schützen, da sie sich entwickelnde regionale Daten- und Datenschutzgesetze wie das VCDPA einhalten müssen.

Mehrere praktische Implementierungen von Data Grid

Finanzdienstleistungsorganisation

In einem ihrer Blogs diskutierte Thoughtworks die Auswirkungen von Data Grid auf die Finanzen Datenprozesse von Institutionen.

Da solche Anwendungen große Mengen an Transaktionsdaten in Echtzeit verarbeiten, ist es wichtig, dass die Daten genau und zeitnah an das Analysesystem gestreamt werden.

In diesem Fall haben Führungskräfte die Flexibilität, Daten schnell zu manipulieren und Zugriff auf domänenorientierte Datenprodukte zu haben.

Dadurch können sie relevantere Fragen stellen und letztendlich zuverlässigere Antworten und wertvolle Erkenntnisse erhalten, um in kürzerer Zeit Maßnahmen zu ergreifen.

Darüber hinaus sind Domänenteams auch in der Lage, Analysedaten zu nutzen und diese direkt in das digitale Erlebnis des Benutzers zu integrieren.

AWS S3

Vor etwa 15 Jahren kam es zu einer großen Veränderung, als AWS seine Speicherschicht standardisiert und durch AWS S3-Objektspeicher ersetzte.

Aufgrund der Erschwinglichkeit und Allgegenwart von S3 und anderen Cloud-Speichern verlagern Unternehmen ihre Daten jetzt in Cloud-Objektspeicher. Dadurch können sie Datenseen aufbauen, die Daten letztendlich auf unterschiedliche Weise analysieren können. Zalando, Europas größter Online-Modehändler, erfuhr, dass es eine einfache Möglichkeit gibt, Zugang und Verfügbarkeit in großem Maßstab zu gewährleisten. Dies kann erreicht werden, indem mehr Verantwortung auf das Team übertragen wird, das diese Daten ursprünglich gesammelt hat und über die erforderlichen Domänenkenntnisse verfügt. Und auch dadurch, dass alle Metadateninformationen und die Datenverwaltung an einem zentralen Ort gespeichert werden.

Vertrauen Sie mir, es gibt nicht genug Platz, um alle Anwendungsfälle abzudecken. Dies ist ein Push-Markt und Unternehmen wollen das Beste daraus machen.

Was kommt als nächstes? Datenproduktdenken einführen

Es gibt mehrere innovative Praktiken für Datenprodukte, die unterschiedliche Konzepte wie Design Thinking, „Jobs to be done“-Theorie und Breakdown vereinen Organisationssilos, die funktionsübergreifende Innovationen behindern. Bis 2022 sollten Unternehmen die Chance nutzen und ihre Datenverwaltungsstrategien im Hinblick auf Web 3.0 weiterentwickeln.

Das obige ist der detaillierte Inhalt vonAnwendungsfälle und Anwendungen für Datengitter in den Bereichen IoT, künstliche Intelligenz und maschinelles Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!