Maand: mei 2021

Als we kijken naar de concurrentievoordelen die kunnen worden behaald door inzichten uit real-time data-analyse het sneller begrijpen en erop te reageren. 

Dan onthult zich een datalandschap waarin digitale transformatie, de proliferatie van edge-apparaten en de verschuiving naar mobiel werken in een wereldwijde pandemie.

De explosie van data verder versneld die data die organisaties soms niet hebben, niet alleen hoeven te managen, maar zouden moeten exploiteren voor operationeel en commercieel gewin. In feite zou er op korte termijn meer moeten worden geïnvesteerd in realtime data-analyseoplossingen.

Daarbij vormt de data cultuur een belemmering voor het verminderen van de tijd om waarde uit hun gegevens te halen omdat men kampt met een gebrek aan mensen en vaardigheden. Het succesvol afstemmen van technologieën, processen, vaardigheden en cultuur om een ​​bedrijfsmodel van continue intelligentie te implementeren doormiddel van realtime analyses duidelijk een belangrijk aandachtspunt.

“Daarbij bevestigen bevindingen wat data ons lijkt vertellen, het halen van meer waarde uit data, zou zo dicht mogelijk bij het punt van het vastlegging van die data moeten zijn en is een cruciale zakelijke vereiste aan het worden” 

“De waarde van de meeste gegevens neemt af op het moment dat ze worden gecreëerd, hierdoor is het ontsluiten en operationeel maken van die cruciale inzichten op het moment waarop prioriteiten en investeringen worden gericht.”

In 2020 zagen bijna alle bedrijven een toename in het volume en de verscheidenheid aan gegevens die hun organisatie binnenkwamen in een groot aantal kernactiviteiten. De gegevens over webverkeer zijn het meest significant gestegen, terwijl gegevens via e-commercekanalen op een goede seconde volgen. Een nieuwe bron van data die een aanzienlijke toename kende is die van sensordata, terwijl volumes klant data, operationele prestatiegegevens en financiële data ook aanzienlijke stijging laten zien.

Daardoor lijkt belangrijker te worden om toegang te hebben tot realtime gegevens om slimmere beslissingen te kunnen nemen, het van cruciaal belang om naast volume ook rekening te houden met snelheid. Bovendien, blijkt dat bedrijven realtime gegevens als het meest waardevol beschouwen. Al waarderen ze ook de combinatie van historische en realtime gegevens bij het nemen van zakelijke beslissingen.

Organisaties die al over de tools beschikken om realtime inzichten vast te leggen, lijken daarbij een concurrentievoordeel hebben. Degenen die voorop lopen als het gaat om realtime analyses, gebruiken gegevens al in grote mate om zakelijke beslissingen te nemen. En erkennen ook dat het erg belangrijk is om toegang te hebben tot realtime gegevens om slimmere zakelijke beslissingen te nemen.

Hoe sneller ze gegevens kunnen gebruiken, hoe meer winst er te behalen is. Terwijl de huidige tools slechts enigszins zijn voorbereid op de transitie, is het essentieel om in de juiste technologieën en mensen te investeren.

Realtime dataleiders gebruiken gegevens al in grote mate als het gaat om zakelijke beslissingen, en zullen zich eerder goed voorbereid voelen met hun huidige tools en middelen om te profiteren van real- tijdgegevens om het gevoel te hebben om de concurrentiedruk het hoofd te bieden.

Een aanzienlijke kans voor data gestuurde besluitvorming op grotere schaal, aangezien het potentieel hiervan het realiseren van betere bedrijfsresultaten en concurrentievoordeel.

Om zo een ​​cultuur en capaciteit op te bouwen rond realtime data-analyse en continue intelligentie.

Een hele golf nieuwe apps die uw gegevens kunnen opslaan. Aangezien er gemakkelijk inkomsten kunnen worden gegenereerd met gegevens, zijn deze apps meestal ‘gratis’ voor gebruikers – immers bedrijven betalen graag voor informatie. De nieuwe apps willen hiervoor een ​​echt alternatief bieden en ondersteunen de standaarden die we gebruiken om gegevens uit te wisselen, dit geeft de gebruiker, de mogelijkheid om te beslissen wie u toegang geeft, waartoe en voor hoelang.

Wat doen de apps en waarom

De Apps doen in principe drie dingen:

* ze ontvangen gegevens en slaan deze veilig op

* laat u de keuze deze gegevens bekijken, om ervan te leren, om uw activiteiten te volgen en conditie te verbeteren

* staat u toe om, 100% op uw voorwaarden, te delen, vrienden of zelfs overheid, bedrijven, instellingen en onderzoeksorganisaties.

Niemand kiest ervoor om gegevens te delen zonder dat hij of zij dit weet, dus niemand mag worden gediscrimineerd op basis van hun gegevens. Het streven zou moeten zijn dat iedereen weer controle te geven over zijn gegevens, in plaats van dat deze worden uitgebuit voor economisch gewin.

Persoonlijke gegevens worden nu vaak uitgebuit en gebruikt om mensen te discrimineren, waardoor hun vermogen om een ​​baan te vinden, verzekeringsdekking en economische stabiliteit worden verwoest. Overheden, fabrikanten van apparaten en softwarebedrijven delen uw gezondheidsgegevens uit zodat bedrijven deze kunnen exploiteren.

Veel apps hebben een verdienmodel dat is gebaseerd op het verkopen van de data aan verzekerings- en farmaceutische bedrijven en gebruikers worden niet expliciet bewust gemaakt van de gevolgen van het gebruik van deze apps.

Een betere wereld zou er een zijn waarin gebruikers bepalen waar hun gegevens zijn en wie er zelf toegang toe heeft, in plaats van deze zonder hun medeweten te laten verkopen.

Gebruikers kunnen hun data gebruiken om inzicht te krijgen in hun eigen leven. En een verscheidenheid aan gegevens opnemen en volgen, en zelfs  bekijken. Op deze manier kan er worden gewerkt aan verbeteringen, vooral op gebieden die niet goed in beeld zijn zonder deze data.

Bedrijven, instellingen en overheden, verzamelen miljarden datapunten en genereren talloze beelden, maar dat omvat niet altijd alles wat belangrijk is voor uw als klant patiënt of burger. Fysieke activiteit, voedingsgegevens, mentale en emotionele gegevens zijn gegevens die de mogelijkheid gegevens om deze te verkennen en ervan te leren.

Op het meest basale niveau weet iedereen dat ze meer moeten bewegen, gezonder moeten eten, een goede nachtrust moeten krijgen en minder alcohol moeten consumeren. Mensen veranderen echter zelden alleen omdat ze weten dat ze dat moeten doen of als ze dat moeten doen. In plaats daarvan, wanneer mensen zelf het verband tussen fysieke activiteit, voeding en welzijn ervaren, zullen ze waarschijnlijk positieve gedragsveranderingen behouden. En met dit aanhoudende en gezondere gedrag heeft het menselijk lichaam een ​​ongelooflijk potentieel voor zelfgenezing.

Informatie in de vorm van data stelt mensen in staat om systematisch activiteit, slaap, gewicht, voeding, supplementen, vitale functies en gegevens over de mentale en emotionele toestanden te beheren. Visualisatietools stellen mensen in staat de relaties tussen de gegevens te begrijpen en hen aan te moedigen gezondere keuzes te maken.

Delen is de sleutel voor gegevens en ook u wilt misschien ook gegevens met anderen delen, op een veilige en zeer gecontroleerde manier. Beheren voor u eigen voordeel, of de samenleving als geheel! Gegevens veilig te delen, of het nu gaat om je vertrouwde vrienden en familie of als een anonieme deelnemer aan onderzoek. Dit stelt u in staat u eigen gegevens te gebruiken om uzelf of de samenleving in het algemeen ten goede te komen.

Door een geanonimiseerde versie van gegevens te delen met de onderzoeksgemeenschap, versnellen we innovatie. Bovendien de wetenschap dat we niet de enige zijn, maar een deel uitmaken van een grotere geheel wekt vertrouwen. Door een geanonimiseerde versie van gegevens te delen, kan er sneller vooruitgang worden geboekt.

Data heeft veel waarde, maar alleen als deze is opgeschoond om zo de informatie die ze bevat vrij te geven. Daarbij moeten we denken aan actiegerichte data en kunstmatige intelligentie (AI).

Edge-oplossingen werken dicht bij de plek waar de data wordt gegenereerd, met de mogelijkheid van lokale verwerking en analyse voordat het eventueel verder wordt verwerkt. Als zodanig profiteren we van een lagere latentie, snellere reacties bij veranderende condities en kunnen de kosten van verwerking en analyse worden verlaagd.

Een van de meest kritische functies van het genereren van data is het meta register, waarmee het platform kan begrijpen welke gegevens er worden verzameld. Het meta register verwijst naar een schema met daarin de gegevensbronnen en de gegevensuitwisseling die er plaatsvinden.

Het dataplatform moet data uit talloze databronnen, leveren aan applicaties  waarvoor we tot niet zolang terug datameren werden gebruikt.

Echter door het ontkoppelen van datastromen naar gedistribueerde fout toleranten stromen, zorgt ongelooflijk hoge prestaties, is extreem compact en kan eenvoudig worden geschaald door de toevoeging van hardware.

Gegevensverwerking kan batch- en stream verwerking omvatten. Batch verwerking verwerkt grote hoeveelheid transacties in één run, met meerdere bewerkingen bij zware gegevensbelastingen.

Stream processing houdt zich bezig met transformatie waarbij extreem snelle afhandeling vereist is, met minder data.

Hogere verwerkingssnelheden en configureerbare, automatische, op regels gebaseerde acties en een lagere latentie tussen een gebeurtenis en de daaropvolgende actie, waardoor er waarde wordt toegevoegd.

Gegevensverrijking is van onschatbare waarde. Het voegt gegevens van derden uit een externe bron samen met de bestaande database.

Een voorspellende analyse creëert vervolgens een datagestuurd model om de waarschijnlijkheid te berekenen, waarmee kan worden geanticipeerd.

Door te analyseren en patronen te leren om voorspellingen te doen een dataplatform dat dienovereenkomstig schaalt en dat de meest veelbelovende technieken zijn om verborgen inzichten en waarde uit data te halen.

‘Detectie’ van anomalieën om defecten te identificeren, behoeften te voorspellen en mogelijke problemen op te sporen. ‘Waarschijnlijkheid’ functies testen hoe veranderingen in specifieke variabelen de uitkomsten zullen beïnvloeden en ‘Optimalisatie’ kan vervolgens worden bereikt door de waarschijnlijkheid van verschillende uitkomsten te berekenen en de parameters dienovereenkomstig aan te passen.

Naarmate kunstmatige systemen (AI) steeds complexer worden, worden ze gebruikt om voorspellingen te doen of liever voorspellende modelresultaten te genereren in steeds meer gebieden van ons leven.

Tegelijkertijd neemt de bezorgdheid toe over de betrouwbaarheid, temidden van toenemende foutmarges in uitgebreide AI-voorspellingen.

Menselijke intuïtie verslaat AI nog steeds zonder twijfel bij het maken van oordelen in een crisis. Mensen en vooral degenen die in hun ervarings- en expertisegebieden werken zijn gewoon betrouwbaarder.

Het ontwikkelen van het vermogen om fouten op te sporen, te beheersen, te herstellen, en improvisatieprobleemoplossing te oefenen lijken de weg vooruit.

Daarbij letten we constant op afwijkingen en behandelen die als symptomen van een mogelijke storingen in het systeem. Afwijkingen worden, in plaats van terzijde te worden geschoven, vervolgens onderzocht op mogelijke verklaringen.

Mensen brengen daarbij veel hogere niveaus van ‘situationeel bewustzijn’ met zich mee daarbij kunnen ze ook nog andere expertise inzetten.

Deze principes zijn handig bij het nadenken over hoe je een volledig autonoom en betrouwbaar AI-systeem kunt bouwen, of hoe je manieren kunt bedenken waarin mensen en AI-systemen kunnen samenwerken.

AI-systemen kunnen ook een hoog situationeel bewustzijn verwerven, dankzij hun vermogen om gegevens uit meerdere bronnen te integreren en de risico’s voortdurend opnieuw te beoordelen.

De huidige AI-systemen hebben dan wel een situationeel bewustzijn, maar anomaliedetectie voor het vermogen om afwijkingen te verklaren en oplossingen te improviseren lijkt daarbij te ontbreken.

Er is nog veel nodig voordat een AI-systeem op betrouwbare wijze bijna ongevallen kan identificeren en verklaren. Inmiddels kunnen systemen veel voorkomende storingen diagnosticeren, maar hoe diagnosticeren we onbekende storingen?

Wat zou het betekenen voor een AI-systeem om improviserende problemen op te lossen die op de een of andere manier de ruimte van mogelijkheden kunnen uitbreiden buiten het oorspronkelijke probleem waarvoor het systeem was ingericht? oplossen?

Waar AI-systemen en mensen samenwerken, is een gedeeld mentaal model nodig. AI mag zijn menselijke tegenhangers bijvoorbeeld niet bombarderen met irrelevante informatie, aangezien mensen zich bewust moeten zijn van de details, mogelijkheden en faalwijzen van het AI-systeem.

Een andere vorm van anomalie is een storing in het samenwerken tussen de mens en de AI of tussen verschillende mensen aan de menselijke kant van de organisatie. Bovendien mogen menselijke fouten niet buiten beschouwing worden gelaten.

AI-systemen moeten daarom ook het gedrag van mensen begrijpen en kunnen voorspellen. Een manier om machines te trainen om anomalieën te verklaren of om met spontaniteit om te gaan.

Een AI-systeem moet een model hebben van zijn eigen beperkingen en mogelijkheden en deze kunnen communiceren.

Een daarvan is een competentiemodel dat kwantielregressies kan berekenen om AI-gedrag te voorspellen, met behulp van de “conforme voorspelling” een methode om aanvullende correcties aan te brengen. Deze benadering vereist echter veel gegevens en blijft vatbaar voor verkeerde interpretaties.

De andere manier is om autonome systemen te laten omgaan met hun “onbekende onbekenden” via open detectie. Een zelfrijdende auto die op Europese wegen is gemodelleerd, zou bijvoorbeeld in Groot Brittannië aan de verkeerde kant van de weg kunnen rijden. Een afwijkingsdetector die niet gelabelde gegevens gebruikt, kan het AI-systeem helpen effectiever op veranderingen te reageren.