Le organizzazioni hanno sempre cercato di ottenere una visione completa di tutti i loro vasti bacini di dati, ma la crescita della quantità e della varietà di tali dati ha sempre frustrato i loro tentativi. Il desiderio di una prospettiva unificata ha acquisito una nuova importanza con l'ascesa dell'intelligenza artificiale generativa, che si nutre di dati.
Nel nostro recente webinar, Collaborative Data and AI Engineering Using AI-Assisted Data Fabric, ho avuto il piacere di discutere questo argomento con Mike Ferguson, CEO di Intelligent Business Strategies e uno dei maggiori esperti di architettura dei dati moderna.
Un approccio che si sta affermando è il data fabric assistito dall'intelligenza artificiale, che utilizza l'intelligenza artificiale per aiutare i team a semplificare l'integrazione, ad abbattere i silos e a creare più rapidamente prodotti di dati riutilizzabili. Pur non essendo una soluzione unica, offre modi pratici per ridurre i colli di bottiglia e dare ai team di ingegneri la flessibilità necessaria per supportare le richieste aziendali in rapida evoluzione.
Ecco quattro punti chiave della nostra conversazione con Mike Ferguson su come i team di ingegneri possono lavorare in modo più intelligente e fornire valore più velocemente.
1. Iniziare dal "perché": ancorare il tessuto di dati ai risultati di business.
Mike ha sottolineato che, ancor più di altri modelli di architettura tecnologica, il data fabric non è solo un insieme di funzionalità tecniche, ma si concentra specificamente sull'obiettivo di accelerare il time-to-value delle iniziative relative ai dati e all'intelligenza artificiale, i cui criteri di successo sono determinati dall'azienda e dagli utenti finali. Prima di lanciarsi in strumenti o diagrammi di architettura, quindi, è fondamentale allinearsi con gli stakeholder aziendali sui risultati specifici che si stanno cercando di ottenere:
- Volete accelerare le analisi per prendere decisioni più intelligenti?
- Avete bisogno di automatizzare i flussi di dati manuali per ottenere efficienza operativa?
- Oppure l'obiettivo è quello di abilitare i modelli di AI/ML con dati più puliti e in tempo reale?
Strategia: Creare una mappa del valore che colleghi le funzionalità del data fabric a specifiche priorità aziendali. Questo vi aiuterà a ottenere il consenso e a far sì che il progetto si basi sull'impatto.
2. Privilegiare il self-service e la collaborazione tra i team.
Un collo di bottiglia comune nelle iniziative sui dati è il passaggio di consegne tra ingegneri dei dati, scienziati dei dati e utenti aziendali. Il Data Fabric può abbattere questi silos fornendo interfacce low-code/no-code, automazione guidata dai metadati e accesso governato a dati affidabili.
Mike l'ha definita la "democratizzazione dell'ingegneria dei dati": un passaggio dal controllo centralizzato a operazioni collaborative sui dati a cui possono partecipare più ruoli. Questo cambiamento di mentalità è fondamentale per evitare la modalità di fallimento dei modelli architettonici perfetti che tuttavia non riescono a raggiungere il successo e l'adozione nel mondo reale.
Strategia: Investire in piattaforme che supportino sia l'estensibilità tecnica (per gli ingegneri) sia la facilità d'uso (per gli analisti e i citizen integrator). In SnapLogic, abbiamo visto che i clienti hanno successo quando permettono a più persone di costruire e gestire i propri flussi di dati, senza sacrificare la governance.
3. Automatizzare il lavoro pesante con il data fabric assistito dall'AI
L'integrazione manuale e la preparazione dei dati sono troppo lente per i ritmi di lavoro odierni. È qui che entrano in gioco l'AI e l'automazione. Mike ha evidenziato come il data fabric assistito dall'AI possa:
- Raccomandare pipeline di dati basate su modelli.
- Rilevare e correggere automaticamente gli errori di schema.
- Orchestrare flussi di lavoro complessi in ambienti ibridi e cloud .
Strategia: Sfruttare le piattaforme che introducono suggerimenti e automazione basati sull'intelligenza artificiale nei flussi di lavoro di integrazione. Le funzionalità AI di SnapLogic, ad esempio, aiutano i team ad accelerare lo sviluppo e a ridurre gli errori, liberando gli ingegneri per attività di maggior valore.
4. Progettazione scalabile e a prova di futuro
Infine, un data fabric non è un progetto unico, ma un'architettura in evoluzione. Mike ha esortato le aziende a progettare tenendo conto della modularità e della componibilità, in modo da potersi adattare a nuove fonti di dati, applicazioni e carichi di lavoro AI man mano che emergono e, inevitabilmente, a nuovi requisiti aziendali.
Strategia: Scegliere una piattaforma di integrazione in grado di collegare facilmente tutti i sistemi e i dati, siano essi on-premise, nel cloud o entrambi. In questo modo è semplice aggiungere nuovi strumenti e scalare con la crescita dell'azienda.
Costruire la vostra strategia di data fabric
Per prosperare nell'era dell'intelligenza artificiale, le aziende devono superare strumenti isolati e architetture frammentate. Tuttavia, il rapido ritmo di cambiamento delle capacità tecnologiche e delle circostanze aziendali significa che non c'è tempo per progetti massicci di migrazione e riarchitettura delle piattaforme. Gli architetti aziendali hanno bisogno di un moderno tessuto di dati che colleghi tutti i sistemi con cui hanno a che fare oggi e quelli che potrebbero aggiungersi domani, indipendentemente dal luogo in cui tali sistemi vengono eseguiti: in sede, nel cloud e ai margini. Deve consentire ai team di collaborare senza caos, di utilizzare l'intelligenza artificiale per automatizzare e accelerare le consegne e di adattarsi con la stessa rapidità richiesta dall'azienda.
Noi di SnapLogic siamo orgogliosi di fornire la piattaforma unificata che rende questa visione una realtà.
È possibile guardare il webinar completo su richiesta per ascoltare le intuizioni di Mike Ferguson in prima persona, oppure scaricare il white paper AI-Assisted Data Fabric per approfondire l'architettura e le strategie alla base delle implementazioni di successo.
