बिजनेस इंटेलिजेंस (बीआई) में डेटा क्यों और कैसे मायने रखता है?

जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (एआई) और मशीन लर्निंग (एमएल) अकादमिक से व्यावसायिक दुनिया में जाने लगे हैं, इस बात पर काफी ध्यान दिया गया है कि वे बिजनेस इंटेलिजेंस (बीआई) की सहायता कैसे कर सकते हैं। उन प्रणालियों में बहुत संभावनाएं हैं जो प्रबंधन को कॉर्पोरेट जानकारी पर अधिक तेज़ी से शोध करने, विश्लेषण करने और व्यावसायिक योजनाएँ स्थापित करने में सहायता करने के लिए प्राकृतिक भाषा अनुसंधान का उपयोग करती हैं। पिछले कॉलम में "आत्मनिर्भर" बिजनेस इंटेलिजेंस (बीआई) की बात करते हुए संक्षेप में फोकस के दो क्षेत्रों का उल्लेख किया गया है जिसमें एमएल बीआई की मदद करेगा। हालांकि उपभोक्ता इंटरफ़ेस, उपयोगकर्ता अनुभव (यूएक्स), चीजें, इसकी दृश्यता बस इस हिमशैल का सिरा है। UX को दी गई जानकारी कहीं अधिक महत्वपूर्ण है।

जबकि यह बहुत महत्वपूर्ण है, यह विश्वास करने में सक्षम होना कि प्रदर्शित किया जा रहा डेटा और भी महत्वपूर्ण है। एआई और मशीन लर्निंग इस चुनौती से निपटने में मदद कर सकते हैं।

यह डेटा के साथ शुरू होता है

जबकि मेनफ्रेम अभी भी मौजूद हैं, सभी डेटा और सूचनाओं को नियंत्रित करने वाले उनके मेनफ्रेम की दोपहर लंबे समय से चली आ रही है। हालांकि 1990 के दशक में सूचना गोदामों में प्रयास देखे गए, डेटा एक तरल उत्पाद है जो गोदाम को "वास्तविकता का एकल संस्करण" बनाने के लिए कई जगहों पर मौजूद है जो कि एक आशा है। अब की सूचना झील केवल कार्यात्मक डेटा स्टोर ऑनलाइन स्टेरॉयड है। यह मदद करता है लेकिन यह एक ही चीज़ पर पिछले प्रयासों की तुलना में अब एक ही भंडार नहीं होगा।

डेटा कई प्रणालियों में मौजूद है और IoT और क्लाउड कंप्यूटिंग सिस्टम के विकास का मतलब है कि डेटा ऑन-प्रिमाइसेस कंप्यूटिंग के मूल से दूर तक फैला हुआ है। सभी सूचनाओं की निगरानी करने और यह निर्धारित करने के लिए कार्य करना कि डेटा क्या है एक तेजी से जटिल समस्या है।

नतीजतन, डेटा में आधुनिक विस्फोट के साथ उद्यम के तीन महत्वपूर्ण मुद्दे हैं:

• आपका डेटा कहां है?
• सलाह के रूप में निगरानी के लिए कौन सी जानकारी काफी महत्वपूर्ण है?
• सलाह के उन हिस्सों में से प्रत्येक तक किन व्यक्तियों की पहुंच होनी चाहिए?

समस्याओं को ठीक किए बिना, गलत डेटा के आधार पर खराब निर्णय लेने और तेजी से मजबूत डेटा अनुपालन नियमों से व्यवसाय जोखिम में है।

स्क्रैच से शुरू न करें

चुनौती को देखते हुए समाधान की जरूरत है। सौभाग्य से, खरोंच से शुरू करने की कोई आवश्यकता नहीं है। इसके बजाय, आपको अनुप्रयोगों के अन्य क्षेत्रों में तकनीकें मिलेंगी जिनका लाभ उठाया जा सकता है और इस मुद्दे को समायोजित किया जा सकता है। अनुपालन और व्यावसायिक निर्णय लेने में मदद करने के लिए एमएल सिद्धांतों और अन्य अनुप्रयोगों को आईटी के विभिन्न क्षेत्रों से उधार लिया जा सकता है।

मशीन लर्निंग वर्तमान में नेटवर्क और एप्लिकेशन सुरक्षा में प्रवेश कर रहा है। प्रशिक्षित गहन शिक्षण प्रणालियां विसंगतियों को देखने और हमलों और अन्य सुरक्षा जोखिमों की पहचान करने के लिए लेनदेन की जांच कर रही हैं। साथ ही, मोबाइल उपकरणों के विस्फोट और सास अनुप्रयोगों के उदय से परिसंपत्ति प्रबंधन प्रणालियों को बेहतर ढंग से समझने के लिए धक्का दिया गया है कि भौतिक और बौद्धिक संपदा संपत्ति कॉर्पोरेट बुनियादी ढांचे और नेटवर्क से जुड़ी हुई हैं।

बेहतर कॉर्पोरेट मेटाडेटा मॉडल बनाने में मदद करने के लिए डेटा संसाधनों की खोज करने वाले नेटवर्क नोड्स को क्वेरी करने के लिए उन विधियों का उपयोग किया जा सकता है। नई जानकारी और उचित उपयोग के लिए नेटवर्क पर लेनदेन की पूछताछ की जा सकती है।

डेटा प्रबंधन स्वयं सेवा की सहायता

महत्वपूर्ण महत्व की, एमएल प्रणाली अनुपालन के प्रबंधन के साथ-साथ सूचना तक पहुंच में सुधार करने में सहायता कर सकती है। बीआई में अपवादों की खोज करना और जोखिम की पहचान करना अपर्याप्त है। जब विश्लेषिकी वास्तव में आत्म-व्याख्यात्मक बनने के लिए होती है, तो सूचना तक त्वरित पहुँच आवश्यक होती है।

वर्तमान मॉडल में, अनुपालन सिद्धांत और विश्लेषक निर्णय डेटाबेस और विशेष क्षेत्रों तक कार्यकर्ता की पहुंच निर्धारित करते हैं। यह बहुत ही सरल तथ्य के माध्यम से स्वयं-सेवा को महत्वपूर्ण रूप से प्रतिबंधित करता है कि हम सभी मांगों की पहले से कल्पना नहीं कर सकते।

चूंकि एनएलपी कर्मियों को व्यावसायिक जानकारी पर सवाल उठाने, व्यावसायिक प्रक्रियाओं को जानने और व्यावसायिक डेटा के बीच नए कनेक्शन खोजने के लिए एक सरल तरीका प्रदान करता है, इसलिए अक्सर अंतर्ज्ञान और अंतर्दृष्टि के आधार पर विचार आते हैं। एक पर्यवेक्षक रिश्तों या डेटा के बारे में एक प्रश्न पूछेगा जिस पर उसने पहले विचार नहीं किया है, डेटा अभी तक पहुंच योग्य नहीं है, या अन्यथा हार्ड-सेट सूचना सीमाओं से परे विस्तार करने का प्रयास करेगा।

मानक प्रक्रिया में, इसका मतलब है कि जांच अचानक रुक गई है, आईटी में ईमेल भेजे जाने हैं, बातचीत होनी चाहिए और फिर नए एक्सेसिबिलिटी दिशानिर्देशों की अनुमति देने के लिए सिस्टम को समायोजित करना होगा।

एक एमएल प्रोग्राम तेजी से नए डेटा को खोजने के लिए सभी नियमों और अनुभव के साथ उस प्रक्रिया को तेज कर सकता है, देखें कि क्या वर्तमान डेटा अनुपालन नियमों के भीतर फिट बैठता है और तत्काल पहुंच प्रदान करता है, या अनुपालन अधिकारी द्वारा तत्काल निरीक्षण के अनुरोध को ध्वजांकित करता है।

यह अवरोध UX के संशोधनों के साथ अब जो हो रहा है, उससे कहीं अधिक जटिल है, लेकिन संघर्ष उतना ही महत्वपूर्ण है। यह महत्वपूर्ण नहीं है कि एक प्रबंधक कितनी आसानी से एक प्रश्न पूछ सकता है यदि यह समझने का कोई त्वरित तरीका नहीं है कि समस्या का उत्तर देने के लिए जानकारी कहाँ रहती है और यह भी चुनने के लिए कि प्रश्नकर्ता के पास उत्तर के बारे में जागरूक होने का अधिकार है या नहीं।

मशीन लर्निंग वितरित दुनिया में उद्यम डेटा को बेहतर ढंग से प्रबंधित करने की संभावना प्रदान करता है। जबकि व्यवसाय बेहतर प्रश्न पूछने के तरीकों को देखता है, उसे यह देखना चाहिए कि उत्तर प्रदान करने वाली जानकारी का पता कैसे लगाया जाए और उससे कैसे निपटा जाए।