Mengapa kecepatan lebih penting daripada kecepatan di edge

Velocity lebih penting daripada kecepatan ketika datang ke edge. Kuncinya adalah perspektif holistik dan alat platform data yang membuka wawasan data real-time di mana saja.

Saya selalu terpesona dengan perjalanan luar angkasa. Untuk melepaskan diri dari tarikan gravitasi Bumi, sebuah kapal roket bergerak hingga 25.000 mil per jam atau 7 mil per detik, membutuhkan waktu 3 hari untuk mencapai bulan. Yang membuat ini semakin luar biasa adalah kenyataan bahwa sistem peluncuran luar angkasa NASA berbobot 5,75 juta pound saat lepas landas. Setelah mencapai kecepatan lepas, pesawat ruang angkasa mengikuti lintasan yang sangat presisi untuk mencapai bulan, lalu memutarnya untuk menemukan tempat yang cocok untuk mendarat.

Meskipun kecepatan 25.000 mil per jam sangat mencengangkan, kecepatan itulah yang paling penting; tujuannya adalah untuk mencapai bulan. Kecepatan adalah seberapa cepat sesuatu bergerak. Velocity adalah kecepatan Dan arah, atau seperti yang ingin saya katakan, kecepatan Dan tujuan.

Kecepatan mengalahkan kecepatan

Dalam teknologi informasi (TI), seperti halnya dalam perjalanan luar angkasa, kecepatan mengalahkan kecepatan. Namun, terkadang kecepatan perubahan TI yang memusingkan dapat mengaburkan perspektif kita, mengaburkan perbedaan antara kecepatan dan kecepatan. Anda mungkin berjalan cepat, tetapi apakah Anda diarahkan ke arah yang benar?

Pertumbuhan eksponensial dan penggunaan data tidak terstruktur di edge adalah contoh yang bagus. Karena perangkat edge—seperti kamera, sensor, drone, dan prosesor—memungkinkan pengumpulan data real-time dan tidak terstruktur, wawasan yang dapat ditindaklanjuti dari data ini dapat menambah nilai yang luar biasa dan baru bagi organisasi di berbagai industri. Tapi kebanyakan dari kita kehilangan target.

IDC memperkirakan pada tahun 2025, akan ada 175 zettabytes data secara global, atau 175 x 10²¹, 80% yang akan menjadi data yang tidak terstruktur. Namun saat ini, 90% data tidak terstruktur tidak pernah dianalisis dan digunakan—kesempatan yang hilang secara signifikan.

Sebagai pengingat, data terstruktur adalah data yang memiliki skema yang ditentukan dan sekumpulan nilai potensial yang dibatasi seperti data suhu, pelacakan getaran, atau koordinat peta; data tidak terstruktur tidak memiliki skema dan nilai yang jelas, seperti rekaman video atau audio.

Atur ulang perspektif kita

Untuk mengatur ulang perspektif kita, kita perlu fokus untuk mengekstraksi kekayaan nilai yang tersembunyi di penyimpanan data tidak terstruktur yang dihasilkan edge. Saat kami melakukannya, analitik lanjutan kami juga meningkatkan pengalaman edge.

Inilah yang menurut saya paling penting:

• Mengumpulkan data mentah adalah penting (terutama data real-time di edge)
• Mampu membersihkan data tersebut, menganalisisnya, dan membuatnya tersedia untuk penggunaan cepat dalam model kecerdasan buatan/pembelajaran mesin (AI/ML) dan di seluruh organisasi adalah sangat kritis.

Dengan kata lain, wawasan berbasis data perlu mengejar ketinggalan dengan pembuatan dan pengumpulan data.

Sudah waktunya bagi kami untuk menyelaraskan pendekatan kami dan memanfaatkan kekuatan real-time dari semua data kami, edge, dan AI/ML untuk meningkatkan praktik data kami dan memfokuskannya untuk mendorong hasil bisnis yang lebih baik, bukan hanya memantau praktik yang ada. Jadi, apa yang mencegah kita melakukan itu?

Membuka potensi penuh edge

Penerapan edge meroket. Seperti disebutkan di atas, IDC memperkirakan bahwa 80% data tidak terstruktur. Untuk memanfaatkan potensi kekayaan data yang dihasilkan edge secara lebih lengkap, organisasi harus siap untuk mulai memproses data streaming, secara langsung dan real-time. Langkah pertama adalah membangun fondasi yang tepat untuk proses platform data real-time, termasuk streaming data, untuk membantu memperluas nilai edge dengan mengaktifkan tindakan real-time di seluruh perusahaan.

Kami dapat memikirkan alat ini dalam konteks perjalanan data. Edge, sejalan dengan strategi data holistik, membantu di tahap awal perjalanan, seperti akuisisi data, penyimpanan, dan pengorganisasian. Ini menetapkan panggung untuk perjalanan yang sukses dan penggunaan model analitik yang efektif, seperti AI. Platform streaming yang terhubung ke platform data matang berkontribusi pada perjalanan yang lebih luas dengan memfasilitasi akuisisi, penyimpanan, pemrosesan, dan analisis data.

Saat organisasi memberi model AI akses cepat ke data dari berbagai sumber, seperti data yang dihasilkan edge dan data historis, mereka dapat membuat keputusan yang dapat ditindaklanjuti secara real-time di mana pun dalam bisnis. Ini mengekstraksi nilai dari data tidak terstruktur (ingat bahwa 90% saat ini tidak digunakan) dan secara bersamaan memberikan wawasan bisnis di mana saja dengan menggunakan AI dan streaming data di edge.

Saat ini, sebagian besar infrastruktur memproses data secara berkelompok. Hal ini mengakibatkan penundaan waktu yang signifikan antara pembuatan data dan pembuatan wawasan, yang tidak cukup untuk memenuhi kebutuhan bisnis modern yang mendukung edge. Platform data streaming terus menyerap, membersihkan, dan menganalisis data serta menstandarkannya dalam format yang dapat digunakan untuk berbagai tujuan seperti pemeliharaan prediktif atau model perilaku. Ini membuka nilai eksponensial dari semua sumber data, menghasilkan wawasan baru dan memungkinkan bisnis mengeksplorasi solusi yang sebelumnya tidak mungkin dilakukan. Bekerja sama, strategi data holistik dapat memungkinkan analisis data historis bersamaan dengan streaming data real-time. Begitulah wawasan bisnis yang dapat ditindaklanjuti segera dihasilkan.

Mendapatkan wawasan yang instan dan dapat ditindaklanjuti

Banyak industri yang memanfaatkan edge bisa mendapatkan keuntungan dari otomatisasi, diproduksi menggunakan wawasan yang dihasilkan AI yang berasal dari data edge yang tidak terstruktur, didukung oleh platform data. Berikut beberapa contohnya.

Pertimbangkan pembangkit listrik tenaga air yang saat ini mengelola pembangkit listrik secara manual. Transisi ke kontrol pembangkit listrik otomatis memungkinkan pembangkit listrik untuk memantau dan menyesuaikan kebutuhan secara terus-menerus secara real-time dalam proses loop tertutup menggunakan data yang dihasilkan edge. Pembangkit listrik mengumpulkan dan memproses streaming data tepat di edge, memberikan respons otomatis sub-detik terhadap perubahan kondisi. Hal ini memungkinkan operator untuk meningkatkan efisiensi dan keselamatan sambil memberikan layanan yang lebih baik kepada pelanggan mereka.

Dalam perawatan kesehatan, organisasi bergulat dengan persyaratan peraturan yang meningkat dan kerentanan keamanan yang meningkat. Dengan beragam kasus penggunaan edge seperti perawatan pasien jarak jauh, pemantauan pasien di rumah sakit, dan data real-time dari ambulans dalam penerbangan atau di jalan, data didistribusikan ke banyak platform dan lokasi serta memiliki berbagai tingkat sensitivitas. Menggunakan edge compute memungkinkan profesional medis memproses data secara lokal, menghasilkan pemahaman real-time tentang kondisi pasien mereka, tanpa perlu memaparkan data tersebut ke sistem eksternal atau risiko pelanggaran data. Bergantung pada kebutuhan, data dapat segera dihancurkan, dirangkum, dan diunggah untuk pelacakan jangka panjang atau lintas sistem atau disimpan untuk analisis tren atau pelatihan model AI tambahan pada platform data.

Aplikasi lain dalam sistem perkeretaapian, maskapai penerbangan—dan perjalanan luar angkasa—membantu melindungi manusia dengan memantau dan mendeteksi masalah struktural yang akan datang atau potensi tantangan operasional lainnya sebelum terjadi kegagalan. Bahkan taman hiburan mengadopsi deteksi pencegahan untuk meningkatkan keamanan dan keandalan berkendara. Data edge dan streaming real-time yang didukung oleh strategi data holistik adalah pendukung penting.

Mengadopsi perspektif holistik

Kami perlu menilai ulang arah—dan tujuan—untuk sepenuhnya memanfaatkan kekuatan real-time dari semua edge data kami dan meningkatkan tujuan kami—mengganti pelaporan yang tertunda dengan otomatisasi real-time yang mendorong hasil bisnis. Memahami rintangan potensial (diuraikan di atas) dalam mencapai ini hanyalah permulaan. Lebih dari itu, ada tiga langkah proaktif yang dapat dilakukan organisasi untuk mendapatkan momentum di paruh kedua tahun ini:

1. Memahami.

Sebelum Anda memperbesar, Anda perlu memperkecil. Itu berarti Anda harus menguraikan, memahami, dan mengartikulasikan di mana organisasi Anda dibandingkan dengan ke mana Anda ingin pergi. Ini memberikan arah yang ingin Anda tuju sehingga Anda dapat membuat peta dan memetakan jalur Anda.

2. Rencanakan.

Setelah Anda mengidentifikasi tujuan Anda, buat pendekatan manajemen data holistik yang memungkinkan perjalanan Anda. Ini mengharuskan Anda untuk mengevaluasi kembali infrastruktur Anda dan mengaktifkan analisis streaming data real-time edge. Saat Anda menjadi lebih canggih, Anda dapat terus mengembangkan rencana untuk menyertakan kasus penggunaan tambahan, sumber data, dan tipe data.

3. UU.

Setelah infrastruktur Anda tersedia untuk siap menggunakan data real-time, di mana saja dan sesuai permintaan, organisasi Anda dapat memanfaatkan streaming edge data untuk memajukan bisnis Anda. Kemampuan baru akan memberi Anda kemampuan untuk menghasilkan wawasan langsung yang dapat ditindaklanjuti dengan kecepatan—atau kecepatan dan arah—membantu Anda mencapai tujuan yang direncanakan.

Memajukan Masa Depan Anda

Saat Anda bergerak cepat, seperti di pesawat ruang angkasa atau kecepatan tinggi pembuatan data tidak terstruktur, penting untuk tetap fokus pada arah Anda. Kecepatan mengalahkan kecepatan. Dengan kecepatan, organisasi dapat memanfaatkan data paling penting mereka, mengekstraksi nilai dari edge data real-time dan menindaklanjuti wawasan tersebut pada saat itu juga, kapan saja, dan di mana saja dalam organisasi. Seperti kapal roket, ini dapat mendorong organisasi Anda maju untuk mencapai hasil tingkat berikutnya.

Siap untuk menyederhanakan keunggulan Anda? Anda dapat mempelajari lebih lanjut tentang keadaan edge dan apa yang dilakukan pelanggan di edge dengan mengacu pada baru-baru ini melakukan penelitian.