РУКОВОДСТВО ДАННЫМИ
Многие организации активно демонстрируют сегодня стремление использовать ИИ для оптимизации бизнес-процессов, надеясь повысить эффективность своего бизнеса — инвестиции в ИИ уже на порядки превышают бюджет всего Манхэттенского проекта. А между тем многие компании еще даже и не задумывались ни о процессном управлении как подходе к повышению эффективности, ни об основополагающих принципах руководства данными, предусматривающих обеспечение качества данных, применяемых при обучении моделей.
Современный бизнес часто оказывается перед выбором: развивать классическую модель электронной коммерции или трансформироваться в платформный бизнес? Попытка совместить обе модели ведет к потере эффективности и к упущенным возможностям. Как предпринимателям, инвесторам и корпоративным стратегам избежать сложностей при выборе конкретной бизнес-модели, ИТ-инструментов и планов развития компании? Практика компаний Amazon, Alibaba и Walmart показывает – разделение платформы и действующих на ней бизнесов это не просто организационный ход, а стратегическая необходимость.
Почему привычные подходы к организации плодотворного взаимодействия бизнеса и ИТ больше не работают, а новые — не приживаются? Почему при наличии сотен таблиц с данными и тысяч витрин бизнес сегодня не может получить ответ на самый простой вопрос: «Какова средневзвешенная процентная ставка по кредитам?»
Благодаря внедрению в ОТП Банке принципов Data Governance данные рассматриваются как стратегический актив, а управление ими стало частью корпоративной культуры.
Подход к управлению данными как к производству продукции может стать существенным фактором повышения качества работы с данными, особенно в случае сочетания современных практик менеджмента качества промышленной продукции с передовыми подходами в области управления данными. Особый интерес, в том числе в связи с ростом популярности парадигмы Data Mesh, представляют методы оптимизации цепочек поставок.
В условиях, когда языковые модели искусственного интеллекта все чаще используются для создания контента, растет вероятность замаскированных намеренных или случайных ошибок, предвзятости и дезинформации. Требуются доступные средства фильтрации, семантического анализа и визуализации, позволяющие «отделять зерна от плевел».
Блокчейн-системы на базе криптографических методов шифрования и распределенных вычислений активно применяются сегодня в здравоохранении, финансах, государственном управлении, логистике и Интернете вещей. Однако, несмотря на свои преимущества, блокчейн-системы сталкиваются с серьезными проблемами в области обеспечения безопасности и конфиденциальности.
Яркие представители транзакционных СУБД – PostgreSQL и аналитических – Clickhouse стали сегодня промышленным стандартом. Вместе с тем пользователям требуются инструменты одновременной работы в реальном времени над общим массивом данных и с транзакционными, и с аналитическими нагрузками. Система Cloud X Stratus DB призвана предоставить пользователям «из коробки» распределенную, облачную, мультиарендную, а главное синхронизированную связку транзакционных и аналитических СУБД.
На российском рынке сегодня нет инструмента многомерного анализа огромных объемов данных, которые не помещаются в оперативную память одного сервера. Нет таких доступных инструментов и на Западе.
В конце 1960-х годов в СCCР началась работа над ЭВМ серии 5Э26 для систем С-300, одной из целей которой было обеспечение аппаратной поддержки различных типов данных. Предложенные решения нашли применение не только в машинно-зависимых языках, но и в языках высокого уровня, что позволило сделать крупные программно-аппаратные комплексы гибкими и адаптируемыми к быстро меняющимся задачам, что особенно важно для критически важных систем реального времени.