سازمان‌های مبتنی بر داده‌ها راه را برای آینده‌های کارآمدتر، انعطاف‌پذیرتر و غنی‌تر از عملکرد هموار می‌کنند.
این مقاله نگاه عمیق تری به این موضوع خواهد داشت چی، چرا و چگونه AWS نوآوری را با هوش مصنوعی/ML و معنای آن برای مقیاس سازمان‌های مبتنی بر داده است.
نحوه رمزگشایی این قطعه: این قطعه در قالب پرسش و پاسخ برای حفظ وضوح در شکستن چیستی، چرایی و چگونه خواهد بود.
- سوالات طبقه بندی شده WHAT، WHY و How را مرور کنید
- به سمت پایین به پرسش و پاسخ بروید
- بینش های متخصصان AWS را به دست آورید
- نگاهی به نحوه استفاده شرکت های شناخته شده جهانی از AI/ML با AWS بیندازید
- بیاموزید که سازمان های مبتنی بر داده باید چه مناطق تمرکزی را برای مقیاس بلندمدت در نظر بگیرند
چی؟ سازمان داده محور بودن به چه معناست؟ مدل فلایویل آمازون چیست؟ هوش مصنوعی در مقابل ML چیست؟ محرک های کلیدی برای اثر شبکه داده چیست؟ برای جلوگیری از اختلال در معماری داده چه اقدامات احتیاطی باید انجام شود؟ چه خدماتی بهبودهای CX (تجربه مشتری) را باز می کند؟
چرا؟ چرا باید داده ها را به عنوان سنگ بنای ساخت فناوری مردم محور در نظر بگیریم؟ چرا تغییر طرز فکر برای تقویت چرخ طیار در آمازون کلیدی است؟ چرا ایجاد یک جامعه داده متمرکز برای بهبود حاکمیت داده بسیار مهم است؟
چگونه؟ سرعت و کارایی AI/ML در سازمان های داده محور امروز چگونه است؟ مصرف کنندگان و تولیدکنندگان چگونه تحت تاثیر قرار می گیرند؟ چگونه از ML در زمان واقعی استفاده می شود و چه شرکت هایی از AWS استفاده می کنند؟
سازمان داده محور بودن به چه معناست؟
- این تشخیص این است که داده ها دارایی برای ایجاد بینش عملی برای افزایش تجربه مشتری است. اتخاذ طرز فکر داده محور فرصتی برای تأثیرگذاری بر روایت هر ذینفع است.
مدل فلایویل آمازون چیست؟
- بیایید نگاهی به عناصر چرخ طیار آمازون بیندازیم:
(ذهنیت + افراد + فرآیند) x فناوری
مفهوم این است که مردم، فناوری و فرآیند را در مرکز تصمیم گیری ها و استفاده از محصولات، تجربه مشتری، بازخورد و داده ها به عنوان مدل های یادگیری برای آزمایش برای ایجاد نوآوری نگه دارید. سازمان‌های داده‌محور تشخیص می‌دهند که این فرآیندی است که از تجربه برای ایجاد فناوری انجام می‌شود.
چرا باید داده ها را به عنوان سنگ بنای ساخت فناوری مردم محور در نظر بگیریم؟
- قرار دادن داده ها در مرکز تصمیم گیری سازمان ها را قادر می سازد: ➡ تصمیم گیری سریع تر ➡ پاسخ بهتر به غیر منتظره ها ➡ ایجاد تجربیات بهتر برای مشتری ➡ کشف فرصت های جدید ➡ بهبود کارایی
چرا ایجاد یک جامعه داده متمرکز برای بهبود حاکمیت داده بسیار مهم است؟
- این به نحوه استخراج ارزش تجاری هر بخش از جامعه (تولیدکنندگان، تیم های پلت فرم، مصرف کنندگان) مرتبط است.
➡ تولیدکنندگان: به اشتراک گذاری داده ها در تیم ها برای تولید بینش و KPI، فراداده و ملاحظات دسترسی برای حفظ حاکمیت مالک
➡ تیم پلت فرم: مقیاس پذیری و مدیریت انطباق داده ها را افزایش می دهد تا با سرعت اولویت های تجاری حرکت کند.
➡ مصرف کنندگان: خالقان بینش های جدید، کاشف داده ها
چرا تغییر طرز فکر برای تقویت چرخ طیار در آمازون کلیدی است؟
- مدل های ذهنی برای رانندگی و اطلاع رسانی وجود دارد. تغییر طرز فکر برای تقویت چرخ لنگر کلیدی است زیرا شامل ارزش گذاری برای اینکه چه کسی، چه چیزی و چرا سازمان ها برای آنها ایجاد می کنند و استخراج بینش از داده ها به طور مستقیم نحوه تقویت عناصر چرخ لنگر است.
سرعت و کارایی AI/ML در سازمان های داده محور امروز چگونه است؟
- یادگیری ماشین به مجموعه ای غنی از قابلیت ها نیاز دارد و داده ها زمینه ای برای موتورهای ML است. همانطور که تام گودن (استراتژیست سازمانی AWS) تاکید کرد،
“هنگامی که هوش مصنوعی با سایر پیاده سازی ها همراه شود، این قدرت را دارد که مدل های biz را تغییر دهد … به تنهایی نمی تواند.”
- 3 محرک کلیدی برای پذیرش ML: ارتباط | سرعت | بهره وری
هوش مصنوعی در مقابل ML چیست؟
هوش مصنوعی = هوش مصنوعی: شامل استفاده از علوم کامپیوتر برای یادگیری از مدل‌های داده است، همانطور که انسان‌ها از تجربیات یاد می‌گیرند.
ML = یادگیری ماشینی: زیرمجموعه ای از هوش مصنوعی که شامل استفاده از الگوریتم هایی برای یادگیری و پیش بینی بر اساس داده ها می شود.
3 نوع اصلی ML وجود دارد:
یادگیری تحت نظارت
طبقه بندی: یک دسته را پیش بینی می کند
مثال: طبقه بندی جوراب بر اساس رنگ
مدل رگرسیون: رابطه بین متغیرها را بررسی می کندیادگیری بدون نظارت
خوشه بندی: گروه ها بر اساس شباهت
مثال: مرتب کردن لباس ها بر اساس نوع
تداعی: لباس هایی که اغلب با هم می پوشندیادگیری تقویتی
مبتنی بر محیط: به جفت ورودی/خروجی خاصی نیاز ندارید
مثال: به محیط واکنش نشان می دهد و از آن یاد می گیرد
محرک های کلیدی برای اثر شبکه داده چیست؟
- ML ابزاری برای پشتیبانی از فعال سازی کسب و کار از طریق نیازهای مشتری برای بهبود CX است. چرخه The Data Network Effect بر روی 4 محرک کلیدی رشد می کند:
- داده های بیشتر
- الگوریتم های بهتر
- تعامل بهتر
- بیشتر، مشتریان راضی تر
مصرف کنندگان و تولیدکنندگان چگونه تحت تاثیر قرار می گیرند؟
- با اتخاذ طرز فکر مدرن مبتنی بر داده، مصرف کنندگان می توانند بر تعامل با محصولات تمرکز کنند و تولیدکنندگان می توانند داده های بازیابی شده از تجربیات خود را به طور موثر مدیریت کنند. این باعث ایجاد فرهنگ افزایش کشف داده ها از طریق افزایش دید و قابلیت اطمینان، ساده سازی همکاری، کار یکپارچه با ابزارها در زمینه می شود.
چه خدماتی می تواند بهبودهای CX (تجربه مشتری) را باز کند (فهرست غیر جامع)؟
برای جلوگیری از اختلال در معماری داده چه اقدامات احتیاطی باید انجام شود؟
- برای جلوگیری از اختلالات، ساخت ساختارهای داده انعطاف پذیر که می توانند دوام و عملکرد بارهای کاری را مدیریت کنند. پس چگونه این امر محقق می شود؟ از طریق کار با سرویس های ذخیره سازی مانند Amazon S3 و Amazon EBS.
عواملی که برای سازه های ارتجاعی باید در نظر گرفت:
➡ انعطاف پذیری: باید با حجم کاری مطابقت داشته باشد که بتواند دوام و عملکرد یک حجم کاری را مدیریت کند
➡ پشتیبان گیری: از حجم ها با گرفتن عکس های لحظه به لحظه و ذخیره آنها در S3 نسخه پشتیبان تهیه کنید
➡ افزونگی خود را بسازید: مسیرهای جایگزینی را برای بازیابی در نظر بگیرید، مانند Elastic Disaster Recovery
➡ طراحی برای در دسترس بودن: هیچ نقطه ای از خرابی نباید سیستم را پایین بیاورد (یک متعادل کننده بار را در نظر بگیرید)
➡ نظارت، آزمایش و بازیابی: شبیه سازی شرایط دنیای واقعی، ایجاد آزمایش برای آزمایش
چگونه ML در زمان واقعی استفاده می شود و کدام شرکت ها از AWS استفاده می کنند؟
واشنگتن پست – متن، ECS، داکر، EC2
NASCAR – رونویسی، S3 Glacier Instant Retrieval، SQS
Condé Nast – مسیر 53، EC2، S3
Fender – Lambda، DynamoDB، API Gateway، SageMaker
Lyft – AWS Kinesis Streams، Auto Scaling، Redshift، EC2 Container Registry
F1 – Lambda، SageMaker، DynamoDB API Gateway
United Airlines – SageMaker، IoT Care
Expedia – Aurora، Glue، CloudWatch
Pinterest – S3
BMW Group – Translate، Active Custom Translate، AWS Glue، AppSync
Traeger – IoT Core، الکسا Voice Service، Lambda، S3
Heineken – IoT GreenGrass
داده‌ها برای محاسبه و ذخیره‌سازی وجود دارند که توسط مرحله کارآمد تغذیه می‌شوند که می‌تواند داده‌ها را مدیریت کند.
رایان سیر
زمان هیجان انگیزی برای یادگیری و تعامل با هوش مصنوعی است، و با انتشار چندین سرویس یادگیری ماشینی مانند OpenAI و موتورهای جستجو مانند You.com، جهان در معرض یک طوفان مبتنی بر هوش مصنوعی قرار گرفته است. همانطور که گودن در جلسه AWS Innovate خود با عنوان «ساخت سازمان هوشمندتر: پشتیبانی شده توسط ML» برجسته کرد،
“هنگامی که هوش مصنوعی با سایر پیاده سازی ها همراه شود، این قدرت را دارد که مدل های تجاری را تغییر دهد… به تنهایی نمی تواند.”
AWS راه را برای آینده‌ای منسجم‌تر، انعطاف‌پذیرتر و غنی‌تر از عملکرد هموار می‌کند، و شرکت‌های ذکر شده در بالا، گواه زنده‌ای از قدرت محاسبات ابری هستند. هرچه تولیدکنندگان، تیم‌های پلتفرم و مصرف‌کنندگان بیشتر به عنوان جوامع مبتنی بر داده درگیر شوند، تجربه بهتری برای همه بهبود خواهد یافت.
➡ بزرگ فکر کنید ➡ به عقب کار کنید ➡ طراحی و بسازید
