Virksomheder tyer til teknologien for at løse manglen på dataspecialister

De nordiske lande har svært ved at opfylde efterspørgslen efter dataspecialister og IT-specialister. Machine learning og automation kan lette trykket.

Datadrevne indsigter afhænger 100 % af virksomhedernes evne til at indsamle og analysere data, der giver brugbar information om kunder, markeder, produktudvikling og driftsaktiviteter.

Indtil for nylig har dette været ensbetydende med at hyre dataspecialister, der ved, hvordan man opretter machine learning-algoritmer, bygger forudsigende beregningsmodeller, integrerer data fra flere kilder (herunder ustrukturerede data), og afdækker den information, der er mest relevant for forretningsstrategier og mål.

Men der er fortsat stor efterspørgsel efter dataspecialister, hvilket betyder, at de er vanskelige at finde og kræver lønninger, der kan belaste IT-budgetterne. Manglen på uddannede dataspecialister har betydet, at mange virksomheder sakker bagud i den digitale økonomi i forhold til deres konkurrenter.

Automatiseret machine learning

For at udfylde tomrummet har mange virksomheder valgt at “demokratisere” datavidenskab ved at uddanne talkyndige medarbejdere i forskellige afdelinger inden for områder som f.eks. datavisualisering, datamanipulering, dynamisk rapportering og R-programmering (et open source-programmeringssprog inden for datavidenskab og statistik).

Derudover vender virksomheder sig i stigende grad mod teknologier som f.eks. kunstig intelligens (AI), machine learning (ML), automation og analyseprogrammer, der er indlejret i applikationer, til at indsamle og fortolke data fra forbrugere, enheder, applikationer, databaser og andre kilder.

“Machine learning-api’er gør det nemt for udviklere at anvende machine learning i et datasæt for at tilføje forudsigende funktioner i deres applikationer,” skriver Khushbu Shah på data- og analysewebstedet KDnuggets. “Machine learning-api’er skaber et abstraktionslag for udviklere, som de kan bruge til at integrere machine learning i applikationer i den virkelige verden uden at skulle bekymre sig om at skalere algoritmerne på deres infrastruktur og gå i nærmere detaljer med machine learning-algoritmerne.”

Google AutoML, AWS Sagemaker og BigML er nogle af de machine learning-API’er, der er tilgængelige for virksomheder, der ønsker at udnytte data. Cloudbaseret AutoML er en suite af ML-værktøjer, der er designet til at hjælpe udviklere, som ikke har særlig store ML-erfaringer og -kompetencer, med at træne modeller af høj kvalitet, som kan afsløre vigtige data for virksomheden. Sagemaker forsyner brugere med enkeltkliksimplementering af ML-modeller og målinger i realtid under træningsprocessen. BigML tilbyder månedlige abonnementer til deres ML-platform i forskellige prislejer, der spænder fra at være helt gratis til at koste USD 10.000, samt private implementeringer og skræddersyet træning.

Automatiseret ML frigør den store mængde tid, dataspecialister bruger på at teste modeller, forberede data og andre vigtige, men trivielle aktiviteter. AutoML-værktøjer er ikke beregnet til at “erstatte dataspecialister,” skriver Priya Dialani i Analytics Insight. I stedet gør de det muligt for dataspecialister at “aflaste deres rutinearbejde og strømline deres procedure for at frigøre dem og deres teams, så de kan fokusere deres energi og tanker på andre dele af proceduren, som kræver et større niveau af ræsonnement og kreativitet.”

En anden måde, automatiseret ML leverer værdi på, er skalerbarhed. Der er grænser for folks tid, energi og arbejdskapacitet. Ved at implementere automatiseret ML kan virksomheder overskride disse begrænsninger, som holder initiativer inden for datavidenskab tilbage.

Fordele ved indlejret analyse

Visse virksomheder opfylder deres behov for dataanalyse ved at implementere software med indlejrede analysefunktioner. I en undersøgelse foretaget af Nucleus Research, rapporterede virksomheder, der brugte indlejret analyse i deres værtsapplikationer, om adskillige fordele, herunder reduceret tid brugt på software-build på op til 85 %, lavere omkostninger til løbende udvikling og vedligeholdelse og støre brugerproduktivitet.

Endvidere siger kerneanalytiker Daniel Elman: “fordi analysefunktionen er bygget ind i forretningsfunktionen, har brugerne altid den relevante kontekst omkring deres data og indsigter, hvilket gør ikke-dataspecialister mere trygge ved at oprette rapporter, udlede indsigter og forstå betydningen af deres data.”

De bedste data i verden er ikke til nogen gavn for en virksomhed, hvis den ikke kan udtrække og analysere disse data. Automatiseret ML og forhåndsindlejret analyse er nye værktøjer, der kan gøre det muligt selv for virksomheder med små (eller slet ingen) datavidenskabsteams at være datadrevne og data-intelligente.

Læs mere: Træf hurtigere, faktabaserede beslutninger  

Læs mere: Sådan gør du “cool teknologi” til en forretningsværdi

Sig din mening

*