Virksomheter tar i bruk teknologi for å komme rundt problemet med mangel på dataspesialister.

De nordiske landene har vansker med å fylle behovet for dataspesialister og dyktige IT-folk. Maskinlæring og automatisering bidra til å avhjelpe dette.

Datadrevet innsikt er fullstendig av virksomhetenes evne til å samle inn og analysere data om kunder, markeder, produktutvikling og drift, som kan gi dem grunnlag for å handle.

Inntil nylig har dette innebåret å leie dataspesialister som vet hvordan man lager maskinlæringsalgoritmer, bygger prediktive databehandlingsmodeller, integrerer data fra mange kilder (også ustrukturerte data) og avdekker den informasjonen som har størst relevans for forretningsstrategien og målene.

Men det er stor etterspørsel etter slike dataspesialister, og det betyr at det er vanskelig å finne dem og honorarene kan sprenge IT-budsjettet. Mangelen på kompetente dataspesialister har gjort at mange virksomheter blir sittende med kompetitive ulemper i den digitale økonomien.

Automatisert maskinlæring

I et forsøk på å fylle gapet, har noen virksomheter valgt å «demokratisere» datavitenskapen ved å gi tallkyndige ansatte i forskjellige avdelinger opplæring innenfor områder som visualisering og manipulering av data, dynamisk rapportering og R-programmering (et programmeringsspråk for datavitenskap og statistikk, basert på åpen kildekode).

Dessuten tar virksomheter stadig mer i bruk teknologier som kunstig intelligens (AI), maskinlæring (ML), automatisering og analyseprogrammer som er bygget inn i applikasjoner for å samle inn og tolke data fra forbrukere, utstyr, applikasjoner, databaser og andre kilder.

«API-er for maskinlæring gjør det enkelt for utviklere å bruke maskinlæring på et datasett for å legge prediktive funksjoner inn i applikasjonene sine», skriver Khushbu Shah på data- og analysenettstedet KDnuggets. «Maskinlærings-API-er gir utviklerne et abstraksjonslag som de kan bruke til å integrere maskinlæring i realistiske applikasjoner uten at de behøver å bekymre seg om å skalere algoritmene på infrastrukturen eller å fordype seg i detaljene for maskinlæringsalgoritmene.»

Google AutoML, AWS Sagemaker og BigML er noen av de maskinlærings-API-ene som er tilgjengelig for virksomheter som ønsker å utnytte data. Skybaserte AutoML er et sett ML-verktøyer som er utformet for å hjelpe utviklere som ikke har omfattende erfaring og ferdigheter med ML til å trene opp høykvalitetsmodeller som avdekker viktige data for virksomheten. Sagemaker gir brukerne-utrulling av ML-modeller med ett klikk og sanntidsmålinger under opptreningsprosessen. BigML tilbyr månedlige abonnementer på deres ML-plattform til priser fra gratis til USD 10 000, sammen med private distribusjoner og persontilpasset opplæring.

Automatisert ML frigjør store mengder tid som dataspesialister ellers måtte bruke på modelltesting, dataklargjøring og andre viktige, men trivielle aktiviteter. AutoML-verktøy er ikke ment å skulle «erstatte dataspesialister», skriver Priya Dialani i Analytics Insight. I stedet «avlaster de dataspesialistene fra rutinearbeidet og lar dem få strømlinjeforme prosedyrene sine, frigjør dem og teamene deres så de kan konsentrere sin energi og tankevirksomhet på forskjellige deler av prosedyrene som krever et betydelig høyere nivå av resonnement og kreativitet.»

ML leverer også verdi på en annen måte gjennom skalerbarhet. Mennesker har sine begrensninger når det gjelder tid, energi og arbeidskapasitet. Ved å introdusere automatisert ML, kan virksomhetene overkomme disse begrensningene som ellers setter stopp for å benytte datavitenskapelige metoder.

Fordeler ved innebygd analyse

Noen virksomheter møter sine behov for dataanalyse ved å ta i bruk programvare med forhåndsinnebygde analysefunksjoner. I en studie fra Nucleus Research rapporterte virksomheter som bruker innebygd analyse i vertsapplikasjonene sine mange fordeler, blant annet opptil 85 % reduksjon i byggetid for programvare, lavere kostnader ved løpende utvikling og vedlikehold samt større produktivitet hos brukerne.

Videre sier Nucleus Research-analytiker Daniel Elman: «Fordi analysefunksjonaliteten er innebygd i forretningsapplikasjonen, har brukeren alltid situasjonskontekst rundt dataene og innsikt, slik at folk som ikke er dataspesialister lettere kan lage rapporter, utlede innsikt og forstå betydningen av dataene deres.»

De beste dataene i verden kan ikke hjelpe en organisasjon hvis den ikke klarer å hente ut og analysere dataene. Automatisert ML og forhåndsinnebygd analyse er nye verktøy som kan gjøre det mulig for virksomheter med små (eller kanskje ingen) team av dataspesialister å være datadrevne og datasmarte.

Les mer: Ta hurtigere beslutninger basert på fakta  

Les mer: Slik kan du gjøre «kul teknologi» om til faktisk verdi for din bedrift

Si din mening

*