Od kilku lat możemy spotkać się ze stwierdzeniem, że dane to ropa XXI wieku i z uwagi na to, jak wiele aspektów pozwalają ułatwić oraz zautomatyzować, trudno się z tym nie zgodzić. Obecnie nie da się zresztą znaleźć segmentu, w którym firmy nie zajmowałyby się jeszcze analizą danych. Na ogół jednak wszyscy skupiają się na samym elemencie przetwarzania informacji, a mniejszą uwagę przykłada się do samej jakości procesowanych informacji i samej wizualizacji.
Nie da się ukryć, że największym wyzwaniem pozostaje zrozumienie posiadanych danych, szczególnie w dobie generowania ogromnej ilości informacji. Swoisty szum informacyjny nie pomija również systemów do przetwarzania informacji i tu trzeba skorzystać z dobrodziejstw techniki oraz umiejętności analizy informacji.
Tracy Daugherty, General Manager w AWS odpowiedzialny za rozwój QuickSight, platformy do Business Intelligence (BI, analityki biznesowej).
Jakie są najważniejsze elementy w aplikacjach do Business Intelligence wśród firm, które stawiają na podejmowanie decyzji w oparciu o dane?
Możemy tu wyróżnić kilka cech. W celu zapewnienia w firmie odpowiedniej kultury wykorzystywania danych do podejmowania decyzji należy przede wszystkim zapewnić każdemu dostęp do narzędzia w prosty sposób. QuickSight rozwiązuje ten problem. Jest to usługa działająca w chmurze, nie wymagająca wykupowania dedykowanych serwerów, ani też instalowania specyficznych programów na każdym komputerze. Drugi element wyróżniający QuickSight jest związany z podejściem do płacenia za narzędzie. W naszym przypadku klienci płacą tylko wtedy, kiedy używają aplikacji. Jednocześnie administratorzy systemu mogą definiować, jaki jest maksymalny budżet dla każdego użytkownika. Trzecia cecha usługi odnosi się do możliwości umieszczenia wykresów przedstawiających informacje w zewnętrznych aplikacjach w szybki sposób, dzięki czemu firma może rozwijać autorskie platformy w oparciu o dostarczane przez nas rozwiązanie. Jednocześnie zapewniamy klientom dostęp do API (interfejsu programowania aplikacji) oraz pełny wachlarz możliwości personalizacji.
Chcę tu również wspomnieć o Q, nowym naturalnym języku do wykonywania zapytań, który ogłosiliśmy na konferencji AWS re:Invent w Las Vegas, która odbyła się na przełomie listopada i grudnia zeszłego roku. Wykorzystuje on algorytmy uczenia maszynowego, aby użytkownicy końcowi mogli otrzymywać odpowiedzi w postaci wykresów po napisaniu zwykłego pytania.
Co było największym wyzwaniem pod kątem przygotowania interfejsu aplikacji? W jaki sposób uprościliście obsługę, aby narzędzie było przyjazne w użytkowaniu dla wszystkich użytkowników?
Pierwszym krokiem było skupienie się na tym, aby narzędzie wyglądało jak typowa aplikacja dedykowana dla użytkownika, która oferuje intuicyjny dostęp do wszystkich funkcji, a nie było kolejnym skomplikowanym rozwiązaniem BI. Drugi krok dotyczył używania odpowiednich słów w ramach platformy. Głównie chodzi tu o pominięcie używania specjalistycznego słownictwa, które jest zrozumiałe dla technicznych użytkowników, a dla pozostałych nie. Trzeci krok opierał się, co może być zaskakujące, na wydajności. Użytkownicy końcowi są bardzo niecierpliwi, więc szybkość działania aplikacji ma dla nich kluczowe znaczenie i bezpośrednio przekłada się na wrażenia z użytkowania. Niezależnie od tego, jak złożone zapytanie uruchomią, chcą otrzymać odpowiedź natychmiastowo.
Jakie są przykłady użycia uczenia maszynowego w QuickSight? Do czego można wykorzystać takie algorytmy w narzędziu Business Intelligence?
Możemy wyróżnić tu dwie główne grupy. Jeżeli chodzi o scenariusze wykorzystania „z życia”, to weźmy na przykład dane finansowe firm. Ich strumienie przychodów i kosztów potrafią zmieniać się dynamicznie, w takim przypadku przydaje się wykrywanie anomalii. Mówimy tu o sytuacjach, w których samo spojrzenie na wykres nie pozwoli nam dostrzec nietypowego zachowania, np. możemy to odnieść do naszych klientów, kiedy mówimy o platformach e-commerce (handlu elektronicznego). Do tego też przydaje się detekcja, czyli wykrywanie anomalii – system mówi ci o rzeczach, których nie jesteś w stanie po prostu zobaczyć na wykresie.
Drugą kategorią pozostaje użycie uczenia maszynowego na etapie poznawania i przygotowywania danych. Pozwala to użytkownikom zobaczyć szybko, czy informacje, które potem mają być przetwarzane, są poprawne. Jako przykład weźmy sytuację z analizą danych na temat zawodników sportowych, którzy mają na sobie sensory służące do monitorowania ich parametrów. Poprzez wykrywanie anomalii i wizualizacje, łatwo możemy wykryć wartości, które są zdecydowanie za niskie lub za wysokie.
Sztuczna inteligencja w narzędziach dedykowanych do wizualizacji danych i wyszukiwania w nich wiedzy zdecydowanie ma przyszłość. Opracowywane rozwiązania ułatwiają pracę i pozwalają wielu firmom na rzeczywiste zyski oraz oszczędności przy jednoczesnym obniżeniu poziomu trudności przy pracy z narzędziem. To jest zresztą obszar, w którym podejście opierające się o brak programowania / pisania zapytań w, np. SQL ma sens i pozwala zapewnić dostęp do takich systemów do jeszcze szerszego grona odbiorców.
Hej, jesteśmy na Google News - Obserwuj to, co ważne w techu
