macrovector - Fotolia

Machine Learning und IoT beeinflussen Big-Data-Management

Unternehmen nutzen Big-Data-, Deep-Learning- und Machine-Learning-Techniken, um Fortschritte zu erreichen. Das erfordert neue Daten-Management-Systeme.

Als ich vor kurzem auf dem Weg ins Büro war, ist ein Apple-Maps-Fahrzeug an mir vorbeigefahren – ein weißes SUV mit Kameras und rotierenden Lichtdetektions- und Entfernungsgeräten, die riesige Mengen an Daten über Straßen auf der ganzen Welt sammeln.

Ich habe einen schrecklichen Orientierungssinn und verlasse mich häufiger auf Kartenanwendungen als ich zugeben möchte – so sehr, dass Google Maps meine Routen in- und auswendig kennt. Es informiert mich über die Zeit, die ich benötige, um von Zuhause auf Arbeit zu kommen, oder teilt mir mit, dass ich nur zehn Minuten von einem Supermarkt entfernt bin.

Ich betrachte es als nicht selbstverständlich, was für eine technologische Leistung dieser Grad der Personalisierung ist. Es erfordert riesige Datenmengen, die in Echtzeit gesammelt, gespeichert und validiert werden müssen, bevor sie in einer Smartphone-App verwendet werden können.

Data Lakes kommandieren

Bei so vielen angeschlossenen Geräten und weit verbreiteten Sensortechnologien ist der Zugriff auf Daten nicht das Problem. Tatsächlich schwimmen die meisten Unternehmen in Daten. Die eigentliche Herausforderung besteht darin, all diese Daten zu verwalten und zu nutzen. Aber wenn der schwierige Teil geklärt ist, sind Unternehmen in der Lage, Produkte, Dienstleistungen und ihre Geschäftsabläufe zu verbessern.

Wie dieser Artikel zeigt, sind preiswerte Sensoren und IoT-Funktionen in der Lage, große Datenmengen zu erfassen und die Transparenz der Lieferkette zu verbessern. Die Hersteller können nicht nur sehen, wo sich ihre Waren befinden, sondern auch, wann genau ihre Waren ankommen – und das ist erst der Anfang.

In einem weiteren Feature erläutert Craig Stedman, wie Big-Data-Systeme es Anbietern ermöglicht haben, in der Softwareentwicklung signifikante Fortschritte zu erzielen. Ein Beispiel ist iPass, das vor etwa zwei Jahren SmartConnect auf den Markt gebracht hat.

Die Software verwendet Algorithmen, um Wi-Fi Access Points zu identifizieren und die Leistung zu bewerten, so dass Benutzer sich mit den schnellsten und zuverlässigsten Hotspots in der Nähe verbinden können. Bisher war iPass nur in der Lage, statische Listen von Hotspots zur Verfügung zu stellen. Die Softwarefortschritte von SmartConnect wurden dank eines Daten-Management-Systems entwickelt, das auf der Datenverarbeitungsplattform Spark basiert, die Daten in Echtzeit verarbeitet.

Es gibt noch viele andere Beispiele, die zeigen, wie Big-Data-Systeme den technologischen Fortschritt untermauern. Doch um weiter voranzukommen, müssen sich nach Ansicht von Branchenexperten auch die Daten-Management-Systeme weiterentwickeln.

Daten im KI-Zeitalter verwalten

Die Nachfrage nach sofortigem Datenzugriff, sei es durch Mobile-Apps oder Backend-Machine-Learning-Systeme, erfordert agiles Daten-Management. Big-Data-Management-Systeme, die bisher häufig als Plattformen zur Datenkontrolle angesehen wurden, müssen auch als Liefersysteme betrachtet werden, und die von ihnen gelieferten Daten müssen für die Datenmodelle funktionieren.

Das bedeutet, dass die Datenexperten und Data Scientists einen erheblichen Teil ihrer Zeit damit verbringen müssen, Rohdaten zu analysieren, bevor sie diese in Machine-Learning-Algorithmen einfließen lassen. Und auch das muss sich ändern.

Dieselben datenintensiven Algorithmen, die das Daten-Management-Spiel verändern, werden auch angewendet, um Daten schneller zu finden. Intelligente Daten-Management-Systeme, die Machine Learning integrieren, werden eingesetzt, um Daten schneller als je zuvor von Management-Plattformen zu ihren Zielen zu transportieren.

So aufregend wie das auch ist, ich bin mir ziemlich sicher, dass der Gedanke an einen automatisierten Ansatz für das Daten-Management allein ausreicht, um Daten-Management- und Governance-Profis einen Schreck einzujagen. Angesichts der großen Datenmenge müssen Unternehmen sicherstellen, dass die von ihnen gesammelten und analysierten Daten ein bestimmtes Maß an Qualität und Zuverlässigkeit aufweisen, damit sie vertrauenswürdig sind.

Meine Prognose ist, dass viele Unternehmen ihre traditionellen Daten-Management-Praktiken über Jahre hinweg beibehalten werden, während sie Kompromisse bei Zugriff und Geschwindigkeit eingehen, wo dies sicher ist. Aber wie so viele Vorhersagen, könnte auch diese wiederlegt werden.

Folgen Sie SearchEnterpriseSoftware.de auch auf Twitter, Google+, Xing und Facebook!

Nächste Schritte

Was NoSQL-Datenbanken im Big-Data-Zeitalter leisten.

Big Data im Automobil benötigt optimales Daten-Management.

Anwender setzen auf Tool-Mix für Big Data Analytics.

Artikel wurde zuletzt im März 2018 aktualisiert

Erfahren Sie mehr über Big Data

Diskussion starten

Schicken Sie mir eine Nachricht bei Kommentaren anderer Mitglieder.

Bitte erstellen Sie einen Usernamen, um einen Kommentar abzugeben.

- GOOGLE-ANZEIGEN

SearchSecurity.de

SearchStorage.de

SearchNetworking.de

SearchDataCenter.de

Close