El análisis y la integración de datos son los componentes clave para construir una estrategia de datos. Para que las organizaciones tengan una estrategia de datos eficaz, se requiere la definición de métricas mensurables y la consideración adecuada de todas las fuentes de datos. Una estrategia de datos eficaz también debe definir cómo se pueden mover los datos desde diversas fuentes a una ubicación donde puedan utilizarse posteriormente para análisis. 

Con las implementaciones de vanguardia cada vez mayores para satisfacer las demandas de IoT, dispositivos inteligentes, tecnologías de juegos y otras tecnologías similares, combinadas con el reciente revuelo hacia la IA y específicamente la IA generativa, las organizaciones están bajo presión para derivar la estrategia de datos adecuada que no solo considera todas las fuentes de datos pero también las implementa de una manera rentable que puede ayudar a tomar buenas decisiones comerciales. 

Este artículo tiene como objetivo proporcionar una descripción general y los factores que deben tenerse en cuenta para crear una estrategia de datos eficaz que tenga en cuenta todos los desafíos y oportunidades asociados con las implementaciones de borde y nube y aproveche las ventajas de la inteligencia artificial. Este artículo se centrará únicamente en los aspectos de integración de los datos de varias implementaciones y no en los conocimientos analíticos. 

¿Qué son las implementaciones perimetrales?

La implementación perimetral es un concepto asociado con la implementación de sistemas más cercanos a las instalaciones del cliente con la intención de proporcionar una respuesta localizada, de baja latencia y más rápida. Desde el inicio de este concepto, ha ganado mucha atención principalmente porque tiene el potencial de brindar una experiencia de cliente localizada con un tiempo de respuesta rápido. Estas implementaciones suelen ser de menor tamaño y se centran en abordar necesidades empresariales críticas. Idealmente, las organizaciones implementarán sus soluciones en múltiples ubicaciones de borde para abordar su base de clientes y se espera que estén conectadas a un centro de datos principal alojado en la nube. 

Ventajas de las implementaciones perimetrales

No todas las organizaciones necesitan que sus soluciones se implementen en ubicaciones periféricas. Las organizaciones que implementan soluciones en el borde solo lo hacen si necesitan brindar respuestas instantáneas, personalizadas y localizadas a sus clientes. Las implementaciones perimetrales ofrecen las siguientes ventajas:

• Con la computación en el borde, las organizaciones pueden brindar experiencias localizadas o personalizadas y respuestas más rápidas a los clientes. Además, dado que toda la informática se realiza en el borde, el grado de certeza y confiabilidad, incluso cuando existen limitaciones o interrupciones en la red, afectaría la comunicación con la nube. 
• Con la incorporación de la IA a la corriente principal, los proveedores de la nube se encuentran bajo una presión cada vez mayor para satisfacer las altas demandas de las cargas de trabajo de IA. Existen desafíos tanto desde la perspectiva de los recursos de hardware como de los parámetros de sostenibilidad, ya que ambos son limitados. Por lo tanto, las organizaciones necesitan implementar cargas de trabajo basadas en IA en sitios periféricos para abordar las preocupaciones y equilibrar las cargas de trabajo. 

• Las organizaciones que implementan soluciones en el borde generalmente recopilan datos y los almacenan en el mismo sitio. Esta actividad proporciona ventajas tanto desde la perspectiva de la seguridad como de la gobernanza de datos. A medida que los datos se procesan en el borde, las posibilidades de una filtración de datos son menos probables y se pueden cumplir las leyes internacionales de almacenamiento de datos dentro de los límites locales. 

• Computación de borde reduce los costos operativos ya que los datos se almacenan y procesan localmente. Además, en situaciones en las que la conectividad con la nube u otros centros de datos perimetrales disminuye, los centros de datos perimetrales pueden funcionar sin conexión. Esto brinda a los clientes la capacidad de brindar servicio a sus clientes incluso durante el tiempo de inactividad. 

Análisis en el borde

Con el análisis de borde, las organizaciones pueden procesar los datos, obtener información basada en análisis de borde y tomar las medidas adecuadas. Procesar los datos aquí significaría limpiarlos, agregarlos y modelarlos adecuadamente con fines analíticos. El análisis en el borde es más rápido y la latencia es mínima. Por lo tanto, para las organizaciones que necesitan obtener información de los dispositivos conectados y tomar las medidas adecuadas en tiempo real, el análisis de borde puede resultar muy útil. 

Análisis perimetral frente a análisis en la nube

El objetivo principal tanto del análisis de borde como del análisis de la nube es analizar todos los datos, obtener información y facilitar los procesos de toma de decisiones adecuados. Aquí hay algunas diferencias clave entre ambos. 

• Una solución de análisis centralizada alojada en la nube considera datos de todas las fuentes que normalmente son masivos. Por otro lado, una solución de análisis de borde puede considerar solo los datos de la implementación o implementaciones de borde sobre las que tiene visibilidad. 

• Dado que una solución de análisis de la nube se implementa en una nube, todos los datos sin procesar deben transportarse a la nube, limpiarse y preprocesarse antes de incorporarlos a la solución de análisis. Mover datos de diversas fuentes a la nube puede llevar mucho tiempo y una mayor limpieza y modelado de los datos también podría provocar retrasos. El análisis de borde, por otro lado, procesa los datos generados a partir de las implementaciones de borde de las que tiene visibilidad. Como las soluciones de análisis de borde están más cerca de las fuentes donde se generan los datos, la latencia es mínima. 

• Las actividades de integración de datos, como el preprocesamiento y la normalización de los datos, se vuelven actividades complicadas cuando las fuentes de datos generan datos en diferentes formatos. Esta actividad puede generar enormes costos adicionales y también requiere mucho tiempo. En el caso del análisis de borde, las actividades de integración de datos se realizarán en el borde y normalmente no se espera que los datos estén en formatos diferentes. 

• Las soluciones de análisis en la nube brindan una perspectiva completa del estado general del negocio, ya que tienen acceso a todas las fuentes de datos. Por lo tanto, para que las organizaciones analicen los indicadores clave de rendimiento, confían en las soluciones de análisis en la nube. El análisis perimetral proporciona métricas asociadas con una implementación o ubicación particular y no representa ni proporciona el desempeño de toda la organización. 

Consideraciones para una estrategia de datos eficaz

El objetivo principal de una estrategia de datos es identificar mecanismos para medir métricas clave que forman parte de la estrategia empresarial general. Por lo tanto, una estrategia de datos debe considerar todas las fuentes de datos, identificar algoritmos de modelado y preprocesamiento apropiados y, finalmente, introducir los datos procesados ​​en una solución de análisis para obtener información y acciones detalladas.

En el caso de las organizaciones que implementan soluciones de borde interconectadas, se espera que se generen cantidades masivas de datos en cada uno de los sitios de borde. Por lo tanto, una estrategia de datos eficaz debe considerar las implicaciones de costos al procesar estas enormes cantidades de datos. A continuación se presentan algunas consideraciones clave para crear una estrategia de datos eficaz:

• Una estrategia de datos debe tener una definición clara de indicadores clave de desempeño que se correspondan con la estrategia comercial general. Estos KPI deben medirse a nivel organizacional general. Según las necesidades o la estrategia del negocio, si es necesario medir métricas en ubicaciones de borde para tomar decisiones en tiempo real o acelerar el tiempo de respuesta, la estrategia de datos también debe considerar los KPI para ubicaciones de borde separadas. 

• Una estrategia de datos debe cubrir de manera integral ambos integración de datos métodos y herramientas de análisis. Para el análisis en el borde, se espera que el método de integración de datos sea simple, ya que los datos sin procesar estarán en un formato específico. Sin embargo, para el análisis en la nube, se espera que las tecnologías de integración de datos sean complicadas debido a las estructuras de datos dispares y la necesidad de transformarse a una estructura común antes de usarla con fines analíticos. 

• La estrategia de datos debe cubrir consideraciones de seguridad, latencia y ancho de banda. Si corresponde, también debe cubrir la transferencia de datos a través de fronteras internacionales. 

• La estrategia de datos debe resaltar las limitaciones de hardware al implementar soluciones de análisis en el borde y la nube, ya que ambas soluciones tienen ventajas y desventajas. En el caso del análisis de borde, la eficacia del análisis depende de la potencia de cálculo en el sitio de borde. Si existen limitaciones de recursos para ejecutar análisis en el borde, la estrategia debe considerar un sitio de borde cercano alternativo que pueda realizar la tarea. 

• Las organizaciones que implementan soluciones de análisis de borde deben ser conscientes de que el resultado o el alcance de la solución solo se limita a las implementaciones de borde de las que tiene visibilidad. Por lo tanto, la eficacia de la solución sólo se puede lograr si los indicadores clave de rendimiento son específicos del borde. 

• La eficacia de una estrategia de datos sólo se puede lograr cuando detalla una estrategia específica tanto para las implementaciones de borde como para la implementación general de la nube. Sólo una solución de análisis en la nube puede proporcionar una visión integral del desempeño de la organización. Sin embargo, trasladar todos los datos de las implementaciones perimetrales a una ubicación central en la nube es una actividad costosa y que requiere mucho tiempo. Con las recientes mejoras en inteligencia artificial, las organizaciones ahora pueden aprovechar la IA para crear una estrategia de datos de manera efectiva. 

Aprovechando la inteligencia artificial para el análisis

Para que las organizaciones aprovechen la inteligencia artificial al crear una solución integral de análisis en la nube, todas las soluciones de análisis de borde y la solución de análisis en la nube deben estar interconectadas. Cuando estas soluciones están interconectadas, pueden mover datos entre sitios según sea necesario y también pueden proporcionar visibilidad completa, tanto desde una perspectiva centralizada como desde una perspectiva perimetral. Aquí hay una propuesta de cómo las organizaciones pueden incorporar la IA en la estrategia de datos: 

• Mantenga el procesamiento de datos sin procesar solo en ubicaciones de borde. Los análisis de borde no solo deben proporcionar análisis para el sitio de borde, sino que también deben tener la capacidad de enviar el resultado de los análisis a través de la red a otros sitios. 

• Una solución de análisis interconectada debe tener la capacidad de enviar y recibir resultados de análisis hacia o desde otra solución de análisis a través de la red. Dado que se espera que todas las soluciones de análisis de la red estén en el mismo formato o en un formato que no requiera transformación adicional, la integración y transformación de datos serán sencillas.

• Con la ayuda de algoritmos de IA adecuados, las soluciones de análisis en la nube deberían poder solicitar datos procesados ​​desde ubicaciones periféricas. Del mismo modo, las ubicaciones de borde también deberían poder aprovechar los algoritmos de IA para intercambiar métricas de rendimiento y otros indicadores clave con otras ubicaciones de borde y la nube. 

• Las soluciones de análisis de borde y de nube deberían utilizar la IA para aprender de otras implementaciones dentro de la red y proporcionar mejores conocimientos.

El uso eficaz de la IA en implementaciones y análisis de borde puede reducir eficazmente el tiempo de respuesta y proporcionar análisis integrales a las partes interesadas. 

La necesidad de una estrategia de datos integral en un modelo de implementación múltiple

Las organizaciones buscan constantemente formas de brindar una experiencia más fluida, localizada y más rápida a los clientes. Las tecnologías recientes, 5G y Edge, han sido los principales impulsores y proporcionan plataformas para que todas estas organizaciones logren sus objetivos. A medida que las organizaciones se embarcan en este viaje de implementación de soluciones en ubicaciones perimetrales y evolucionan, necesitan una forma de medir el rendimiento de su solución. Esto se puede lograr a través de un modelo de análisis integral que no solo proporciona una vista completa de extremo a extremo de su implementación, sino que lo hace en tiempo real y de manera rentable. Aprovechar la IA, como se explica en este artículo, es una de las posibles formas de lograr este objetivo. 

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.dataversity.net/building-an-effective-data-strategy-for-edge-deployments/