Tech Trends 2021
Część 2 - Dane: Różnorodność możliwości
Webinar, 12 lutego 2021
Webinar poprowadzą:
Daniel Martyniuk Partner, lider zespołu strategii i transformacji IT damartyniuk@deloittece.com
Agnieszka Zielińska
Partner w Dziale Doradztwa Finansowego
azielinska@deloittece.com
Aneta Olędzka Manager w zespole Analytics & Cognitive aoledzka@deloittece.com
Adam Rafajeński Dyrektor w zespole cyberbezpieczeństwa arafajenski@deloittece.com
Wyznaczanie trendów: Dwanaście lat badań
Pełny raport Trendy technologiczne 2021 jest dostępny do bezpłatnego pobrania nahttp://www2.deloitte.com/pl/techtrends2021
Metodyka opracowania 12. raportu Tech Trends
Trendy, które w najbliższych 18-24 miesiącach mogą spowodować
rewolucję w firmach w różnych branżach i regionach
N A S Z R A P O R T O P I S U J E :
Feedback
od zarządów firm naszych klientów, dotyczący bieżących i przyszłych priorytetów.Prognozy i analizy
sporządzone przez badaczy nauki i przemysłu.Mapy drogowe i priorytety inwestycyjne
wiodących startupów, funduszy venture capital i dostawców technologii.C O Z D E C Y D O W A Ł O O
W Y B O R Z E T R E N D Ó W ?
Serce organizacji 5 lutego 2021
Lepsze doświadczenia 19 lutego 2021
Przeprojektowana strategia (Strategy, engineered)
Dane: Różnorodność możliwości 12 lutego 2021
Cykl webinarów: Trendy Technologiczne 2021
Wielka odnowa starego systemu (Core revival)
Dostawy: od łańcucha do sieci (Supply unchained)
MLOps: Skalowanie sztucznej inteligencji (MLOps: Industrialized AI)
Rewolucja w danych:
nowy wsad do maszyny (Machine data revolution:
Feeding the machine)
Nigdy nie ufaj nikomu, czyli zero trust (Zero trust:
Never trust, always verify)
Doświadczenia szyte na miarę (Bespoke for billions:
Digital meets physical)
Restart modelu pracy (Rebooting the digital workplace)
Technologia w służbie różnorodności
(DEI tech: Tools for equity)
Obejrzyj nagranie z webinaru
MLOps: Skalowanie sztucznej inteligencji
Era chałupniczo projektowanej sztucznej inteligencji musi ustąpić miejsca MLOps - inżynierskiej precyzji, która pomoże w opracowaniu automatyzacji,
konserwacji i dostarczy skalowalne modele uczenia maszynowego - aby skrócić cykle rozwoju i
uprzemysłowić sztuczną inteligencję.
Rozwiązania uczenia maszynowego pomagają firmom:
skutecznie identyfikować wzorce, odkrywać anomalie,
generować wnioski, przewidywać,
podejmować decyzje.
Szybkie podejmowanie decyzji jest kluczem do reagowania na potrzeby klientów i wyzwań związanych
z optymalizacją kosztów. Nieskalowalne projektowanie
i wdrażanie przy użyciu ręcznych, dedykowanych procesów,
utrudnia eksperymentowanie i współpracę między zespołami produktowymi, operacyjnymi i analitykami danych, oraz ogranicza ich swobodę twórczą.
Wzrasta liczba wdrożeń AI i ML
Inżynieryjna i operacyjna precyzja może pomóc organizacjom pokonać przeszkody i efektywnie skalować sztuczną inteligencję, aby umożliwić transformację biznesową.
MLOps
/ MLDevOps
Zarządzanie cyklem życia uczenia maszynowsgo projektów AI / uczenia maszynowego kończy się niepowodzeniem
MLOps: Skalowanie sztucznej inteligencji
nie wychodzi nawet z fazy eksperymentalnej i nie trafia do produkcji
28%
47%
Wydajność organizacyjna i tworzenie wartości
Podobnie jak DevOps, MLOps oferuje
zautomatyzowane strumienie programistyczne, procesy i narzędzia, które usprawniają tworzenie i operacje modelu uczenia maszynowego.
Zautomatyzowane strumienie wytwórcze
Ustandaryzowane procesy
Lepsza organizacja danych
Ciągłość wytwórcza
Szybkie eksperymenty
Szybkie dostarczanie
Uprzemysłownie AI Szybkie dostrajanie Poprawa współpracy
Zarządzanie szkicami modeli
Prognozujemy, że do 2025 roku rynek MLOps wzrośnie do prawie 4 miliardów dolarów
MLOps: Skalowanie sztucznej inteligencji
ZASADY ŁĄCZENIA AI Z DEVOPS
Dzięki MLOps inżynierowie danych i technolodzy mogą rozszerzyć zakres działań zespołów AI od budowania modeli do operacjonalizacji.
MLOps: Skalowanie sztucznej inteligencji
ZASADY ŁĄCZENIA AI Z DEVOPS Podobnie jak DevOps, MLOps oferuje
zautomatyzowane strumienie programistyczne, procesy i narzędzia, które usprawniają tworzenie i operacje modelu uczenia maszynowego.
W L I C Z B A C H S I Ł A Wszechstronne zespoły technologów
i specjalistów ds. uczenia maszynowego mogą pomóc organizacjom w operacjonalizacji i skalowaniu sztucznej inteligencji.
Rozszerzone zespoły programistyczne
i produkcyjne + podejście oparte na współpracy vs. poleganie na kilku ekspertach
NARZĘDZIA: Zautomatyzowane uczenie maszynowe, czyli AutoML, może przyspieszyć tworzenie modeli, pomagając naukowcom zajmującym się danymi w szybkim testowaniu różnych modeli i wariantów.
MLOps: Skalowanie sztucznej inteligencji
ZASADY ŁĄCZENIA AI Z DEVOPS Podobnie jak DevOps, MLOps oferuje
zautomatyzowane strumienie programistyczne, procesy i narzędzia, które usprawniają tworzenie i operacje modelu uczenia maszynowego.
W L I C Z B A C H S I Ł A Wszechstronne zespoły technologów
i specjalistów ds. uczenia maszynowego mogą pomóc organizacjom w operacjonalizacji i skalowaniu sztucznej inteligencji.
WYZWANIA ZWIĄZANE Z DANYMI:
Rzetelność Transparentność Zgodność z regulacjami Etyka AI
Prywatność i zgody Ochrona danych Nieobiektywne dane
MLOps może pomóc w opracowaniu standardów idetyfikalności i stworzeniu
odgórnych wytycznych w zakresie standryzacji, automatyzacji i współpracy.
Narzędzia MLOps mogą automatycznie
rejestrować i przechowywać informacje o tym, jak wykorzystywane są dane, kiedy modele zostały wdrożone i ponownie skalibrowane oraz przez kogo i dlaczego wprowadzono zmiany.
Anthem National Oceanic and
Atmospheric Administration
Morgan Stanley
Case studies
Aby lepiej zrozumieć środowisko
Tworzenie prognoz potencjalnie ratujących życie
Wykrywanie i zapobieganie oszustwom Automatyzacja sprzedaży i marketingu Spersonalizowane zarządzanie majątkiem
Wymyślenie i przeorganizowanie krytycznych procesów biznesowych
Usprawnienie zarządzania roszczeniami
Utworzenie wirtualnego centrum sztucznej inteligencji, umożliwiającego zespołom dzielenie się najlepszymi praktykami i integrację działań, gdy jest to konieczne.
Wzmacnianie i rozszerzanie partnerstw.
Wykorzystanie zasad MLOps do skalowania AI i ML
Typowe platformy do zarządzania danymi oraz opracowywania, wdrażania
i monitorowania modeli ML Scentralizowane źródeł danych Zaawansowane techniki maskowania danych
Jeden interfejs dla wszystkich rozwiązań AI i ML Zintegrowane środowisko programistyczne Kompleksowa platforma, która służy jako punkt całościowej obsługi, w której programiści i analitycy danych przygotowują i przechowują dane szkoleniowe, budują i weryfikują modele za pomocą łatwych
w użyciu interfejsów oraz wdrażają je na dużą skalę Mechanizm informacji zwrotnej
Inicjatywa konsolidująca dane z siedmiu systemów w jednym repozytorium
PRZYKŁAD ZASTOSOWANIA
ZASTOSOWANE ROZWIĄZANIE
Rewolucja w danych: nowy wsad do maszyny
Aby osiągnąć korzyści i skalę sztucznej inteligencji i MLOps, potrzebne jest
opracowanie nowego podejścia do zarządzania danymi pod kątem
wykorzystania ich przez algorytmy uczenia
maszynowego, a nie przez człowieka. Dlatego
organizacje muszą zmienić sposoby zbierania,
przechowywania i przetwarzania danych.
Rewolucja w danych: nowy wsad do maszyny
POZYSKUJ I PRZECHOWUJ
Przeszukuj starsze systemy i bazy danych, aby znaleźć cenne, nieustrukturyzowane i nietradycyjne dane. Agreguj i przechowuj je na platformach opartych na chmurze zoptymalizowanych pod kątem uczenia maszynowego.
Rewolucja w danych: nowy wsad do maszyny
POZYSKUJ I PRZECHOWUJ
Przeszukuj starsze systemy i bazy danych, aby znaleźć cenne, nieustrukturyzowane i nietradycyjne dane. Agreguj i przechowuj je na platformach opartych na chmurze zoptymalizowanych pod kątem uczenia maszynowego.
O D K R Y W A J I Ł Ą C Z
Wykorzystaj technologię kognitywnego zarządzania danymi, aby odkryć zależności i nieoczywiste powiązania między różnymi danymi.
Rewolucja w danych: nowy wsad do maszyny
POZYSKUJ I PRZECHOWUJ
O D K R Y W A J I Ł Ą C Z
W Z M O C N I J M O Ż L I W O Ś C I M L
Poznaj możliwości wykorzystania przetwarzania brzegowego i 5G w celu zwiększenia możliwości przetwarzania danych w czasie rzeczywistym i zmniejszenia opóźnień.
Przeszukuj starsze systemy i bazy danych, aby znaleźć cenne, nieustrukturyzowane i nietradycyjne dane. Agreguj i przechowuj je na platformach opartych na chmurze zoptymalizowanych pod kątem uczenia maszynowego.
Wykorzystaj technologię kognitywnego zarządzania danymi, aby odkryć zależności i nieoczywiste powiązania między różnymi danymi.
Case studies
AT&T
Demokratyzacja dostępu do danych oraz stworzenie przejrzystego procesu przetwarzania danych
Dostępność danych gotowych do wykorzystania w biznesie Zmniejszenie opóźnienia w dostępie do danych
Dostęp do danych w czasie rzeczywistym Poprawa jakości danych
Wzmocnienie zarządzania danymi u źródła
Wsparcie strategii biznesowych skupionych wokół Klientów Banku
Opracowanie platformy Amp, która umożliwia kulturę dzielenia się technologią i danymi, ich wielokrotnego użytku i rozszerzalności.
Firma wykorzystuje zdolność chmury do skalowania mocy obliczeniowej zgodnie z potrzebami. Moc chmury pomaga stworzyć dostęp w czasie rzeczywistym, którego wymaga ML.
Wdrożenie wielopłaszczyznowego modelu siatki danych (data mesh), który przenosi dane wszędzie tam, gdzie muszą się znaleźć w ekosystemie, od źródła aż do konsumenta.
Opracowanie mechanizmu informacji zwrotnej, który umożliwia
naukowcom zajmującym się danymi żądanie naprawy problemów z jakością danych u źródła i skupienie się na przekształcaniu danych w wartość.
Wdrożenie zaawansowanej analityki i warstwy AI, aby wspierać strategie biznesowe, które szybko ewoluują.
PRZYKŁAD ZASTOSOWANIA
ZASTOSOWANE ROZWIĄZANIE
ABN AMRO
Nigdy nie ufaj nikomu, czyli zero trust
Podejście zero zaufania w cyberbezpieczeństwie daje możliwość stworzenia solidniejszych
i odporniejszych zabezpieczeń, uproszczenia
zarządzania bezpieczeństwem, poprawy
doświadczenia użytkownika końcowego
i wprowadzenia nowoczesnych praktyk IT.
Nigdy nie ufaj nikomu, czyli zero trust
PODSTAWY CYBERWZMOCNIENIA Udoskonalenie podstawowych zasad i praktyk cyberhigieny może pomóc firmom w osiągnięciu pełnych korzyści wynikających z zerowego zaufania.
Nigdy nie ufaj nikomu, czyli zero trust
PODSTAWY CYBERWZMOCNIENIA Udoskonalenie podstawowych zasad i praktyk cyberhigieny może pomóc firmom w osiągnięciu pełnych korzyści wynikających z zerowego zaufania.
A U T O M A T Y Z U J T E C H N I K I B E Z P I E C Z E Ń S T W A
Uproszczenie, integracja i automatyzacja zabezpieczeń stosu technologicznego może poprawić wydajność zespołów cyber oraz usprawnić procesy i operacje związane z bezpieczeństwem.
Nigdy nie ufaj nikomu, czyli zero trust
PODSTAWY CYBERWZMOCNIENIA Udoskonalenie podstawowych zasad i praktyk cyberhigieny może pomóc firmom w osiągnięciu pełnych korzyści wynikających z zerowego zaufania.
A U T O M A T Y Z U J T E C H N I K I B E Z P I E C Z E Ń S T W A
Uproszczenie, integracja i automatyzacja zabezpieczeń stosu technologicznego może poprawić wydajność zespołów cyber oraz usprawnić procesy i operacje związane z bezpieczeństwem.
P R Z E M Y Ś L P O D E J Ś C I E D O B E Z P I E C Z E Ń S T W A Metoda „zero trust” może wymagać od
przedsiębiorstw ponownego przemyślenia podejścia organizacji do bezpieczeństwa oraz umiejętności, procesów i technologii, które je wspierają.
Kto i co jest potrzebne do realizacji takiego celu?
Jakiego typu organizacji dotyczy ta koncepcja ? Czy „Zero Trust” oznacza
całkowity brak zaufania?
Nie taniej i szybciej wyłączyć system?
Key questions
Zapraszamy na trzeci webinar
Cykl webinarów: Trendy Technologiczne 2021
Lepsze doświadczenia 19 lutego 2021
Doświadczenia szyte na miarę (Bespoke for billions: Digital meets physical)
Restart modelu pracy (Rebooting the digital workplace)
Technologia w służbie różnorodności
(DEI tech: Tools for equity)
P O B I E R Z R A P O R T Te c h T r e n d s 2 0 2 1
http://www2.deloitte.com/pl/techtrends2021
Dziękujemy za uwagę
Daniel Martyniuk Partner, lider zespołu strategii i transformacji IT damartyniuk@deloittece.com
Agnieszka Zielińska
Partner w Dziale Doradztwa Finansowego
azielinska@deloittece.com
Aneta Olędzka Manager w zespole Analytics & Cognitive aoledzka@deloittece.com
Adam Rafajeński Dyrektor w zespole cyberbezpieczeństwa arafajenski@deloittece.com
