使用實時數(shù)據(jù)面臨的主要挑戰(zhàn)

分析實時數(shù)據(jù)一直對那些使用 ML 模型的人提出挑戰(zhàn)，因為他們希望使用最新數(shù)據(jù)提高推理的準確性。

由于實時數(shù)據(jù)的交付速度對于手動分析或用于數(shù)據(jù)組織的傳統(tǒng)軟件來說太快了，因此只有 AI 和 ML 才能理解大量的流數(shù)據(jù)。但是，雖然使用實時數(shù)據(jù)是 ML 模型最有價值的應(yīng)用之一，但對于那些希望利用該工具進行數(shù)據(jù)分析的人來說，它提出了幾個問題。

接下來，我們將討論那些試圖使用實時數(shù)據(jù)的人所面臨的一些主要挑戰(zhàn)以及克服這些挑戰(zhàn)的潛在方法

在哪些用例中，企業(yè)需要使用流數(shù)據(jù)而不是批處理數(shù)據(jù)？總的來說，數(shù)據(jù)流可以用于實時自動化決策，這可能涉及在復(fù)雜數(shù)據(jù)集的生產(chǎn)環(huán)境中利用機器學(xué)習(xí)模型。這方面的例子包括高頻交易中的算法交易、醫(yī)療設(shè)備的異常檢測、網(wǎng)絡(luò)安全中的入侵檢測或電子商務(wù)轉(zhuǎn)換/保留模型。因此，使用批處理數(shù)據(jù)屬于“其他所有事情”，實時決策和上下文不如有大量數(shù)據(jù)要分析重要。因此，使用批量數(shù)據(jù)屬于“其他所有”類別，在該類別中，實時決策和上下文并不重要，而是要分析大量數(shù)據(jù)。這方面的例子包括需求預(yù)測、客戶細分和多點觸控歸因。

雖然利用實時數(shù)據(jù)在連續(xù)數(shù)據(jù)流上訓(xùn)練ML 模型具有快速適應(yīng)變化和能夠節(jié)省數(shù)據(jù)存儲空間等優(yōu)勢，但也存在挑戰(zhàn)。將模型轉(zhuǎn)換為實時數(shù)據(jù)可能會產(chǎn)生額外的開銷，如果沒有正確考慮這些挑戰(zhàn)，可能無法提供理想的結(jié)果。

處理實時數(shù)據(jù)提出了幾個挑戰(zhàn)，首先是實時數(shù)據(jù)本身的概念。“實時”這個詞，不同的人有不同的理解。在分析環(huán)境中，一些人可能認為實時意味著立即獲得答案，而另一些人不介意從收集數(shù)據(jù)的那一刻起等待幾分鐘，直到分析系統(tǒng)做出響應(yīng)。

這些對實時的不同定義可能會導(dǎo)致結(jié)果不明確的問題?？紤]這樣一個場景，在這個場景中，管理團隊對實時分析的期望和理解與實施它的人不同。不明確的定義會導(dǎo)致潛在用例和可以解決的業(yè)務(wù)活動(當(dāng)前和未來的)的不確定性。

一般來說，實時數(shù)據(jù)不會以一致的速度或數(shù)量流動，而且很難預(yù)測它的行為方式。與處理批處理數(shù)據(jù)不同，在管道中發(fā)現(xiàn)缺陷之前不斷重新啟動任務(wù)是不切實際的。由于數(shù)據(jù)不斷流動，處理數(shù)據(jù)時的任何錯誤都會對結(jié)果產(chǎn)生多米諾骨牌效應(yīng)。

實時數(shù)據(jù)處理階段的有限性進一步阻礙了標(biāo)準的故障排除過程。因此，盡管測試可能無法發(fā)現(xiàn)每個意外錯誤，但較新的測試平臺可以更好地調(diào)節(jié)和緩解問題。

從實時數(shù)據(jù)中獲得有用的見解還取決于數(shù)據(jù)的質(zhì)量。數(shù)據(jù)質(zhì)量的缺乏會影響整個分析工作流程，就像糟糕的數(shù)據(jù)收集可能會影響整個管道的性能一樣。沒有什么比從錯誤的數(shù)據(jù)中得出商業(yè)結(jié)論更糟糕的了。

通過分擔(dān)責(zé)任和民主化數(shù)據(jù)訪問，可以高度關(guān)注數(shù)據(jù)的正確性、全面性和完整性。有效的解決方案將確保每個職能部門的每個人都能認識到準確數(shù)據(jù)的價值，并鼓勵他們承擔(dān)起維護數(shù)據(jù)質(zhì)量的責(zé)任。此外，為了保證只使用值得信賴的數(shù)據(jù)源，必須使用自動化程序?qū)㈩愃频馁|(zhì)量政策應(yīng)用于實時數(shù)據(jù)，因為這減少了不必要的分析工作。

由于數(shù)據(jù)格式的多樣性和數(shù)據(jù)源數(shù)量的不斷增加，實時數(shù)據(jù)處理管道可能會面臨困難。例如，在電子商務(wù)中，活動監(jiān)控工具、電子活動跟蹤器和消費者行為模型都跟蹤在線世界中的網(wǎng)絡(luò)活動。同樣，在制造業(yè)中，各種各樣的物聯(lián)網(wǎng)設(shè)備被用來從各種設(shè)備中收集性能數(shù)據(jù)。所有這些用例都有不同的數(shù)據(jù)收集方法，并且通常也有不同的數(shù)據(jù)格式。

由于數(shù)據(jù)的這些變化，API 規(guī)范更改或傳感器固件更新可能會導(dǎo)致實時數(shù)據(jù)流中斷。為了避免錯誤的分析和潛在的未來問題，實時數(shù)據(jù)必須考慮到無法記錄事件的情況。

各種新的信息來源給企業(yè)帶來了問題。當(dāng)前分析傳入數(shù)據(jù)的流程的規(guī)模已大幅增長。使用本地或云中的信息湖收集和準備信息可能需要比預(yù)期更多的測試。

該問題主要源于遺留系統(tǒng)和技術(shù)的使用，這需要不斷擴大的熟練信息設(shè)計師和工程師來獲取和同步信息，并創(chuàng)建將信息傳達給應(yīng)用程序所需的檢查管道。

鑒于處理實時數(shù)據(jù)的獨特挑戰(zhàn)，企業(yè)組織需要考慮哪些工具將幫助他們以最有效的方式部署和管理 AI 和 ML 模型。一個簡單易用的界面可以讓團隊中的任何人利用實時指標(biāo)和分析來跟蹤、衡量和幫助提高 ML 的性能，這將是理想的選擇。

基本的可觀察性功能，如生產(chǎn)中使用的數(shù)據(jù)的實時審計跟蹤，可以幫助團隊輕松識別障礙的根本原因。最終，企業(yè)的競爭力可能取決于其從實時數(shù)據(jù)中獲得可操作的業(yè)務(wù)洞察力的能力，這些數(shù)據(jù)處理管道針對大量數(shù)據(jù)進行了優(yōu)化，同時仍提供對模型性能的可見性。

本文作者：Nina Zumel 是Wallaroo Labs的數(shù)據(jù)科學(xué)副總裁

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。