IBM Watsonx.data: Straffung des AI -Datenstapels Enterprise

IBM positioniert Watsonx.data als eine entscheidende Plattform für Unternehmen, die darauf abzielen, die Bereitstellung pr?ziser und skalierbarer generativer KI -L?sungen zu beschleunigen. Dies wird erreicht, indem die komplexe Daten-für-AI-Infrastruktur durch eine offene hybride Architektur vereinfacht wird. In diesem Artikel werden die Hürden untersucht, die bei der Einführung von Enterprise AI konfrontiert sind und wie IBM Watsonx.data nutzt, um diese Herausforderungen zu bew?ltigen, was letztendlich einen Mehrwert für den t?glichen Betrieb verleiht.

(Hinweis: IBM ist ein beratender Kunde meiner Firma Moor Insights & Strategy.)

Navigation in der generativen KI -Adoptionslandschaft

Bevor Sie sich mit den von IBM Think enthüllten Einzelheiten befassen, ist es entscheidend, die Kernprobleme zu verstehen. W?hrend die Einführung von Unternehmen der generativen KI rasch expandiert, entdecken viele Organisationen, dass ihre vorhandenen Datenumgebungen für die Anforderungen der KI schlecht gerüstet sind. IBM zeigt, dass derzeit weniger als 1% der Unternehmensdaten für generative KI verwendet werden, wobei rund 90% unstrukturiert und an verschiedenen Orten, Formaten und Plattformen verteilt sind. Im Gegensatz zur allgemeinen Meinung ist das Haupthindernis für den generativen KI -Erfolg keine Inferenzkosten oder die Modelloptimierung. Es sind die Daten selbst.

Viele Unternehmen verwenden fehlerhafte generative KI -Strategien und priorisieren die Anwendungsentwicklung vor der Bew?ltigung grundlegender Datenherausforderungen, die die Modellleistung behindern. Hochleistungsf?hige, genaue KI erfordert zuverl?ssige, organisationsspezifische Daten. Viele Mengen unstrukturierter Daten - die in E -Mails, Dokumenten, Pr?sentationen und Videos leben - bleiben jedoch für gro?e Sprachmodelle und generative KI -Tools in vielen Unternehmen unzug?nglich.

Die inh?rente Dynamik, Fragmentierung, das Fehlen klarer Bezeichnungen und die kontextbezogenen Interpretationsbedürfnisse unstrukturierter Daten stellen erhebliche Herausforderungen dar. Abrufener Generation, die für strukturiertes Wissensabruf wirksam ist, erweist sich bei dem Versuch, unstrukturierte Informationsextraktion und Harmonisierung ineffizient zu versuchen. Darüber hinaus führen die unzusammenh?ngenden Stapel von Data Lake, Lagerhaus, Governance und Integrationsplattform innerhalb von Unternehmen Komplexit?t anstelle von Stromlinienprozessen hinzu.

Dies stellt eine erhebliche verpasste Gelegenheit dar, da die Nutzung interner Unternehmensdaten für KI einen immensen Wert bei der Bew?ltigung spezifischer organisatorischer Herausforderungen erzielen k?nnte. Wie Edward Calvesbert, IBMs VP von Watsonx Product Management, feststellte, entsteht die Differenzierung aus der Verwendung propriet?rer Unternehmensdaten in Anwendungen und Systemen, um greifbare Ergebnisse zu erzielen.

Watsonx.Data: Ein Katalysator für die Einführung von KI

Die strategische L?sung von IBM für das unstrukturierte Datenproblem des Unternehmens ist Watsonx.data. IBM Think baute auf seinem Start von 2023 eine Watsonx.Data der n?chsten Generation vor-ein hybrides, offenes Daten-Lakehouse mit Datengewebefunktionen. Zu den wichtigsten Innovationen geh?ren Watsonx.Data -Integration, Vereinfachung des Zugangs und Managements verschiedener Datenformate sowie Watsonx.Data Intelligence, wobei AI zur Automatisierung von Datenkuration, Management und Governance zu automatisieren ist. Bis zur DataStax -Akquisition plant IBM die Integration der NoSQL- und Vector -Datenbankfunktionen von DataStax, um das unstrukturierte Datenmanagement in Watsonx.data weiter zu verbessern.

Die Watsonx.Data-Architektur priorisiert die Trennung von Speicher und Computing, unterstützt offene Formate wie Apache Iceberg und Presto, erm?glicht die Hybridbereitstellung in Cloud- und lokalen Umgebungen und integriert sich tief in Governance- und Sicherheitstools. IBM zielt darauf ab, Unternehmen zu bef?higen, strukturierte und unstrukturierte Daten im Ma?stab aufzunehmen, zu regieren und abzurufen. Dies k?nnte laut IBM zu generativen AI -Anwendungen und agenten -KI -Modellen führen, die 40% genauer, leistungsf?higer und schneller sind. Calvesbert betont die Verschiebung vom Informationsabruf zu wirkungsvollen, genauen und skalierbaren KI -Ergebnissen.

IBMs DB2 -Integration mit Watsonx

IBM modernisiert weiterhin DB2 und einbettet Watsonx-Funktionen direkt in DB2 12.1 ein, um die KI-betriebene Automatisierung zu verbessern. Der Datenbankassistent, ein natürliches Sprachwerkzeug, das als Echtzeitberater für DBAs fungiert, hilft bei der Leistungsüberwachung, der Problemdiagnose und der Systemoptimierung.

DB2 Version 12.1.2 erweitert seine Rolle in der AI-f?higen Datenstrategie von IBM. Es unterstützt nun nativ die Vektoreinbettung und die ?hnlichkeitssuche und beschleunigt die Entwicklung der AI -Anwendungen, die strukturierte und unstrukturierte Datenquellen kombiniert. Durch Watsonx.Data nehmen die DB2 -Arbeitsbelastungen an AI -Pipelines mit gemeinsamer Governance, Unified Metadaten und Federated Access teil. Unterstützung für offene Tabellenformate (Apache ICEBERG) und Integration mit Vector -Datenbanken Brücken strukturierte und unstrukturierte Daten, wobei DB2 aus einer herk?mmlichen relationalen Datenbank in ein grundlegendes Element des Unternehmens -AI -Stapels verwandelt wird und Automatisierung, Beobachtbarkeit und Skalierbarkeit in hybriden Umgebungen unterstützt.

Real-World Watsonx.Data Erfolgsgeschichten

Inmitten der Skepsis im Zusammenhang mit der realen Auswirkungen von Enterprise AI zeigt IBM messbare Gesch?ftsergebnisse in verschiedenen Branchen. Banfast, ein gro?es schwedisches Bauunternehmen, reduzierte die manuellen Dateneingabe um 75% unter Verwendung von Watsonx.data, die die Gesundheit und Sicherheit der Arbeitnehmer verbessert. Ein US-Finanzdienstleistungsunternehmen spart 5,7 Millionen US-Dollar, indem er eine einheitliche Sichtweise der betrieblichen IT-Daten erstellt hat, wodurch der Zugriff auf Selbstbedienung, eine konsistente Governance und automatisierte Verarbeitung erm?glicht wurde.

In Zusammenarbeit mit IBM und EY automatisierte indirekte Steuerdatenaufnahme und -konsolidierung in 34 Quellsystemen in 73 L?ndern, erh?ht sie die Effizienz der Compliance. Das gemeinsame IBM- und EY -Produkt Ey.ai for Tax integriert das Steuerkenntnis von EY in die KI -Technologie von IBM, einschlie?lich Watsonx.data. In Sport und Medien arbeitet IBM mit den US Open und den Masters zusammen und verarbeitet Millionen von Datenpunkten in Echtzeit, um KI-gesteuerte Erkenntnisse zu generieren. Diese Bereitstellungen zeigen, wie Watsonx.Data die Dateninfrastruktur modernisiert und schnellere Einblicke, gr??ere Betriebseffizienz und Wettbewerbsdifferenzierung für Unternehmensklassen erm?glichen.

Herausforderungen und überlegungen für Watsonx.data

W?hrend Watsonx.data einen vielversprechenden Ansatz für das Unternehmensdatenmanagement bietet, bleiben Herausforderungen, insbesondere für Organisationen zu Beginn ihrer Modernisierungsreisen von Daten. Die Integration unstrukturierter und strukturierter Daten in Cloud- und lokalen Umgebungen bleibt komplex. Datenabbrüche, inkonsistente Governance -Richtlinien und interne Silos k?nnen die Akzeptanz behindern. Selbst mit einer einheitlichen Plattform erfordert die Vorbereitung von Daten für die KI - die sichergestellt wird, dass sie sauber, beschriftet und vertrauenswürdig sind - erhebliche Anstrengungen.

Die organisatorische Bereitschaft ist ein weiterer Schlüsselfaktor. Teams fehlen m?glicherweise die F?higkeiten oder Prozesse, um die Funktionen von Watsonx.Data vollst?ndig zu nutzen, insbesondere bei der Ausrichtung von Datenmanagement- und AI -Anwendungsentwicklungsteams. Kosten und betriebliche Komplexit?t sind ebenfalls überlegungen. Die Bereitstellung von Watsonx.Data in einer hybriden Umgebung mit mehreren Komponenten erfordert eine sorgf?ltige Integration und laufende Koordination zwischen Teams.

Trotz dieser Herausforderungen sind die potenziellen Gesch?ftsauswirkungen für Organisationen erheblich, die diese Hürden erfolgreich navigieren. Watsonx.Data verbindet simierte Systeme, reduziert die Abh?ngigkeit von Punktl?sungen und optimiert die Verwendung interner Daten, insbesondere die h?ufig angemachten 90% der unstrukturierten Daten. Erfolg erfordert jedoch mehr als nur Technologie. Es erfordert die Koordination des Cross-Teams, ein klares Eigentümer der Datenqualit?t und einen realistischen Ansatz, um vom Pilot zur Produktion zu wechseln.

Die Haltung von IBM ist klar: Das L?sen von Datenherausforderungen ist für die Erkenntnis des vollen Potenzials von KI in Ma?stab von gr??ter Bedeutung. Für Kunden geht es bei der Entscheidung nicht nur um Tools. Es geht um ihre Bereitschaft, ihre Daten effektiv vorzubereiten.

Das obige ist der detaillierte Inhalt vonIBM Think 2025 pr?sentiert Watsonx.Datas Rolle in der generativen KI. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!