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，這可能涉及在復雜數(shù)據(jù)集的生產(chǎn)環(huán)境中利用機器學習模型。這方面的例子包括高頻交易中的算法交易、醫(yī)療設備的異常檢測、網(wǎng)絡安全中的入侵檢測或電子商務轉(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測、客戶細分和多點觸控歸因。

使用實時數(shù)據(jù)的挑戰(zhàn)

雖然利用實時數(shù)據(jù)在連續(xù)數(shù)據(jù)流上訓練ML 模型具有快速適應變化和能夠節(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。

實時的定義

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。

這些對實時的不同定義可能會導致結(jié)果不明確的問題。考慮這樣一個場景，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。不明確的定義會導致潛在用例和可以解決的業(yè)務活動(當前和未來的)的不確定性。

恒定的數(shù)據(jù)速度和容量變化

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。

實時數(shù)據(jù)處理階段的有限性進一步阻礙了標準的故障排除過程。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。

數(shù)據(jù)質(zhì)量

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。

通過分擔責任和民主化數(shù)據(jù)訪問，可以高度關注數(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，并鼓勵他們承擔起維護數(shù)據(jù)質(zhì)量的責任。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)量政策應用于實時數(shù)據(jù)，因為這減少了不必要的分析工作。

各種數(shù)據(jù)源和格式

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)絡活動。同樣，在制造業(yè)中，各種各樣的物聯(lián)網(wǎng)設備被用來從各種設備中收集性能數(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。

過時的技術

各種新的信息來源給企業(yè)帶來了問題。當前分析傳入數(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期更多的測試。

該問題主要源于遺留系統(tǒng)和技術的使用，這需要不斷擴大的熟練信息設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。