Entah itu pabrikan mobil, toko roti artisan dalam kota, atau dana lindung nilai investasi internasional, setiap bisnis memiliki beberapa aset yang dapat menghasilkan nilai.
Ini dapat dikategorikan sebagai inventaris (komputer, peralatan dapur, peralatan manufaktur robot), orang, tanah, uang, kendaraan, investasi, dan bahkan niat baik. Ada juga aset yang dapat Kamu peroleh dari kekayaan intelektual, dan yang Kamu perlakukan sebagai aset modal bisnis.
Modal data sekarang diakui sebagai sesuatu yang mirip dengan bentuk aset lainnya, dan semakin banyak organisasi yang menyadari peluang yang terbuka untuk mereka.
Apa itu modal data?
Aset data mungkin berpusat di sekitar pelanggan yang dilayani bisnis. Orang akan memilih, misalnya, untuk mengizinkan data yang mereka hasilkan untuk digunakan oleh organisasi. Ini akan akrab bagi siapa pun yang mendaftar ke milis atau menyetujui cookie di situs web.
Mungkin juga menghasilkan data non-orang, seperti yang dihasilkan dari mesin, stok, atau pemahaman tentang proses di area pasar tertentu yang mereka layani.
Sebuah organisasi mungkin juga menggunakan pihak ketiga, seperti lembaga riset atau analis, dan mengumpulkan data eksternal di area pasar. Mereka kemudian biasanya akan memadukan data tersebut dengan data yang mereka hasilkan sendiri, dan jumlah keduanya adalah bagaimana perusahaan akan mempertimbangkan modal data dalam arti yang lebih luas.
Apakah data sekarang merupakan aset terpenting yang dimiliki perusahaan?
Modal data semakin diakui sebagai aset yang semakin nyata, dan begitu organisasi memahami sepenuhnya kekuatan informasi yang mereka kumpulkan dan bagaimana mereka kemudian dapat menggunakannya untuk mengubah atau meningkatkan, itu akan menjadi fundamental bagi dunia bisnis. Jadi, jika Kamu berkecimpung dalam bisnis menghasilkan dan menilai modal data, bagaimana pendapat Kamu tentang memanfaatkan kekuatannya?
Pertanian dan Industri 4.0
Baik secara teori, bisa dibilang. Tapi bagaimana peta ini ke dunia nyata? Mari kita ambil contoh pertanian modern yang mengganggu untuk memeriksa prosesnya secara lebih rinci.
Di sektor ini, AeroFarms menggunakan data sebagai penyewa inti dari rencananya untuk meningkatkan dan meningkatkan proses pembuatan makanan tradisional. Ilmuwannya menggunakan sensor IoT (Internet of Things) yang digunakan di seluruh lingkungan tumbuh untuk memantau lebih dari 130.000 titik data setiap panen dan terus mengoptimalkan sistem pertumbuhan menggunakan analitik prediktif untuk menciptakan hasil yang optimal.
Hasil dan analisis data yang diberikan AeroFarms memberikan informasi yang diperlukan untuk melakukan hal-hal yang lebih ekonomis dan lebih ramah lingkungan, menentang musim tanam tradisional dengan mengaktifkan pertanian lokal pada skala komersial sepanjang tahun, menyiapkan fasilitas lebih dekat ke pusat populasi, dan meningkatkan ketertelusuran . AeroFarms menunjukkan bahwa ini semua dilakukan dengan menggunakan air 95% lebih sedikit daripada makanan pertanian lapangan dan dengan hasil 390 kali lebih tinggi per kaki persegi setiap tahunnya.
Melihat sektor industri, contoh bagus lainnya untuk menggabungkan IoT dan pembelajaran mesin untuk menghasilkan wawasan bisnis yang dapat ditindaklanjuti dapat ditemukan di Motor Otto.
Perusahaan membuat robot yang mengangkut benda berat di lingkungan industri. Robot self-driving ini dilengkapi dengan sensor IoT, yang menginformasikan cara mereka menavigasi jalan di sekitar tempat kerja. Ini memberikan lingkungan kerja yang paling aman dan paling efisien untuk robot dan pekerja manusia.
Mungkin ada sepuluh, dua puluh, atau tiga puluh robot ini secara bersamaan melintasi ruang yang sama, jadi mereka menggunakan sekumpulan algoritme pembelajaran mesin untuk mengoptimalkan kinerja armada.
Pembelajaran mendalam – yang tidak diketahui tidak diketahui
Tapi apa yang terjadi jika Kamu meningkatkan ini? Katakanlah misalnya perusahaan seperti Otto Motors diminta untuk memasang armada 100 robot untuk pelanggan, yang menunjukkan peningkatan eksponensial dalam jumlah data yang dikumpulkan dan kompleksitas yang terlibat dalam pengelolaan armada sebesar itu. Apakah algoritma yang sama masih berlaku?
Salah satu solusinya adalah dengan membawa sub-cabang pembelajaran mendalam. Ini dapat melapisi data eksternal ke dalam gambar, seperti data yang berkaitan dengan kondisi sekitar pabrik seperti ketinggian, cuaca, suhu, tekanan, atau kelembapan. Apakah robot bekerja secara berbeda ketika suhu lantai pabrik naik 5 derajat karena itu adalah hari musim panas, dibandingkan dengan hari musim dingin? Jika, dengan armada yang lebih besar, rute optimal di sekitar gudang berarti robot hanya berbelok ke kiri, bagaimana pengaruhnya terhadap keausan pada masing-masing komponen? Apakah ini akan memengaruhi parameter desain di masa mendatang atau menginformasikan pemutakhiran perangkat lunak apa yang akan mempertahankan atau meningkatkan kinerja robot?
Ini bukanlah faktor kinerja yang langsung terlihat jelas – apa yang dapat diungkapkan oleh pembelajaran mendalam dalam hal ini adalah apa yang kami sebut ‘tidak diketahui tidak diketahui.’ Hal-hal yang bahkan tidak kami sadari dapat memengaruhi kinerja robot yang bergerak melintasi lantai gudang, tetapi terungkap saat kami melapisi kumpulan data pelengkap di atas lanskap informasi yang telah kami buat dan kumpulkan sendiri.
Teknologi apa yang Kamu perlukan untuk memanfaatkan modal data yang ditingkatkan IoT Kamu sendiri?
Data IoT, yang merupakan bahan mentah dari seluruh proses ini, sifatnya sangat tidak terstruktur. Basis data tempat Kamu menyimpannya bukanlah basis data matriks tradisional – itu ada dalam sesuatu yang disebut danau data.
Persyaratan penyimpanan dan pemrosesan data lake dapat dibuat berjenjang berdasarkan waktu respons yang diinginkan. Jika data sedang diproses secara real time, maka Kamu mungkin akan menggunakan kombinasi GPU yang dapat memproses data dalam bentuk paralel, terkait erat dengan banyak memori, di mana data diserap dan disimpan. Proses pembelajaran mesin akan mengharuskan Kamu untuk meletakkan perangkat komputasi dan penyimpanan tersebut di dekat tempat data dihasilkan. Ini, sehubungan dengan jaringan dan infrastruktur yang dikerahkan untuk mendukung cabang atau lokasi terpencil, dapat didefinisikan sebagai komputasi tepi.
Teknologi di pasar yang menyediakan kemampuan ini disebut sebagai konvergensi atau hiperkonvergensi. Platform yang menggabungkan komputasi virtual, jaringan, dan penyimpanan ini menyediakan platform yang dapat diskalakan untuk model operasi cloud, seperti yang ditawarkan oleh hyperscaler Google, Microsoft, dan Amazon Web Services.
Apa yang cenderung ditawarkan oleh hyperscaler ini adalah toko serba ada untuk semua yang Kamu butuhkan. Tetapi tantangan dengan pendekatan ini ada dua. Pertama, proof of concept (PoC) yang dimulai dari hal kecil akan memiliki serangkaian biaya yang terdefinisi dengan baik terkait dengannya. Namun, jika PoC berhasil dan mengarah ke peluncuran penuh, biaya terkait akan meningkat dengan cepat. Dalam skenario ini, mungkin ada kebutuhan untuk memulangkan aplikasi dan dataset dari lingkungan hyperscaler. Hal ini terutama terjadi di lingkungan edge computing, di mana biaya dan latensi tidak kompatibel dengan penyimpanan terpusat dan model komputasi, terutama dalam skala besar.
Kedua, lingkungan hyperscaler sangat tertutup dalam hal cara Kamu mengakses data; cara API dikelola adalah hak milik seperti Google dan Amazon, dan lebih jauh lagi, tidak dapat dipertukarkan.
Alternatif untuk ini dapat diatur dengan jenis teknologi itu Teknologi Dell menyediakan – khususnya sehubungan dengan perusahaan saudara kami VMWare. Kamu dapat memiliki pendekatan yang jauh lebih terbuka dan fleksibel tentang cara memublikasikan pembaruan dan mengakses API yang terkait dengan data dan dapat menggunakan model operasi multi-cloud tempat Kamu selalu mengontrol lingkungan yang paling tepat untuk menerapkan aplikasi dan kumpulan data. Saat ini, banyak organisasi mengakui ini sebagai pendekatan yang paling pragmatis, fleksibel, dan hemat biaya untuk diadopsi.
Begitu perusahaan mulai memanfaatkan data dengan cara yang dijelaskan di atas, perusahaan dapat mulai menganggap dan menghargai nilainya.
Selain itu, setelah digunakan untuk meningkatkan proses bisnis, perusahaan dapat memilih untuk menjual data atau mengekspornya ke organisasi lain. Melalui ekosistem yang lebih luas, atau semacam konsorsium, setiap orang belajar dari praktik terbaik masing-masing, dan akibatnya kumpulan data diperluas lebih jauh.
Dampak biaya marjinal dan gambaran yang lebih luas
Apa yang sekarang kita pahami dengan IoT adalah bahwa teknologi ini memindahkan biaya marjinal untuk mengukur sesuatu mendekati nol. Misalnya, jika Kamu memakai jam tangan pintar, biaya marjinal untuk mengukur detak jantung Kamu mendekati nol, karena fungsi untuk melakukan hal itu ada di dalam produk.
Teknologi IoT memiliki potensi untuk mengurangi biaya pengukuran marjinal apa pun mendekati nol. Ini mengarah pada dua hasil: Pertama, frekuensi pengukuran akan meningkat karena tidak ada hukuman untuk melakukannya. Kedua, Kamu akan memiliki volume data yang jauh lebih tinggi untuk mengekstrak nilai.
Jadi, jika kita mengukur sesuatu lebih sering, kita mendapatkan akurasi yang lebih besar seputar perilaku entitas tersebut. Data kemudian dimasukkan melalui mesin dan/atau proses pembelajaran mendalam sehingga kami dapat menghasilkan wawasan yang dapat ditindaklanjuti darinya. Potensi dampak seismik di setiap industri dan setiap sektor inilah yang menjelaskan mengapa data dapat dianggap sebagai aset modal dan mengapa perusahaan besar atau kecil harus menilai modal data yang mereka miliki dan cara terbaik untuk menggunakan aset ini untuk mendapatkan keunggulan kompetitif, mengurangi biaya, membuka peluang pasar baru atau….semua hal di atas. Modal data benar-benar merupakan tambang emas di era informasi.