Augmented Analytics ist ein Ansatz zur Datenanalyse, der maschinelles Lernen und Verarbeitung natürlicher Sprache einsetzt, um Analyseprozesse zu automatisieren, die normalerweise von einem Spezialisten oder Datenwissenschaftler durchgeführt werden. Der Begriff wurde 2017 von Rita Sallam, Cindi Howson und Carlie Idoine in einem Forschungsbericht von Gartner eingeführt. Der Ansatz baut auf Business Intelligence und Analytik auf, mit dem Ziel, Datenanalyse zugänglicher und effizienter zu machen.
Bei Augmented Analytics durchsuchen Algorithmen des maschinellen Lernens Daten, um Beziehungen, Trends und Muster zu identifizieren, wobei sie dynamisch aus Daten lernen, anstatt sich auf einen festen Satz programmierter Regeln zu verlassen. Die Generierung natürlicher Sprache übersetzt unstrukturierte Daten in verständliches, einfaches Englisch, während die Abfrage in natürlicher Sprache es Benutzern ermöglicht, Daten mithilfe von Geschäftsbegriffen abzufragen, die in ein Suchfeld eingegeben oder laut gesprochen werden. Die Automatisierung von Erkenntnissen nutzt Algorithmen des maschinellen Lernens, um Datenanalyseprozesse zu automatisieren und den Bedarf an manuellem Eingreifen zu reduzieren.
Datendemokratisierung
Datendemokratisierung ist ein zentrales Ziel von Augmented Analytics, das darauf abzielt, Datenüberlastung zu verringern und Daten-Gatekeeper zu eliminieren. Dieser Prozess muss zusammen mit Methoden implementiert werden, die es Benutzern ermöglichen, die Daten zu verstehen, mit der Hoffnung, Unternehmensentscheidungen zu beschleunigen und in Daten verborgene Chancen aufzudecken. Es gibt drei Aspekte der Demokratisierung von Daten: Datenparametrisierung und -charakterisierung, Datendezentralisierung mithilfe eines Betriebssystems aus Blockchain- und DLT-Technologien mit einem unabhängig verwalteten sicheren Datenaustausch sowie zustimmungsmarktorientierte Datenmonetarisierung.
Dezentrale Identitätsverwaltung und die Monetarisierung von Geschäftsdatenobjekten als Eigentum an Daten sind zwei Merkmale, die die Einführung der Datendemokratisierung beschleunigen. Diese ermöglichen es Einzelpersonen und Organisationen, Teilnehmer über mehrere Netzwerke und Anwendungsfälle hinweg zu identifizieren, zu authentifizieren und zu autorisieren, und befähigen Benutzer mit personalisiertem Self-Service-Digital-Onboarding ohne Abhängigkeit von zentraler Verwaltung.
Anwendungsfälle
Augmented Analytics findet Anwendungen in verschiedenen Bereichen. In der Landwirtschaft sammeln Landwirte Daten über Wasserverbrauch, Bodentemperatur, Feuchtigkeitsgehalt und Pflanzenwachstum; Augmented Analytics kann diese Daten verstehen und Erkenntnisse für Geschäftsentscheidungen identifizieren. In intelligenten Städten sammeln viele Städte in den Vereinigten Staaten täglich große Datenmengen, und Augmented Analytics vereinfacht diese Daten, um die Effektivität der Stadtverwaltung zu erhöhen, einschließlich Verkehr und Reaktion auf Naturkatastrophen.
Für analytische Dashboards nimmt Augmented Analytics große Datensätze und erstellt hochinteraktive und informative Dashboards, die bei organisatorischen Entscheidungen helfen. Die erweiterte Datenentdeckung hilft Organisationen, potenziell wichtige Datenkorrelationen und -trends automatisch zu finden, zu visualisieren und zu erzählen. Datenvorbereitungsplattformen können große Datenmengen für zukünftige Analysen organisieren und bereinigen. In Unternehmen bietet Augmented Analytics Zugang zur Analyse von Verkaufsdaten, Verbraucherverhaltensdaten und Vertriebsdaten und unterstützt so die Entscheidungsfindung.
Technische Grundlagen
Die technischen Grundlagen von Augmented Analytics stützen sich auf Fortschritte in künstlicher Intelligenz und tiefem Lernen. Modelle des maschinellen Lernens, einschließlich neuronaler Netzwerkarchitekturen, ermöglichen Mustererkennung und prädiktive Analytik. Fähigkeiten zur Verarbeitung natürlicher Sprache, die oft von großen Sprachmodellen unterstützt werden, ermöglichen es Benutzern, mit Daten über konversationelle Abfragen zu interagieren. Techniken wie Datenaugmentierung und Modellbeschneidung verbessern die Effizienz und Robustheit von Modellen.
Diese Systeme stützen sich häufig auf Cloud-Infrastrukturen von Anbietern wie Amazon Web Services, Microsoft Azure und Google Cloud, die skalierbare Rechenressourcen bieten. Spezialisierte Hardware, einschließlich AWS Trainium-Chips und Graphcore-Prozessoren, beschleunigt Training und Inferenz. Forschungseinrichtungen wie MIT CSAIL, Stanford AI Lab und BAIR (Berkeley AI Research) tragen zur Weiterentwicklung der zugrunde liegenden Algorithmen bei.
Entwicklung und Einführung
Seit seiner Einführung im Jahr 2017 hat sich Augmented Analytics von einem Nischenkonzept zu einem Mainstream-Feature in Business-Intelligence-Plattformen entwickelt. Gartner prognostizierte, dass Augmented Analytics bis 2020 ein dominanter Treiber neuer Käufe bei Analytik- und Business-Intelligence-Lösungen sein würde. Der Ansatz adressiert den Mangel an Datenwissenschafts-Talenten, indem er Geschäftsbenutzern ermöglicht, anspruchsvolle Analysen ohne spezielle Schulung durchzuführen.
Die Einführung wurde durch die Verbreitung von Datenquellen und den Bedarf an schnellerer Entscheidungsfindung beschleunigt. Organisationen aus verschiedenen Branchen, von der Landwirtschaft bis zur Stadtplanung, haben Augmented Analytics in ihre Arbeitsabläufe integriert. Die Technologie entwickelt sich weiter mit Fortschritten in generativer KI und Transformer (architecture)-Architekturen, die die Fähigkeiten zum Verstehen und Generieren natürlicher Sprache verbessern.
Herausforderungen und Überlegungen
Trotz seiner Vorteile steht Augmented Analytics vor Herausforderungen. Datenqualität und -integration bleiben entscheidend, da die Genauigkeit der Erkenntnisse von den zugrunde liegenden Daten abhängt. Organisationen müssen robuste Daten-Governance implementieren, um Vertrauen und Compliance zu gewährleisten. Die Demokratisierung des Datenzugriffs wirft auch Bedenken hinsichtlich Sicherheit und Datenschutz auf, was dezentrale Identitätsverwaltung und sichere Datenaustauschmechanismen erfordert.
Darüber hinaus ist menschliche Aufsicht trotz der Automatisierung vieler Prozesse durch Augmented Analytics weiterhin erforderlich, um Ergebnisse zu validieren und endgültige Entscheidungen zu treffen. Die Technologie ist kein Ersatz für Fachwissen, sondern ein Werkzeug zur Erweiterung menschlicher Fähigkeiten. Ab den frühen 2020er Jahren konzentriert sich die laufende Forschung auf die Verbesserung der Interpretierbarkeit und die Reduzierung von Verzerrungen in automatisierten Erkenntnissen.