Migrieren und modernisieren Sie Ihre Datenbestände: Modernisieren Sie, bevor Sie den Anschluss verlieren.

Der Hype um GenAI ist Schnee von gestern (damals wurden Erkenntnisse durch natürlichsprachliche Antworten gewonnen, nicht durch aufwendige manuelle Recherchen in möglicherweise irrelevanten Quellen). Heute konzentriert sich der Hype auf Agentic AI (wo Aktionen in Kombination mit menschlicher Anleitung routinemäßige und strukturierte Aufgaben ausführen). Doch noch vor nicht allzu langer Zeit drehte sich der Hype um die Ablösung lokaler Dateninfrastrukturen und die Verlagerung von Workloads in die Cloud.

Warum haben wir dieses Thema inzwischen hinter uns gelassen?

Warum über routinemäßige Datenaufbereitung sprechen, die Grundlage von Data Science, fortgeschrittener Analytik und agentenbasierter KI, wenn man stattdessen über spannende Gewinnoptimierung oder Umsatzsteigerungen durch Business-Anwendungsfälle sprechen kann, die Einzelhändlern Einblicke in den Kundenlebenszeitwert liefern, oder über die Verbesserung der industriellen Produktivität durch vorausschauende Wartung oder die Steigerung der kommerziellen Effektivität von Life-Science-Unternehmen durch die Generierung von Real-World-Evidenz? Geld regiert die Welt!

Die Realität hinter der Cloud-Migration

Schätzungen zufolge hat die Cloud-Nutzung in den letzten sieben Jahren einen bestimmten Wert erreicht.~50-60%Auch wenn dieser Prozentsatz den Eindruck erwecken mag, der Übergang in die Cloud sei weit fortgeschritten, sind die Daten irreführend. Betrachten wir die Widersprüche genauer:

• Zahlreiche Quellen schätzen, dass50-60%Die IT-Workloads wurden in die Cloud verlagert.
  
  Aber von dieser Zahl,60%dient der Datenspeicherung, die keinen wirtschaftlichen Wert erzeugt.AWS berichtete, dass nur 21 %Ein Großteil ihrer jüngsten Umsätze stammt aus KI-bezogenen Arbeitslasten.

• Google (GCP) gibt an, dass98 %Organisationen erforschen GenAI (hauptsächlich Chatbots).
  
  Aber nur45 %Viele große Unternehmen verlagern ihre Daten- und KI-Workloads in die Cloud, da ihre großen, komplexen Altsysteme träge sind. Dadurch entsteht ein ganzes Segment, das diese produktivitätssteigernden Tools nutzen kann.
 
• Die Adoptionsrate von50-60%Sieht vielleicht solide aus
  
  Abermehr als 70 %Viele Unternehmen nutzen eine Form von Hybrid-/Multi-Cloud, wodurch Datensilos entstehen, da die Hyperscaler sich der gemeinsamen Nutzung und Vereinheitlichung von Daten widersetzen.

Die Lösung? Die Migration/Modernisierung in die Cloud fortsetzen, aber mit einer Databricks-zentrierten Architektur. Schauen wir uns unsere sechs Standpunkte zu diesem Thema genauer an:

• Vorbereitung auf Migration oder Modernisierung –Es wurden bereits Bücher darüber geschrieben, doch die bisherigen Erfahrungen zeigen, dass ein ergebnisorientierter Plan mit bekannten Geschäftsanwendungsfällen Vorrang vor Budgetplanung, Teambildung usw. hat. Die Bewertung des Nutzens der Anwendungsfälle und dessen Messung im Zeitverlauf ist entscheidend für den Erfolg. Betrachten Sie dazu die praktischen, quantifizierbaren Benchmarks, die den aktuellen Status quo repräsentieren. Die Fähigkeit, die Ausgangslage zu messen und zu steuern, ist grundlegend für die Genauigkeit Ihrer Modernisierung – was Sie heute nicht messen können, wird Ihnen auch die fortschrittlichste Analytik morgen nicht helfen.
 
• Bereinigung des Datenbestands –Technische Schulden belasten die meisten großen Unternehmen erheblich, da die Modernisierung von Daten und KI (über die Jahre hinweg) schrittweise erfolgt. Technische Schulden können vielfältige Formen annehmen, doch ineffiziente Datenpipelines, hohe Rechenkosten durch vollständige Tabellenscans und langlaufende Prozesse, übermäßiger Speicherplatz für unkontrollierte Zwischenergebnisse sowie ein erheblicher Entwicklungsaufwand für die Überwachung und Behebung von Pipeline-Problemen stellen einen wesentlichen Bestandteil dar.

Databricks-Lösungen für diese Herausforderungen? Delta Live Tables und jetztLakeflowStandardisiert und automatisiert Pipelines durch den Aufbau deklarativer Pipelines, die die Logik vereinfachen und Ad-hoc-Skripte ersetzen; verfügt über eine integrierte Datenqualitätsprüfung, die fehlerhafte Datensätze automatisch erkennt und isoliert; und nutzt die Änderungsdatenerfassung, um redundante Batch-Jobs zu reduzieren und Pipelines zu überwachen, um Leistung, Fehler und Volumentrends zu verfolgen.

Wie lässt sich also die Modernisierung von Pipelines optimieren?

Polestar Analytics erweitert Delta Live Tables um Data Nexus, eine Low-Code- bzw. No-Code-Plattform zur einfachen Entwicklung und Orchestrierung von Datenpipelines. Data Nexus bietet zusammensetzbare Datenmodelle mit automatisierter Datenpipeline-Orchestrierung und visuellem Workflow-Builder, Versionskontrollintegration für die Pipeline-Transformation, Skalierungsfunktionen für unterschiedliche Datenmengen und Verarbeitungsanforderungen sowie ein datenwörterbuchbasiertes Schema.generative Code-ErweiterungDie

• Datenintegration -Der nächste Schritt bei der Vorbereitung der Implementierung des Ziel-Anwendungsfalls besteht darin, die in Ihr Datenmodell integrierten Datenquellen zu verstehen, die für den Anwendungsfall erforderlich sind, oder ob eine neue Funktion entwickelt werden muss. Häufig gestellte Fragen lauten: „Kann ich auf diese Daten aus Quellen wie meiner Hybridarchitektur (GCP, Azure oder AWS), S&P Global, SAP oder SFDC zugreifen?“ Databricks begegnet dieser Herausforderung mitLakehouse FederationoderDelta ShareDurch die Bereitstellung von Daten ohne Anbieterabhängigkeit wird die einfache Freigabe vorhandener Daten aus verschiedenen Datenquellen ermöglicht – ohne Replikation und Governance. Die Governance und die Nachfolgekontrolle werden zudem vom Unity Catalog übernommen.
  
• Anwendungsfälle für fortgeschrittene Analysen –Erinnern Sie sich an die Diskussion um die Hype-Kurve? Viele möchten mit agentenbasierten Lösungen experimentieren, die Prozesse automatisieren oder auf maschinellem Lernen basierende, fortgeschrittene Analyselösungen entwickeln. Aber ist eine agentenbasierte, automatisierte Lösung wirklich notwendig, wenn ein zusammenstellbares Dashboard ausreicht?

Databricks AI/BI GenieGenie ist ein Tool für dialogbasierte Analysen innerhalb der Databricks AI/BI-Suite. Es ermöglicht Nutzern – insbesondere Business-Anwendern – die Interaktion mit den Daten ihres Unternehmens in natürlicher Sprache, ohne SQL-Kenntnisse. Genie übersetzt diese Abfragen in SQL, führt sie aus und gibt die Ergebnisse in Textform, Tabellen und Visualisierungen aus. Der Chatbot Genie kann Fragen im Frage-Antwort-Stil beantworten, wie zum Beispiel: „Wie hat sich unsere Vertriebspipeline im letzten Jahr entwickelt?“

Diejenigen, die über Dashboards (ob intelligent oder einfach) hinausgehen wollen,Databricks Mosaicist die Plattform Ihrer Wahl. Mosaic bietet ein umfassendes Leistungsspektrum:

Modelltraining & Feinabstimmung

• Train Foundation Models oder Fine-Tuning von Open-Source-LLMs (z. B. LLaMA, MPT, Falcon).
• Unterstützt parametereffizientes Feintuning zur Kosteneinsparung.

Modellservierung

• Endpunkte mit geringer Latenz und automatischer Skalierung für die sichere Bereitstellung von Modellen innerhalb von Databricks.
• Einheitliche Überwachung von Latenz, Durchsatz und Drift.

KI-Agenten & RAG

• Aufbau komplexer KI-Systeme:Retrieval-Augmented Generation (RAG), Werkzeugnutzung und mehrstufiges Schließen.
• Integriert sich in Unity Catalog, um Modelle sicher mit verwalteten Unternehmensdaten zu verbinden.

MosaicML

• Optimierte verteilte Trainings-Engine für große Modelle (Reduzierung von Kosten/Zeit um bis zu 10x).
• Vorgefertigte Trainingsrezepte für mehr Effizienz.

Integration des ML-Lebenszyklus

• Funktioniert mit MLflow für Experimentverfolgung, Herkunftsnachverfolgung und Governance.
• Durchgängiger Workflow von der Datenaufbereitung über das Training bis hin zur Bereitstellung.

Viele haben sich an Polestar Analytics gewandt.Agenthood AIzur Vereinfachung der Agentenentwicklung und -orchestrierung. Dank natürlicher Sprachsteuerung, rollenbasierter Intelligenz und API-basierter Integration können Sie die funktionsübergreifende Orchestrierung Ihrer gesamten Organisation mit intelligenten Workflows mithilfe unserer vorgefertigten Multi-Agenten-Frameworks vereinheitlichen:

• Vorkonfigurierte Agentenvorlagen für gängige Geschäftsprozesse
• Automatisierte Übergaben zwischen Abteilungen
• Echtzeit-Transparenz über den gesamten Workflow-Lebenszyklus hinweg

Mit seiner intuitiven Workflow-Designer-Oberfläche lassen sich komplexe KI-Workflows in Minuten statt Monaten erstellen.

• Visuelle Prozessabbildung und Entscheidungsbäume
• Bibliothek wiederverwendbarer Workflow-Komponenten
• Bereitstellung in der Produktion mit einem Klick

Wie ist vorzugehen?

Polestar Analytics hat dieDatabricks Data Intelligence Plattformum drei innovative Lösungsangebote für den Markt bereitzustellen:

• Profit Pulse:Eine integrierte Suite von ML- und Visualisierungslösungen zur Optimierung von Preisgestaltung, Handelsausgaben/Werbung und Sortiment. Die Lösung hat sich in der Konsumgüterbranche weit verbreitet.
• Data Nexus:Ein Data-Engineering-Tool, das die Bereitstellung von zusammensetzbaren Datenmodellen beschleunigt, welche die Grundlage aller Nutzungsschichten bilden – Visualisierung, maschinelles Lernen sowie generative KI und Agenten.
• Agenthood AI:Eine Data-Science-Lösung, die Agent Bricks nutzt und die Erstellung von Agenten per Drag & Drop, einen Agentenmarktplatz und ein Agenten-Orchestrierungstool ermöglicht.

Neben unseren Migrationsmöglichkeiten von On-Premise-Systemen in die Cloud oder in den Unity Catalog können diese fortschrittlichen Analyselösungen auf zwei Arten bereitgestellt werden:

• Service -Migration und Modernisierung gehören zu den Kernkompetenzen von Polestar Analytics. Wir unterstützen Unternehmen dabei, ihre Datenbestände zu verstehen und stellen branchenspezifische Ressourcen, Beschleuniger und Technologien für Migration und Modernisierung bereit. Wir bieten domänenspezifische Anwendungsfallimplementierungen in den Bereichen Einzelhandel, Konsumgüter, Gesundheits- und Sozialwesen, Fertigung und Private Equity an.

• Produkt –Für Unternehmen, die ihre Daten selbst verwalten, ist Data Nexus ein hervorragendes Tool für Data Engineering mit Fokus auf Kostenreduzierung, Datenverwaltung und Datenherkunftsanalyse. Das in Ihrer Umgebung gehostete Produkt beschleunigt dank seiner Drag-and-Drop-Funktionalität die Erstellung von Datenmodellen, die die Grundlage moderner Data Science und fortschrittlicher Analysen bilden. Und wenn Ihre Datenbestände migriert oder modernisiert werden, ermöglicht Ihnen Agenthood den einfachen Einstieg in die Welt der Agenten.

Schauen wir uns nun einen konkreten Anwendungsfall an!

Nachfolgend ein Beispiel für unsere maßgeschneiderte Lösungsbereitstellung:

Migration ist ein einmaliges Ereignis (oder eine Reihe von Ereignissen), Modernisierung hingegen ist eine Denkweise. Databricks bietet intelligente Skalierbarkeit für diese Denkweise mit Funktionen, die historische Prozesse und Ökosysteme ablösen und Data Science, Data Engineering und Business intelligent und einfach gestalten.

Wenden Sie sich anPolestar AnalyticsWo wir Daten in Ergebnisse umwandeln – ganz einfach!