Ordet augment (augment) betyder: göra (något) större genom att lägga till det; öka. På liknande sätt är Augmented Analytics användningen av teknik (främst artificiell intelligens (AI) och maskininlärning (ML)) för att ge användare information om hur data förbereds, analyseras och delas med andra användare.
I stort sett har den tre komponenter: Augmented Data Preparation (förberedelse av förstärkt data), Augmented Analytics för analys och BI samt Augmented Analytics för datavetenskap och maskininlärning, vilka vi kommer att diskutera vidare.
Som Gartner definierar det, refererar Augmented Analytics till: ”Augmented analytics är användningen av möjliggörande tekniker som maskininlärning och AI för att hjälpa till med dataförberedelse, insiktsgenerering och insiktsförklaring för att förbättra hur människor utforskar och analyserar data i analys- och BI-plattformar . Det förstärker också experters och medborgares dataforskares möjligheter genom att automatisera många aspekter av datavetenskap, maskininlärning och utveckling, hantering och distribution av AI-modeller.”
Gartner uppskattar att i genomsnitt endast 35 % av människorna i organisationer har tillgång till analys- och BI-verktyg. För att öka implementeringsgraden av analyser och hjälpa organisationer att utforska, analysera, förstå och använda mer data mer effektivt används Augmented Analytics.
I dataanalysens livscykel används Augmented Analytics ända från databeredning, insiktsgenerering och förklaring. I denna dataresa är de viktigaste komponenterna där Augmented Analytics används:
Låt oss ta ett enkelt exempel. Med AI och ML i dataförberedelse i ETL eller i faserna Extrahera, Transformera och Ladda kan automatisk detektering av datum, geografiska områden, personlig information etc. ske. Med Augmented Analytics kan vi accelerera dataprofilering, förbättra datakvaliteten, accelerera datakatalogisering, automatisera metadatautveckling och enkelt förbereda data. Sådana system är också användbara för att ta bort specialformatering i PDF-filer eller textdata och eliminera manuella ingrepp.
Efter att ha utökat dataförberedelsen kan AI- och maskininlärningstekniker tillämpas för att ge kontextmedvetna insikter och för att automatiskt välja relevanta statistiska tekniker som kan tillämpas på data, såsom prognoser, klustring, mönsterigenkänning etc.
Även i moderna BI-plattformar används förstärkt analys med tekniker som naturlig språkbehandling och generering av naturligt språk för att skapa fylliga beskrivningar av insikter genom att ta minimal information från användaren. Baserat på de frågor som användaren ställer kan mycket relevanta insikter genereras i form av diagram, grafer etc.
Dessa tre är bara några exempel på hur Augmented Analytics fungerar. Utöver dessa kan det även användas inom datavetenskap och maskininlärning, som funktionsutveckling, modellförklaring, modellhantering etc. Detta är särskilt användbart när det inte finns tillräckligt med kompetens eller resurser tillgängliga för att implementera och hantera avancerade analysmodeller , som data scientists.
I huvudsak kan Augmented Analytics användas effektivt för att automatisera uppgifter som dataförberedelse, smart datahantering, kodgenerering, visuell skapande och NLP.
Några av fördelarna med att använda Augmented Analytics för att öka värdet av dina befintliga processer är:
- Snabbare leverans av resultat och insikter.
- Avslöja dolda data och mönster.
- Mer pålitliga algoritmer och processer.
- Ökning av analysanvändning i företaget.
- Ökad datakunskap i hela organisationen.
- Förbättrad effektivitet vid automatisering av operativa uppgifter.
LÄS MER: Hur potentialen hos förstärkt analys kommer att öka analysanvändningen med 30 procent