![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/04\/john-ly.jpeg\")
W\u00e4hrend data-Kataloge gibt es schon seit den 1950er Jahren<\/a>, Der erste ML-gest\u00fctzte data-Katalog, der \u201cAutomated Data Catalog\u201d, wurde erst 2012 von der Unternehmenssoftwarefirma Alation eingef\u00fchrt. Diese automatisierten Kataloge erm\u00f6glichten Funktionen, die heute selbstverst\u00e4ndlich erscheinen, wie z.B. die automatische Metadata-Erfassung, aber sie ebneten den Weg f\u00fcr die hochentwickelten ML data-Kataloge anderer Anbieter, wie Collibra und Atlan.<\/p>\n<\/div> 1. Automatisierte data Markierung<\/strong>: Die \u201cPrivatadresse\u201d wird automatisch als \u201cPII\u201d gekennzeichnet und in einen sicheren Zugriffsverwaltungspool und eine \u201cKunden\u201d-Dom\u00e4ne data zum Verbrauch sortiert.<\/p>\n 2. KI-unterst\u00fctzte semantische Suche<\/strong>: Durch den Abgleich mit der Suchhistorie kann die ML data Katalogsuche das relevanteste data Asset vorhersagen und die Suche f\u00fcr den Benutzer beschleunigen.<\/p>\n 3. Automatisierte data-Stammbaumkartierung<\/strong>: Erfasst automatisch Transformationen einer Tabelle aus dem System of Record (SOR) in das Dashboard, das f\u00fcr die gesch\u00e4ftliche Nutzung verwendet wird.<\/p>\n 4. Data Qualit\u00e4tsverbesserung<\/strong>: Der ML-Katalog weist auf inkonsistente Formatierungen hin (z.B. \u201cMai 2023\u201d\u2019 statt \u201c20230501\u201d) und macht Vorschl\u00e4ge zur Verbesserung des data.<\/p>\n 5. Automatisiertes data-Profiling<\/strong>: Durch die Analyse der Integration von Liquidit\u00e4t data im gesamten Tech-\u00d6kosystem werden data-Teams bei Finanzinstituten auf potenzielle data-Qualit\u00e4tsprobleme aufmerksam gemacht, die gel\u00f6st werden k\u00f6nnen, um ihre Risikoexposition genau darzustellen.<\/p>\n 6. Data Entdeckung<\/strong>: Wenn eine data-Datenbank mit Metriken zum Verbraucherverhalten in den Katalog integriert wird, klassifizieren ML-Funktionen automatisch die data und beschleunigen die zuk\u00fcnftige Suche.<\/p>\n Mit diesen zus\u00e4tzlichen Funktionen, Organisationen k\u00f6nnen<\/strong> organisieren, visualisieren und kontextualisieren Sie ihre data im Ma\u00dfstab<\/strong>, die Qualit\u00e4t der Erkenntnisse zu verbessern und die Zeit bis zur Bereitstellung von Analyseprojekten zu verk\u00fcrzen, die die Entscheidungsfindung auf h\u00f6chster Ebene direkt unterst\u00fctzen.<\/p>\n<\/div> Data-Kenntnisse sind, wie bereits erw\u00e4hnt, der grundlegende Schritt auf dem Weg zu einer data-driven-Organisation. Wenn data-Konsumenten (data-Analysten und -Wissenschaftler, Entscheidungstr\u00e4ger usw.) das data nicht verstehen, ist es nicht besser als ein \u00dcberma\u00df an Speicherplatz, was angesichts der Kosten f\u00fcr die Speicherung von data negativ ist.<\/p>\n ML-gest\u00fctzte data-Kataloge unterst\u00fctzen die data-Kompetenz nicht nur, indem sie die H\u00fcrden f\u00fcr das Erlernen des data beseitigen, sondern vor allem, indem sie es in der Sprache des Unternehmens erl\u00e4utern. Beispielsweise k\u00f6nnen automatisierte data-Tags data-Assets auf der Grundlage verschiedener Elemente in gesch\u00e4ftsspezifische Dom\u00e4nen einordnen und so einen gemeinsamen Nenner liefern, den sowohl ein data-Ingenieur als auch ein Personalleiter nutzen kann. Au\u00dferdem, wenn Nicht-data-Rollen in der Lage sind, data-Assets zu nutzen, um ihren Output zu verbessern, werden sie sich an data (und den data-Katalog) wenden, wenn sie das n\u00e4chste Mal vor einer \u00e4hnlichen Herausforderung stehen<\/strong>, eine data-kundige und data-driven-kundige Organisation zu schaffen.<\/p>\n<\/div> Die Entwicklung zu einem data-driven-Unternehmen ist angesichts des sich schnell entwickelnden Gesch\u00e4ftsumfelds von heute unerl\u00e4sslich. In einer Forschung<\/a> Studie von Traci Gusher, einem f\u00fchrenden Unternehmen im Bereich data und Analytik (D&A), gaben 93% der Unternehmen an, dass sie ihre Investitionen in D&A-F\u00e4higkeiten weiterhin \u201caggressiv\u201d erh\u00f6hen werden. Allerdings, laut Deborah Leff<\/a>, CTO von Data Science and AI bei IBM, kommen 87% der data Wissenschaftsprojekte nie \u00fcber die Planungsphase hinaus, was sich negativ auf die data Ambitionen auswirkt.<\/p>\nSechs Merkmale, auf die Sie bei einem ML Data Katalog achten sollten<\/h2><\/div>
Wie k\u00f6nnen ML Data Kataloge die data Alphabetisierung beschleunigen?<\/h2><\/div>
Warum es f\u00fcr den Erfolg wichtig ist, data-kompetent und -orientiert zu sein<\/h2><\/div>
Autor<\/h2><\/div>![\"Image\"](\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%27150%27%20height%3D%270%27%20viewBox%3D%270%200%20150%200%27%3E%3Crect%20width%3D%27150%27%20height%3D%270%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\")
John Ly<\/h3><\/div>Senior Berater, Strategie & Data Management, bei Artefact USA<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Bevor wir uns mit data-Katalogen f\u00fcr maschinelles Lernen (ML) befassen, sollten wir zun\u00e4chst definieren, was ein data-Katalog ist: ein zentrales Repository, das Metadata wie data-Quellen, data-Formate, relationale data-Datenbanken und data-Abstammungen speichert und deren jeweilige Eigent\u00fcmer identifiziert. data-Kataloge gelten weithin als Grundlage einer data-driven-Organisation. Sie f\u00f6rdern die unternehmensweite data-Kompetenz, dienen als einzige Quelle der Wahrheit f\u00fcr die Interpretation und Verwendung von data in der Analytik und f\u00f6rdern data als Produkt durch den Besitz von data-Assets.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
John Ly<\/h3><\/div>Senior Berater, Strategie & Data Management, bei Artefact USA<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Bevor wir uns mit data-Katalogen f\u00fcr maschinelles Lernen (ML) befassen, sollten wir zun\u00e4chst definieren, was ein data-Katalog ist: ein zentrales Repository, das Metadata wie data-Quellen, data-Formate, relationale data-Datenbanken und data-Abstammungen speichert und deren jeweilige Eigent\u00fcmer identifiziert. data-Kataloge gelten weithin als Grundlage einer data-driven-Organisation. Sie f\u00f6rdern die unternehmensweite data-Kompetenz, dienen als einzige Quelle der Wahrheit f\u00fcr die Interpretation und Verwendung von data in der Analytik und f\u00f6rdern data als Produkt durch den Besitz von data-Assets.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Senior Berater, Strategie & Data Management, bei Artefact USA<\/p>\n<\/div><\/div><\/div><\/div><\/div>
Bevor wir uns mit data-Katalogen f\u00fcr maschinelles Lernen (ML) befassen, sollten wir zun\u00e4chst definieren, was ein data-Katalog ist: ein zentrales Repository, das Metadata wie data-Quellen, data-Formate, relationale data-Datenbanken und data-Abstammungen speichert und deren jeweilige Eigent\u00fcmer identifiziert. data-Kataloge gelten weithin als Grundlage einer data-driven-Organisation. Sie f\u00f6rdern die unternehmensweite data-Kompetenz, dienen als einzige Quelle der Wahrheit f\u00fcr die Interpretation und Verwendung von data in der Analytik und f\u00f6rdern data als Produkt durch den Besitz von data-Assets.<\/p>\n<\/div><\/div><\/div><\/div><\/div>