In tutti i mercati, sempre più spesso viene posta la stessa domanda: “Come possiamo estrarre il massimo valore dai nostri dati?”. In molte aziende solo una piccola parte dei dati posseduti è utilizzata per ottenere informazioni sui clienti, utili a generare nuove opportunità.
Il progresso tecnologico è però in rapida accelerazione, il volume e la velocità dei dati aumentano ad un ritmo esponenziale, e la maggior parte delle imprese fatica a stare al passo con i tassi di crescita.
Con il passaggio dall’architettura del cloud computing all’edge computing, le richieste di dati esercitano una forte pressione sulle reti. I dataset necessari per sostenere l’Internet of Things (IoT), ad esempio, stanno diventando sempre più grandi, e la sfida di raccogliere i dati da migliaia -o milioni- di fonti, spostarli ed analizzarli si sta rivelando estremamente difficile, date le attuali capacità di rete.
Ma questo è solo l’inizio. Nel prossimo decennio il mercato sarà quasi irriconoscibile: tutto ciò che può essere connesso lo sarà, implicando maggiore efficienza nei processi aziendali. Tuttavia, i volumi di dati coinvolti saranno enormi e alimenteranno nuove applicazioni e nuovi servizi basati sull’intelligenza artificiale (AI).
Per molto tempo, l’AI è stata percepita come un concetto nebuloso. Ora stiamo osservando esempi di machine learning in molti aspetti della nostra vita quotidiana, e ci abitueremo sempre più a queste tecnologie, man mano che chatbot e assistenti basati sull’intelligenza artificiale diventeranno tecnologie abituali per i consumatori.
Nel contesto business, sono in corso attività che stanno espandendo lo spettro di ciò che è possibile realizzare con l’intelligenza artificiale. In questa fase le più grandi aziende tecnologiche del mondo, tra cui Google, Facebook e Amazon, stanno investendo miliardi in intelligenza artificiale nell’intento di trasformare l’insieme dei dati a nostra disposizione in carburante per l’intelligenza delle macchine.
L’intelligenza artificiale si presenta come una dicotomia per chi vuole investire. Da un lato, il potenziale dell’AI per affrontare le sfide in aree critiche come la sanità e la genomica è immenso. Dall’altro le infrastrutture necessarie per sostenere l’innovazione sono molto robuste. Se consideriamo l’industria automobilistica, ad esempio, possiamo affermare che costruire auto a guida autonoma come parte integrante della nostra vita quotidiana sarà un compito fortemente condizionato dalla disponibilità e dalla capacità di processare dati. Per poter operare in modo efficiente e sicuro, le automobili dovranno essere alimentate da una enorme quantità di informazioni. Questo settore diventerà di fatto, un insieme di dati da gestire.
Indipendentemente dal settore d’industria, l’elaborazione utile dei dati, contemporanei e storici, può aggiungere valore al risultato economico in quanto le informazioni utili vengono estratte e utilizzate per competere in modo più efficace, innovare più rapidamente, migliorare l’impegno dei clienti e così via.
Per quanto riguarda l’elaborazione dei dati, un ambiente data center semplice, scalabile e ad alte prestazioni è già uno dei migliori asset strategici che ogni azienda può possedere, e questo non cambierà in futuro. Tuttavia il passaggio all’era cloud, comporta una nuova serie di richieste per lo storage, che includono elevati livelli di prestazioni e di scalabilità.
Occorre che le aziende possano agire rapidamente, e che il flash storage dell’era cloud sia in grado di gestire i dati ad alta velocità, evitando che l’alta latenza e i colli di bottiglia dei dati abbiamo un impatto negativo in tutto il business. Espandere in maniera esponenziale il valore dei dati abilitando un accesso più rapido e affidabile consente alle aziende di costruire una nuova classe di applicazioni per estrarre nuovo valore di business dai dati e sfruttare gli sviluppi tecnologici come l’AI.
Mentre stiamo entrando in una quotidianità ricca di dati definiti dall’Intelligenza artificiale, è fondamentale che le organizzazioni inizino a chiedersi come supporteranno i loro sistemi AI e Machine Learning. Dopotutto è solo quando si possono estrarre le informazioni nascoste nei dati che i dati stessi diventano preziosi.
