Avanade und Databricks kooperieren ab sofort bei der Bereitstellung von Daten- und KI-Lösungen mit Azure Databricks. Zusätzlich zu den geschulten Microsoft Azure Databricks-Spezialisten verfügt Avanade über eine Reihe von Lösungen, mit denen Data Engineering, Data Science und maschinelles Lernen auf Azure-Cloud-Lösungen operationalisiert werden können.
Die Kombination der Fachkenntnisse beider Unternehmen, insbesondere in Bezug auf Azure, erleichtert es gemeinsamen Kunden Advanced Analytics mit Azure Databricks zu modernisieren und zu implementieren.
Nach Informationen von Avanade investieren 88 Prozent der Entscheidungsträger in maschinelles Lernen, nur 8 Prozent dieser Unternehmen wenden Best Practices an, die eine KI-Einführung in großem Maßstab unterstützen. Viele Unternehmen wenden KI nur auf einen einzigen Teil ihres Geschäfts an oder führen Ad-hoc-Pilotprogramme im Bereich Data Science durch. Avanade und Databricks arbeiten zusammen, um Datenteams dabei zu unterstützen, diese Lücken zu schließen.
Hieraus ergeben sich drei Anwendungsbereiche:
- Modernisierung und Cloud-Migration
Einschränkungen bei Vor-Ort-Datensystemen wie Hadoop zwingen Data Teams, neue Cloud-Computing-Alternativen zu erforschen. Die Planung und Migration von Geschäftsanwendungen von einer Umgebung in eine andere ist jedoch keine leichte Aufgabe.
Das erfordert viel Zeit und technisches Fachwissen, um einen geeigneten Migrationsplan zu entwickeln, die Datenarchitektur zu refaktorisieren und die Ergebnisse mit den gewünschten Ergebnissen zu validieren. Durch die Zusammenarbeit von Databricks und Avanade wird Unternehmen ein reibungsloser Migrationspfad von alten Datensystemen zu modernen Daten Architekturen ermöglicht. - Produktionsreifes maschinelles Lernen
Jedes Unternehmen hat die Möglichkeit, Innovationen zu beschleunigen, indem es Data Science und maschinelles Lernen in sein Unternehmen einbaut. Wenn es an der Zeit ist, die Vorbereitung großer Datensätze für die Analytik zu automatisieren und zu steuern und Prozesse und Automatisierung für die Überführung von Modellen von der Entwicklung in die Produktion zu etablieren, wird das Ausmaß dessen, was benötigt wird, deutlich.
Der gesamte Lebenszyklus des maschinellen Lernens lässt sich mit einem Repository von branchenspezifischen ML-Modellen und Pipeline-Vorlagen rationalisieren, um die Datenvorbereitung zu automatisieren und die Wiederverwendung von Datentransformations-Skripten zu fördern. - Skalierte Data Science
Die Möglichkeit, Daten über Geschäftseinheiten und Systeme hinweg zusammenzuführen, verschafft Unternehmen einen Wettbewerbsvorteil, erfordert aber oft monatelange Infrastruktur- und DevOps-Arbeit. Außerdem erfordert es mehrere Übergaben zwischen Data Engineering und Data Science, was fehleranfällig ist und das Risiko erhöht.
Entscheider sollten eine Unternehmensanalyse-Strategie entwickeln, die speziell auf die Branche und das Unternehmen zugeschnitten ist. Darüber hinaus sollten sie die Qualifikationslücke in der tiefgreifenden fortgeschrittenen Analytik überbrücken, und die Skalierbarkeit und Nachhaltigkeit durch integrierte Sicherheit und Wartung sicherstellen.
Dreie Anwendungsbeispiele aus der Praxis:
Hadoop Migration in der Pharmaindustrie
Ein globaler Pharmakonzern wollte seine Data Science-Fähigkeiten operationalisieren und erweitern, als Avanade ihm dabei half, von seinem Vor-Ort-System auf Azure umzusteigen. Durch den Aufbau einer Datenplattform, die Azure und Azure Databricks wirksam einsetzte, konnten die Data Scientists des Unternehmens den Großteil ihrer Datenvorbereitung automatisieren, mit ihren Modellen experimentieren und Algorithmen schneller trainieren. Infolgedessen konnte das Unternehmen durch die Reduzierung von Wiederholungsarbeiten und die Verbesserung der Data Science Fähigkeiten die Kosten senken und neue Einnahmequellen erschließen.
Optimierung der industriellen Lieferkette
Darüber hinaus gibt es bereits erste gemeinsame Projekte z.B. mit ThyssenKrupp. Als das Unternehmen für Industrietechnik und Stahlproduktion sein Liefernetzwerk optimieren wollte, um den steigenden Liefer- und Transportkosten zu begegnen, dachte man sofort an KI in der Cloud. Gemeinsam mit Avanade und Databricks baute der Konzern die Cloud-basierte Plattform alfred.simOne zur automatischen Analyse und Ausführung von Simulationen.
Die abgeschlossenen Simulationen führten zu optimierten Betriebsabläufen, erhöhten Kosteneinsparungen und reduzierten Emissionen. Intern war das Stahlunternehmen besser in der Lage, seine Data Engineering- und Data Science-Teams zusammenzubringen, um die Zusammenarbeit zu verbessern und innovative Lösungen zu entwickeln, die einen echten Einfluss auf die Art und Weise ihrer Geschäftstätigkeit hatten.
Kunden Personalisierung für Finanzdienstleistungen
Ein Finanzdienstleistungsunternehmen sah wiederholt, dass Kunden Kreditkartenanträge aufgaben. Das Unternehmen entschied sich für die Zusammenarbeit mit Avanade, nachdem ihm klar geworden war, dass es seine Data Science Initiativen skalieren musste, um die Erkenntnisse zu maximieren und ein personalisiertes Kundenerlebnis zu schaffen. Avanade half bei der Implementierung einer Echtzeit-Datenplattform unter Verwendung von Azure Databricks mit einer einheitlichen Sicht auf jeden Kunden über verschiedene Zeitintervalle hinweg.
Die Lösung erleichterte ihrem Marketing Team die Segmentierung der Kunden nach Kundentyp, die Bereitstellung einer relevanten Anwendung und schließlich die Reduzierung von Kündigungen und Abwanderung.