Construire vs cumpărare pentru platformele de știință a datelor

Este o întrebare veche în rândul informaticienilor, inginerilor și profesioniștilor din afaceri: ar trebui să vă construiți datele de la zero sau să cumpărați o soluție SaaS pentru a vă face organizația să funcționeze mai bine? Există atât de multe soluții software disponibile în multe profesii și domenii ale companiei încât poate fi dificil să le țin evidența pe toate. Cele mai importante două lucruri pe care trebuie să le puneți, totuși, sunt:

Care este suma maximă pe care sunt dispus să o cheltuiesc?

Există vreo modalitate de a spune cât timp mai am?

Majoritatea companiilor nu au mult timp sau bani pentru a-i dedica unui software care nu este esențial pentru produsul sau serviciul lor. Prin urmare, acest articol prezintă factori care vă pot ajuta să faceți o alegere în cunoștință de cauză fie să vă construiți propria platformă de date, fie să cumpărați una.

Durata de timp a proiectului

Este acesta un proiect de date pe termen lung sau unic? Progresele AI vin și pleacă cu o viteză vertiginoasă, cu puține indicii de încetinire. Înființarea clusterelor Hadoop sau Pig a fost odată considerată decizii de tehnologie inteligentă, dar nu mai sunt așa. Doar câteva tehnologii importante din Big Data, știința datelor și acum era AI au devenit învechite în aproximativ aceeași perioadă de timp cât este nevoie pentru a le instala corect.

Dacă efortul se dorește a fi pe termen lung, poate fi necesară achiziționarea unei întregi platforme capabile să găzduiască tehnologii de date care apar rapid, deși inițiativele pe termen scurt pot fi simplu de asamblat folosind componentele actuale.

Domeniul de aplicare

Mai mult, care este scopul demersului de date planificat să fie? În cazul proiectelor de IA la scară mică, este mai puțină nevoie de coeziune sau coerență globală, rezultând un scenariu de „creare” mai natural. Dacă obiectivul mai mare este utilizarea datelor pentru a îmbunătăți o parte semnificativă a activității organizației, vor fi necesare diverse talente și proceduri corporative pentru a sprijini proiectarea și operaționalizarea proiectului. În acest caz, este mai probabil ca o strategie de cumpărare să fie eficientă.

timp si efort

Oamenii de știință de date petrec frecvent timp dezvoltării de soluții pentru a-și completa infrastructura existentă pentru a realiza proiecte. Sarcinile intensive de inginerie, care nu sunt legate de știința datelor, inclusiv urmărirea, monitorizarea, configurarea, gestionarea resurselor de calcul, infrastructura de servire, extragerea de caracteristici și implementarea modelelor, pot ocupa până la 65% din timp. Acest timp irosit este cunoscut sub numele de „datoria tehnologică ascunsă” și este un obstacol comun pentru echipele de învățare automată. Poate dura între 6 luni și un an pentru a construi o soluție internă sau pentru a gestiona una ineficientă. Chiar și odată ce ați stabilit o infrastructură funcțională, veți avea nevoie de managementul ciclului de viață și de o echipă dedicată care să o întrețină și să o mențină la zi cu cea mai recentă tehnologie.

cost total

Este necesară o examinare amănunțită a domeniului de aplicare al proiectării, administrării și menținerii unei platforme de știință a datelor. În abordarea construcției, multe firme subestimează costul total de proprietate. Printr-o evaluare, s-a constatat că TCO al construirii unei platforme de știință a datelor a fost de peste 30 de milioane USD într-un scenariu de patru ani în care o organizație creează o platformă de știință a datelor care susține la început 30 de oameni de știință a datelor (și crește cu o rată anuală de 20% în anii următori), în timp ce costul total de cumpărare este doar o fracțiune din aceasta.

Resurse umane

Este nevoie de multă inginerie pentru a pune în practică învățarea automată. Fiecare echipă de știință a datelor trebuie să aibă o echipă de operațiuni care cunoaște cerințele unice ale implementării modelelor de învățare automată pentru a avea un flux de lucru fluid. Pentru a gestiona resurse, microservicii, clustere și alte lucruri, o echipă tipică AI cuprinde o echipă specializată de ingineri și DevOps. Aceste procese pot fi total automatizate prin investirea într-o platformă MLOps end-to-end, permițând echipelor de operațiuni să se concentreze pe optimizarea și maximizarea utilizării infrastructurii lor. O afacere trebuie să știe dacă își poate permite o astfel de echipă sau dacă externalizarea va fi o opțiune mai bună.

Construirea unei platforme personalizată poate fi o investiție înțeleaptă, dar numai dacă o organizație are timpul și resursele pe care să le dedice dezvoltării. Ei ar trebui să aibă, de asemenea, o strategie pentru a asigura comunicarea cu aplicațiile externe pentru a asigura supraviețuirea pe termen lung, precum și interfețe de utilizator care sunt accesibile și simple pentru utilizarea de zi cu zi.

Când timpul este esențial și conducerea transformării digitale este o preocupare de top, investiția într-o platformă cuprinzătoare și extensibilă poate economisi bani și îmbunătăți performanța mult mai mult decât orice soluție locală. De asemenea, asigură o soluție specifică care poate fi îmbunătățită continuu de către un partener dedicat, permițând echipei dumneavoastră IT să se concentreze pe ceea ce fac cel mai bine în loc să fie distrasă de la sarcinile importante de afaceri.

Leave a Comment