注意:以下翻译的准确性尚未经过验证。这是使用 AIP ↗ 从原始英文文本进行的机器翻译。

为什么创建Ontology?

通过构建和使用Ontology来组织和利用数据,组织可以获得以下几个关键好处:

在实践中,这些好处通过使用Foundry的Ontology感知应用程序来实现,这些应用程序能够快速分析、开发工作流和捕获决策。了解更多关于Ontology感知应用程序的信息。

规模化连接

Ontology是大组织中进行决策和决策捕获的共享真实数据源。

通过提供单一的真实数据源,Ontology使用户能够轻松发现和理解组织中可用的数据,并在更全局的上下文中查看其本地决策,提供规模化的连接。Ontology不仅用于读取数据,还用于数据输出和捕获用户做出的决策。

从标准数据湖出发操作可能会导致由于数据集、仪表盘和应用程序数量不断增加而产生的难以管理的复杂性。随着时间的推移,单纯理解哪些数据资产存在或应该使用就需要越来越大的努力,而新项目“重复造轮子”而不是重用或利用现有数据资产。

相比之下,Ontology提供了一个定义明确的系统,将新信息建模为组织的通用语言。通过Ontology,组织可以在数据资产增长时充分利用其数据,实现规模化的数字化转型,同时控制复杂性并降低数据管理的难度。

示例

一家能源公司使用Ontology创建了一种在石油工程师、井完整性工程师和井管理人员之间共享井的健康和性能的视图。他们不是为井的性能构建几个孤立的视图,而是将其输入共享到同一Ontology井Object类型中,从而能够根据相同的信息和洞察做出井管理的短期决策和资产投资策略的长期决策。

可解释性

作为数据驱动组织,运营中最具挑战性的元素是将数据部署到组织内的各种决策者。特别是,许多决策者不是熟悉代码或IT概念(如数据集或合并)的技术用户。

Ontology抽象掉了这些数字概念,并允许用户使用他们每天使用的标准术语与数据进行交互。更重要的是,Ontology为不同用户和职能之间提供了一种共享语言,使他们能够合作而无需冗长的对账过程来确认所有人都在查看相同的信息。

示例

在一家制造业客户中,由于其规模、复杂性和深奥格式,以前运营用户和数据科学家无法访问飞机传感器的监控数据。如今,由于在监控数据上建模的Ontology,设计师可以搜索部件,查看可能表示意外或异常行为的相关传感器读数,并在不需要考虑表或合并或通过复杂的数据准备过程的情况下改进未来的设计。虽然这些数据在组织中是最有价值和最有用的数据之一,但在以前的系统下,准备数据的过程可能需要几天或几周,限制了数据仅用于特殊项目。现在,这些数据不仅对数据科学家立即可用,还对工程师、质量控制专家和设计师可用。

规模经济

Ontology通过将努力集中在一个支持所有分析工作和应用开发的可重用数据资产上,实现了构建运营平台的显著规模经济。

无需为每个新的应用案例或项目进行专门的数据集成和数据层努力,只需要对进入平台的新数据进行数据集成。整个应用程序和应用案例可以建立在现有的Ontology上;共享的数据资产使应用程序构建者能够专注于组织问题和用户工作流,而不是数据处理。

决策捕获

作为组织的“数字孪生”,Ontology通过将组织中做出的决策捕获为数据来支持数据输出和持续改进。Ontology允许配置数据输出和操作类型,定义用户可以如何编辑和丰富支持Ontology的数据。

在Ontology中捕获决策结果使组织能够从中学习并改进其决策。数据输出还允许数据资产的价值随着时间的推移而复利增长,因为一个用户捕获的洞察可以为另一个用户的决策做出贡献。

支持运营AI/ML

对于数据科学和AI/ML团队来说,Ontology使得与运营团队和其他人在共享平台上进行协作成为可能。模型(及其特征)可以直接绑定到驱动组织的构建模块和流程。这允许模型在核心应用程序和系统中进行管理、发布和实施,而无需额外的适配器或粘合代码,然后在平台内(批处理、流处理或查询驱动)或外部进行服务。随着决策的做出和操作的执行,运营和流程数据被写回Ontology,创建了一个反馈循环,使模型监控、评估、重新训练和MLOps成为可能。

Foundry能够快速迭代以实现成果。Ontology和其他一流工具使得无论是通过新应用程序还是通过增强现有系统,都可以轻松入门并交付AI/ML支持的运营成果。随后的应用案例可以利用整个企业内的互联数据集和模型资产,减少新项目的实现时间。

了解更多关于Ontology中的模型的信息。