Data Management

En savoir plus sur le fonctionnement actuel du data management (gestion des données)

• Le Data Management pour l’intelligence artificielle (IA) et le machine learning (ML). De nombreux processus d’entreprise reposent sur l’IA, qui est la science dont le but est de former des systèmes à imiter les tâches humaines par l’apprentissage et l’automatisation. Par exemple, les techniques d’IA et de ML sont souvent utilisées pour prendre des décisions de prêt et de crédit, établir des diagnostics médicaux et proposer des offres de vente au détail. Avec l’IA et le ML, il est plus important que jamais de disposer de données bien gérées, compréhensibles et fiables, car si des données erronées alimentent des algorithmes qui s’adaptent en fonction de ce qu’ils apprennent, les erreurs peuvent se multiplier rapidement.
• Le Data Management (gestion des données) pour l’Internet des objets (IoT). Les données qui affluent des capteurs intégrés dans les appareils IoT sont souvent appelées Data streaming (données en continu). Le traitement des Data streaming, ou event stream processing (traitement des flux d’événements), consiste à analyser les données en temps réel à la volée. Cette analyse se fait en appliquant une logique aux données, en reconnaissant des modèles dans les données et en les filtrant en vue de multiples utilisations à mesure qu’elles arrivent dans une organisation. La détection des fraudes, la surveillance des réseaux, le commerce électronique et la gestion des risques sont des applications populaires de ces techniques.
• Bidirectional metadata management (Gestion bidirectionnelle des métadonnées). La gestion bidirectionnelle des métadonnées permet de mettre en commun et de connecter les métadonnées entre différents systèmes. SAS, par exemple, s'est engagé à faire partie de la communauté des métadonnées ouvertes en participant au projet OPDi Egeria, qui souligne la nécessité de normes de métadonnées pour promouvoir un échange de données responsable dans des environnements technologiques variés.
• Data fabric et semantic layer (Tissu des données et couche sémantique). Le terme « data fabric » (tissu de données) décrit le tableau diversifié des données d’une entreprise, dans lequel de vastes quantités et types de données sont gérés, traités, stockés et analysés en faisant appel à diverses méthodes. Le Semantic layer (couche sémantique) joue un rôle important dans le tissu de données. À l’instar d’un glossaire professionnel, la couche sémantique permet de relier les données à des termes commerciaux communément définis et utilisés à l’échelle de l’entreprise.
• Data Management (gestion des données) et open source. L’open source désigne un programme ou une infrastructure informatique dont le code source est publiquement disponible pour être utilisé et modifié par une communauté d’utilisateurs. L’utilisation de l’open source contribue à accélérer les efforts de développement et à réduire les coûts. Et les professionnels des données peuvent exceller s'ils peuvent travailler dans le langage de programmation et l'environnement de leur choix. leur choix.
• Data federation/virtualization (Fédération et virtualisation des données). La Data federation (fédération de données) est un type particulier d’intégration virtuelle des données qui vous permet de consulter des données combinées provenant de plusieurs sources sans avoir à déplacer et à stocker la représentation combinée dans un nouvel emplacement. Ainsi, vous pouvez accéder aux données combinées au moment précis où vous le demandez. Contrairement aux outils ETL et ELT qui présentent un instantané à un moment donné, la fédération de données génère des résultats basés sur l’aspect des sources de données au moment de la demande. Vous obtenez ainsi une représentation plus rapide et potentiellement plus précise des informations.