Μόχλευση της πτώσης της εξόρυξης κρυπτονομισμάτων

Αν και είναι κακή μορφή να χλευάζουμε την ταχεία πτώση των κρυπτονομισμάτων, ως αποτέλεσμα αναδύονται ορισμένες σοβαρές ευκαιρίες. Για όσους δεν γνωρίζουν, οι εξορύκτες κρυπτογράφησης τα τελευταία χρόνια έχουν αγοράσει σχεδόν κάθε GPU υψηλής χωρητικότητας που διατίθεται στην αγορά. Αυτό αύξησε τις τιμές και μείωσε τη διαθεσιμότητα σε σημείο που ακόμη και οι μεγάλοι πάροχοι cloud δεν μπορούσαν να πάρουν τα χέρια τους στα τρέχοντα μοντέλα.

Σε συνδυασμό με τον νόμο του Moore, αυτό οδήγησε σε μια κατάσταση όπου το μέσο υλικό GPU που χρησιμοποιείται για οτιδήποτε άλλο εκτός από την κρυπτογράφηση είναι αρκετά ετών και πιθανώς τέσσερις φορές λιγότερο ισχυρό από ό,τι θα υποστήριζαν οι κανονικές συνθήκες της αγοράς. Αλλά αυτό οδήγησε επίσης πολλές εταιρείες λογισμικού να αποφύγουν τη βελτιστοποίηση των προϊόντων τους για GPU. Έτσι, κατά μέσο όρο, το λογισμικό που χρησιμοποιείτε είναι πιθανώς δέκα φορές πιο αργό από ό,τι θα έπρεπε.

Αυτή είναι ίσως η μεγαλύτερη ευκαιρία της αγοράς σε μια γενιά, και οι έξυπνες εταιρείες θα πρέπει να εξετάσουν τώρα πώς να την εκμεταλλευτούν. Η επιτάχυνση του επεξεργαστή κειμένου ή του υπολογιστικού φύλλου κατά δέκα φορές είναι απίθανο να ξεκλειδώσει κάποια σημαντική επιχειρηματική αξία. Υπάρχουν όμως αρκετοί σημαντικοί τομείς που θα.

Ανάλυση δεδομένων και συστημάτων βάσεων δεδομένων

Ο πιο προφανής τομέας είναι τα συστήματα βάσεων δεδομένων, ιδιαίτερα αυτά που λειτουργούν σε μεγάλα δεδομένα. Η ψηφιοποίηση του κόσμου συνολικά δεν έχει επιβραδυνθεί, και ως εκ τούτου, τα συστήματα που χτίζονται πάνω σε βάσεις δεδομένων παλαιού τύπου δυσκολεύονται αυτές τις μέρες απλώς να συμβαδίσουν. Αυτό δεν είναι πάντα εμφανές στους τελικούς χρήστες ως πρόβλημα βάσης δεδομένων, αλλά συνήθως εκδηλώνεται ως οδυνηρά αργούς ρυθμούς ανανέωσης της οθόνης ή με κολλημένους δρομείς.

Αυτό έχει μετριαστεί κάπως με τη μετάβαση στο cloud computing με αυτόματη οριζόντια κλιμάκωση (προσθήκη περισσότερων CPU). Ωστόσο, καθώς οι όγκοι δεδομένων γίνονται πολύ μεγάλοι, η διαδικασία μετακίνησης δεδομένων μεταξύ συστημάτων και μεταξύ κουτιών CPU καθίσταται περιοριστική. Το αποτέλεσμα είναι μη γραμμικές επιστροφές, όπου ο διπλασιασμός του υπολογισμού που εφαρμόζεται εξασφαλίζει, για παράδειγμα, 50% μεγαλύτερη ταχύτητα.

Η σιωπηρή απάντηση των περισσότερων εταιρειών σε αυτήν την περίπτωση είναι, ουσιαστικά, να σταματήσουν να εξετάζουν όλα τα δεδομένα. Για παράδειγμα, μπορείτε να συγκεντρώσετε ωριαία δεδομένα σε ημερήσια ή ημερήσια σε μηνιαία. Κάτω από κανονικές συνθήκες λειτουργίας με καλά κατανοητά δεδομένα, αυτό μπορεί να είναι εντάξει. Ωστόσο, διατρέχει κάποιο κίνδυνο επειδή οι σύγχρονες τεχνικές επιστήμης δεδομένων απαιτούν πρόσβαση στα πρωτεύοντα αναλυτικά δεδομένα προκειμένου να οδηγήσουν έναν θεμελιώδη τύπο γνώσης: τον εντοπισμό ανωμαλιών.

Μην αγνοείτε τα ακραία στοιχεία

Οι ανωμαλίες μπορεί να είναι είτε καλές είτε κακές, αλλά σπάνια είναι ουδέτερες. Αντιπροσωπεύουν τους καλύτερους και τους χειρότερους πελάτες σας και τις καλύτερες και τις χειρότερες απαντήσεις της εταιρείας σας. Περιλαμβάνουν θέματα υψηλού επιχειρηματικού κινδύνου αλλά και ανταμοιβών. Επομένως, η επίλυση ενός τεχνολογικού περιορισμού αγνοώντας τα ακραία στοιχεία είναι σοφή και ανόητη.

Ένα κλασικό παράδειγμα μπορεί να είναι τα βοηθητικά προγράμματα που μέχρι πρόσφατα —και μερικές φορές ακόμα— χρησιμοποιούν δεδομένα ανάλυσης 1 χιλιομέτρου για την παρακολούθηση του κινδύνου πυρκαγιάς σε δέντρα και δάση. Ένα μόνο pixel σε ένα τέτοιο σύστημα μπορεί να έχει 1.000 υγιή δέντρα και ένα νεκρό. Αλλά χρειάζεται μόνο ένα δέντρο να χτυπήσει ένα καλώδιο τροφοδοσίας σε μια πυρκαγιά αρκετά μεγάλη ώστε να χρεοκοπήσει μια μεγάλη επιχείρηση κοινής ωφέλειας.

Ο επιχειρηματικός κίνδυνος, σε αυτήν την περίπτωση, κρύβεται μέσα σε αποφάσεις συλλογής δεδομένων δεκαετιών κάτω από ακόμη παλαιότερη τεχνολογία βάσεων δεδομένων — αλλά παρόλα αυτά είναι πολύ πραγματικός. Και σήμερα θα ήταν μια πολύ καλή στιγμή για να ξεκινήσετε να το αντιμετωπίζετε, καθώς οι πηγές και οι μέθοδοι έχουν εξελιχθεί γρήγορα τα τελευταία πέντε χρόνια και γενικά δεν έχουν εκμεταλλευτεί ούτε τα GPU analytics ούτε το νέο υλικό.

Αποκάλυψη κρυφών ευκαιριών αγοράς

Μια παρόμοια κατάσταση υπάρχει με τα δεδομένα προοπτικών και πελατών σε πολλές επιχειρήσεις. Η λογιστική νοοτροπία και η παλαιότερη τεχνολογία μπορούν να οδηγήσουν σε συστηματική συγκέντρωση δεδομένων σε μηνιαίες και τριμηνιαίες αναφορές ad nauseam. Ωστόσο, δεν πρέπει ποτέ να ξεχνάτε ότι οι πελάτες σας είναι άτομα των οποίων η σωρευτική εμπειρία σε πολλά σημεία επαφής αποτελεί τη βάση για την πιθανότητα αγοράς ή πρότασης (ή την έλλειψη τους). Ακριβώς όπως με τον παραπάνω κίνδυνο, οι ευκαιρίες της αγοράς κρύβονται από προεπιλογή σε κοινές συγκεντρώσεις όπως ποσά και μέσους όρους.

Αυτό αναδεικνύει ένα άλλο πολύ σημαντικό ζήτημα στην ανάλυση των επιχειρήσεων, το ποιος μέσα σε μια επιχείρηση έχει την εξουσία να βρει τέτοιους κινδύνους ή ευκαιρίες. Ίσως ο πιο σημαντικός λόγος για την αναβάθμιση παλαιότερων συστημάτων με αναλυτικά στοιχεία GPU είναι η διαθεσιμότητα διαδραστικών οπτικών αναλύσεων χωρίς κώδικα. Όπως υποδηλώνει το όνομα, αυτό επιτρέπει σε έναν πολύ μεγαλύτερο αριθμό ατόμων μέσα σε έναν οργανισμό να παρατηρήσει έναν κίνδυνο ή μια ευκαιρία και να ψάξει διαδραστικά για να τον επιβεβαιώσει ή να τον απορρίψει. Αυτός θα μπορούσε κάλλιστα να είναι ένας πωλητής ή ένας υπάλληλος πρώτης γραμμής που δεν θεωρείται παραδοσιακά ως «αναλυτής δεδομένων» ή «επιστήμονας δεδομένων».

Επόμενα βήματα για δεδομένα και τρέχοντα συστήματα

Όλες οι επιχειρηματικές καταστάσεις είναι μοναδικές, επομένως η επόμενη κίνηση μιας επιχείρησης εδώ μπορεί να διαφέρει. Ωστόσο, ως ένα απλό επόμενο βήμα, οι διευθυντές θα πρέπει να εξετάσουν ποια μέρη των επιχειρηματικών λειτουργιών για τα οποία είναι υπεύθυνα χρησιμοποιούν σύνολα δεδομένων ή εργαλεία λογισμικού άνω των πέντε ετών. Στη συνέχεια, εξετάστε πιο συγκεκριμένα τα διαθέσιμα «μεγάλα» δεδομένα σε σχέση με τα τρέχοντα συστήματα και ποια αξία μπορεί να έχουν.

Εάν βλέπουν μια περιοχή ευκαιριών, τότε πρέπει να σκεφτούν τι είδους γρήγορο πιλότο θα μπορούσαν να οργανώσουν για να την επικυρώσουν. Παραδόξως, χωρίς πρόσβαση σε διαδραστικά αναλυτικά στοιχεία GPU, μπορεί να είναι δύσκολο να αξιολογηθεί. Επομένως, οι επιχειρήσεις θα πρέπει να μιλήσουν με προμηθευτές και να εξετάσουν το ενδεχόμενο δοκιμών σε περιβάλλον cloud. Ο πόνος των crypto miners μπορεί κάλλιστα να είναι κέρδος των επιχειρήσεων.

Ο Mike Flaxman είναι διευθυντής προϊόντων με Βαρύ AI.