Seite 4: Struktur für Machine Learning

Inhaltsverzeichnis

Wie sorgt Confluent nach der Extraktion der benötigten strukturierten und unstrukturierten Rohdaten dafür, dass die Mainframe-Daten sinnvoll in Analytics- und KI-/ML-Modellen nutzbar sind?

Genau hier zeigt sich der Vorteil des Pull-Mechanismus unserer Streaming-Plattform. Denn die jeweiligen KI-Applikationen ziehen, mit entsprechenden Konnektoren ausgerüstet, über die zuvor definierten Topics, die die Plattform speist, nur solche Daten, die auch wirklich benötigt werden. Die Umsetzung in das benötigte Format der jeweiligen analytischen Anwendungen erfolgt automatisiert außerhalb der Plattform an der Schnittstelle.

Das heißt, die Data Scientists können sich auf die Generierung optimaler Modelle konzentrieren statt auf Datentransformationen. Parallel nutzen immer mehr Kunden die Streaming-Plattform für das Deployment der Modelle. Im Gegensatz zum Modell-Training im Batchprozess des Data Lake ist beim „Model Scoring“, zum Beispiel für Betrugserkennung oder Predictive Maintenance, hochskalierbare und zuverlässige Echtzeitdatenverarbeitung gefragt.

Verstehe ich das richtig: Es geht beim Streaming generell um Modernisierung der Datenarchitektur des Unternehmens – und damit auch um den Abschied vom Silo-Denken, das so gerne mit dem Mainframe assoziiert wird?

So ist es. Denn Silos stehen der Etablierung durchgängiger Prozesse, die von vorn bis hinten orchestriert sind, im Weg. Dennoch sind sie die Basis digitaler Wertschöpfungsketten und Geschäftsmodelle. Bekommt man beispielsweise Verkauf, Beschaffung und Kundendienst unter ein Prozess-Dach, steigert dies das Kundenerlebnis meist beträchtlich.

Herr Wähner, vielen Dank für das Interview! Die vorherige Ausgabe unserer Mainframe-Interviews hat beleuchtet, warum die DATEV weiterhin auf ihre etablierten Mainframes setzt – und das, obwohl sie gar nicht mehr müsste. In Folge 9 ging es außerdem schon einmal um Mainframes und moderne Projekte: Wie öffnet man die vermeintlichen Silos mit Open-Source-Software? (jvo)