تنظيف بياناتنا المُضطربة: كيف يُغير الذكاء الاصطناعي اللعبة

نغرق في البيانات. كل منصة وسماعة ذكية وهاتف ذكي يقطع حياتنا إلى قطع قابلة للقياس، ومع ذلك فإن معظمها يبقى غير متناسق وغير قابل للاستخدام.

تعرف الشركات على ذلك، وهذا هو السبب في أن شركة ميتا للتكنولوجيا استثمرت 14 مليار دولار أمريكي في الصيف الماضي للاستحواذ على حصة 49٪ في شركة Scale AI لتحليل البيانات، مما يجعل خطوة محسوبة وстратегية لتأمين بيانات تدريب عالية الجودة لنمذجة الذكاء الاصطناعي.

تعتمد موثوقية نماذج اللغة الكبيرة完全 على جودة البيانات التي يتم تغذيتها – باختصار، “النفايات الداخلة، النفايات الخارجة”. اليوم، ومع ذلك، فإن التحدي الحقيقي الذي تواجهه الشركات هو تحويل فيضان المعلومات الخام إلى بيانات قابلة للتنفيذ.

قد تكون الحلول مخفية في المنظور: يمكن للذكاء الاصطناعي نفسه المساعدة من خلال توليد استراتيجيات لتجاوز المهمة المملة لتحليل مجموعات بيانات ضخمة أو التصفح عبر جداول البيانات اللانهائية، مما يتحول إلى فوضى إلى ذكاء بشري قابل للاستخدام.

متى تصبح البيانات مُضطربة: التكاليف الخفية للشركات

وفقًا لأبحاث جارتنر من عام 2020، تكلفت جودة البيانات الرديئة الشركات بمبلغ لا يقل عن 12.9 مليون دولار أمريكي سنويًا، مما يؤثر على الإنتاجية ويؤدي إلى قرارات سيئة الإعلام وتقارير غير دقيقة.

تظهر عواقب البيانات المُضطربة بشكل واضح في قطاعات مثل الرعاية الصحية. السجلات الصحية غير المكتملة وبيانات الفواتير وبيانات غير متطابقة عبر الأنظمة يمكن أن تؤدي إلى تشخيصات خاطئة وأخطاء علاجية وتخصيص موارد غير فعالة. في المدى الطويل، هذا يزيد من التكاليف ويؤدي إلى تآكل الثقة في هذه الأنظمة.

في غضون ذلك، في مجال اللوجستيات، يمكن أن يؤدي عدم تطابق البيانات بين الموردين والموزعين إلى تأخيرات أو نقص في المخزون. يمكن أن يؤدي عنوان التسليم غير الصحيح أو سجل المخزون القديم إلى تأثيرات متسلسلة في سائر سلسلة التوريد، مما يؤدي إلى فوات الأوان وعدم رضا العملاء.

“من خلال القدرة على توقع أو فهم ما يمكن أن يحدث [على طول المسار] – بناءً على بيانات مجمعة وسابقة – يمكنك تقليص هذه اللاكفاءة بشكل كبير،” أسباروه كويف، الرئيس التنفيذي لشركة Transmetrics لذكاء اللوجستيات، لاحظ أثناء محادثته مع Unite AI.

بمعنى أكثر عمق، تكون البيانات المُضطربة مكلفة. قاعدة 1-10-100 توضح ذلك: تكلفت التحقق من البيانات أثناء إدخالها 1 دولار، وتنظيفها لاحقًا 10 دولارات، وعدم القيام بأي شيء 100 دولار.

ماذا يُحضره منصات الذكاء الاصطناعي إلى الطاولة

نظرًا لأن الشركات تكافح مع كميات متزايدة من البيانات غير النقية، فإنها تتحول إلى الذكاء الاصطناعي للحصول على حلول. تُ自动 الآن منصات الذكاء الاصطناعي عملية تنظيف البيانات، مما يضمن الفعالية التكلفة وتحسين الدقة.

روبرت جاردينا، مؤسس Claritype، أحد هذه المنصات، أوضح عملية الذكاء الاصطناعي:

“تتحد البيانات في شكل موحد: جزء من العملية هو تحويل كل بيانات إلى شكل موحد يتناسب مع الأعمال.”

تجاوزت Claritype ببساطة معايير التوحيد. يسمح إصلاح الإشراف بالمنصة للشركات بالتجاوز عبر حدود الأنظمة في سعيها للإجابة على أسئلتها الأكثر إلحاحًا، مما يؤدي إلى كسر الحواجز.

“الأنظمة التي كانت منفصلة في السابق تحتفظ كل منها بجزء من الإجابة على الأسئلة التي تشمل جميع أجزاء الأعمال،” قال جاردينا لUnite AI.

على سبيل المثال، إذا تأثر مورد رئيسي بتأخير في الشحن، فإن الشركة لا يمكنها تحديد العملاء الرئيسيين الذين يجب إخطارهم أولاً عن التأخير إلا من خلال ربط الموردين بالطلبات وتاريخ العملاء.

“الهدف النهائي لنا هو تمديد هذا التفكير المتصل لتوحيد كل شاردة من البيانات في المؤسسة حتى نتمكن من جعل كل سؤال سهلًا وفوريًا للإجابة،” قال جاردينا.

يمثل هذا النوع من التفكير المتصل التغيير الأوسع في العقلية الذي يحدث في الشركات اليوم، حيث تنتقل من تنظيف البيانات بشكل عفوي إلى حوكمة البيانات النظامية. بدلاً من معاملة جودة البيانات كتعديل مرة واحدة، فإن الشركات تطور عمليات منظمة لضمان الاتساق والموثوقية عبر جميع أنظمتها.

تُعتبر حوكمة البيانات الآن عملية أعمال قيمة، وليس مجرد مهمة تكنولوجية. من خلال دمج إدارة البيانات في استراتيجياتها العامة، يمكن للشركات اتخاذ قرارات أفضل واكتساب رؤى أكثر معنى من بياناتها.

كيف يُ تنظيف الذكاء الاصطناعي البيانات وما هي التحديات التي يواجهها

الاعتماد المفرط على الذكاء الاصطناعي يمكن أن يكون خطيرًا. لجاردينا، “التحويلات التلقائية للمعلومات التي تذهب أبعد من التوحيد إلى التخمين هي التي تثير القلق.”

على سبيل المثال، يمكن أن يُفسَر الاختصار بسهولة بشكل خاطئ. “International Business Machines, Inc.” أو “I.B.M.” عادةً ما تُحول إلى “IBM”، ولكن إذا كانت التحويل تلقائيًا و”I.B.” قد تم تحويلها بشكل غير صحيح إلى “IBM”، يمكن أن يسبب ذلك مشاكل كبيرة لكلا الشركتين.

البيانات المفقودة والبيانات غير دقيقة هما من أكثر المشاكل شيوعًا، والاعتماد فقط على الذكاء الاصطناعي لملء الفجوات وفقًا للسياق يمكن أن يؤدي إلى عواقب سلبية بسهولة. كما يشير جاردينا، “عندما تكون الآثار بأي شكل من الأشكال كبيرة، نحن بحاجة إلى موافقة إنسان على كل تخمين.”

توازن التأتمت مع الرؤية البشرية

تُبرز البيانات المُضطربة عيوبًا عميقة في طريقة تعامل المنظمات مع المعلومات. للتقدم ومحسنة اتخاذ القرارات، يجب على الأعمال أن تتوقف عن النظر إلى البيانات كمسألة فنية بحتة وتنتقل نحو نماذج الحوكمة التي تجمع بين الخبرة البشرية والوعي الأخلاقي والرؤية الاستراتيجية الطويلة الأمد.

تُخلق بيانات أكثر نظافة أدوات ذكاء اصطناعي أكثر فعالية، والتي بدورها تساعد على تحسين جودة البيانات؛ هذا الدور المتعاضي يعد واعدًا، ولكنه يُذكرنا بأن التأتمت وحده لن يحل مشكلة بياناتنا المُضطربة. يمكن تحقيق هذا الإمكان فقط من خلال結 hợp الدقة الخوارزمية مع الحكم البشري ووعي الانحيازات التي يمكن أن يُدخلها، مما يضمن الشفافية والمزيد من الثقة في الأنظمة التي نبنيها.

أليكس ساندوال، الرئيس التنفيذي لشركة Allie AI لذكاء التصنيع، أكد أيضًا كيف تعتمد طيارات الذكاء الاصطناعي التوليدية على النُظم البشرية في منطق المصنع.

“النشرات الناجحة اليوم لا تتعلق فقط بتغذية النماذج ببيانات مراقبة منطقية قابلة للبرمجة وملحوظات مشغل وبروتوكولات الامتثال. إنها تعتمد على نوع جديد من العمال في الخطوط الأمامية: من يمكنه الترجمة بين سلوك الآلة وال直觉 الرقمية،” اختتم.