Den høje pris for beskidt data i AI-udvikling

Det er ingen hemmelighed, at der er en moderne guldfeber i gang i AI-udvikling. Ifølge 2024 Work Trend Index af Microsoft (MSFT ) og Linkedin, forventer over 40% af virksomhedsledere at redesigne deres forretningsprocesser fra bunden og op ved hjælp af kunstig intelligens (AI) inden for de næste få år. Dette seismiske skift er ikke bare en teknologisk opgradering; det er en grundlæggende transformation af, hvordan virksomheder opererer, tager beslutninger og interagerer med kunder. Denne hurtige udvikling skaber en efterspørgsel efter data og first-party data management-værktøjer. Ifølge Forrester planlægger en overvældende 92% af teknologiledere at øge deres data management- og AI-budgetter i 2024.

I den seneste McKinsey Global Survey on AI, angav 65% af respondentende, at deres organisationer regelmæssigt bruger generative AI-teknologier. Mens denne adoption markerer et betydeligt spring fremad, fremhæver det også en kritisk udfordring: kvaliteten af data, der fødes disse AI-systemer. I en branche, hvor effektiv AI kun er så god som data, den er trænet på, bliver pålidelig og præcis data mere og mere svær at komme til.

Den høje pris for dårlig data

Dårlig data er ikke et nyt problem, men dets impact er forstærket i AI-alderen. Tilbage i 2017 estimerede en studie fra Massachusetts Institute of Technology (MIT), at dårlig data kostede virksomheder en overraskende 15% til 25% af deres omsætning. I 2021 estimerede Gartner, at dårlig data kostede organisationer i gennemsnit 12,9 millioner dollars om året.

Beskidt data – data, der er ufuldstændig, upræcis eller inkonsistent – kan have en kaskadeffekt på AI-systemer. Når AI-modeller er trænet på dårlig kvalitetsdata, er de resulterende indsigt og forudsigelser fundamentalt fejlbehæftede. Dette undergraver ikke kun effikaciteten af AI-applikationer, men udgør også betydelige risici for virksomheder, der afhænger af disse teknologier til kritiske beslutninger.

Dette skaber et stort problem for virksomhedens data science-hold, der har måttet fokusere deres begrænsede ressourcer på at rense og organisere data. I en ny state of engineering-rapport udarbejdet af DBT, angav 57% af data science-fagfolk, at dårlig datakvalitet var et dominerende problem i deres arbejde.

Repercussionerne på AI-modeller

Impacten af dårlig data på AI-udvikling manifestere sig på tre måder:

1. Reduceret nøjagtighed og pålidelighed: AI-modeller trives på mønstre og korrelationer, der er afledt fra data. Når inputdata er besmittet, producerer modellerne upålidelige output; kendt som “AI-hallucinationer”. Dette kan føre til fejlagtige strategier, produktfejl og tab af kundetillid.
2. Forstærkning af bias: Beskidt data indeholder ofte bias, der, hvis de ikke kontrolleres, indarbejdes i AI-algoritmer. Dette kan føre til diskriminerende praksisser, især i følsomme områder som rekruttering, långivning og lovhåndhævelse. For eksempel, hvis et AI-rekrutteringsværktøj er trænet på biased historisk rekrutteringsdata, kan det uretfærdigt favorisere bestemte demografiske grupper over andre.
3. Øgede driftsomkostninger: Fejlbehæftede AI-systemer kræver konstant justering og gen-træning, hvilket forbruger ekstra tid og ressourcer. Virksomheder kan finde sig selv i en permanent cyklus af fejlrettelser i stedet for innovation og forbedring.

Den kommende datapocalypse

“Vi nærmer os hurtigt et ” tipping point” – hvor ikke-menneskeskabt indhold vil overgå mængden af menneskeskabt indhold. Fremgangen i AI selv giver os nye værktøjer til datarensning og validering. Men den enorme mængde AI-genereret indhold på internettet er voksende eksponentielt.

Da mere AI-genereret indhold offentliggøres på internettet, og dette indhold er genereret af LLM’er trænet på AI-genereret indhold, ser vi frem til en fremtid, hvor first-party og tillid til data bliver truet og værdifulde varer.

Udfordringerne ved datafordilning

Udbredelsen af AI-genereret indhold skaber flere store industriel udfordringer:

• Kvalitetskontrol: At skelne mellem menneskeskabt og AI-genereret data bliver mere og mere svært, hvilket gør det sværere at sikre kvaliteten og pålideligheden af data, der bruges til at træne AI-modeller.
• Immaterielle rettighedsproblemer: Da AI-modeller ufrivilligt scraper og lærer af AI-genereret indhold, opstår spørgsmål om ejerskab og rettigheder forbundet med data, hvilket potentielt kan føre til juridiske komplikationer.
• Etiske implikationer: Mangel på gennemsigtighed om dataens oprindelse kan føre til etiske problemer, såsom spredning af misinformation eller forstærkning af bias.

Data-as-a-Service bliver fundamentalt

Data-as-a-Service (DaaS)-løsninger søges mere og mere efter for at supplere og forbedre first-party data til træningsformål. Den sande værdi af DaaS er data selv, der er normaliseret, rensket og vurderet til varierende troværdighed og kommerciel anvendelse, samt standardiseringen af processerne til at passe systemet, der fordøjer data. Da denne industri modnes, forventer jeg, at vi vil se denne standardisering på tværs af dataindustrien. Vi ser allerede dette skub for ensartethed inden for retail-medie-sektoren.

Da AI fortsætter med at trænge ind i forskellige industrier, vil betydningen af datakvalitet kun intensiveres. Virksomheder, der prioriterer ren data, vil få en konkurrencemæssig fordel, mens de, der negligerer det, vil meget hurtigt falde bagud.

Den høje pris for beskidt data i AI-udvikling er et presserende problem, der ikke kan ignoreres. Dårlig datakvalitet undergraver den grundlæggende grundlag for AI-systemer, hvilket fører til fejlbehæftede indsigt, øgede omkostninger og potentielle etiske fælder. Ved at adoptere omfattende data management-strategier og fremme en kultur, der værdsætter dataintegritet, kan organisationer afværge disse risici.

I en æra, hvor data er det nye olie, er det ikke kun en teknisk nødvendighed, men en strategisk imperativ at sikre dens renhed. Virksomheder, der investerer i ren data i dag, vil være de, der leder innovationens front i morgen.