Siivoomme sotkuiset tiedot: Miten AI muuttaa peliä

Olemme haudattuina tietoihin. Jokainen alusta, älykello ja älypuhelin jakaa elämämme mittaamattomiin paloihin, mutta suurin osa niistä on yhä epäkoherenttista ja käyttökelvotonta. 

Yritykset tietävät tämän, miksi teknologiajätti Meta sijoitti 14 miljardia dollaria viime kesänä hankkiakseen 49 prosentin osuuden data-merkintästart-up Scale AI:sta, mikä oli laskelmoitu ja strateginen siirto varmistamaan korkealaatuiset koulutusdatat sen AI-malleille.

Suurten kielen mallien luotettavuus riippuu kokonaan siitä, minkälaista dataa niille syötetään – lyhyesti sanottuna, ”roska sisään, roska ulos.” Nykyään kuitenkin yritysten kohtaama todellinen haaste on muuttaa raakaa tietoa toimivaksi dataksi. 

Ratkaisu saattaa olla piilossa silmiemme edessä: AI itse voi auttaa luomalla strategioita ohittamaan tylsän tehtävän massiivisten tietojoukkojen merkinnästä tai loputtomien taulukoiden läpikäymisestä, muuttaen kaaoksen käytettäväksi, inhimilliseksi älymäksi. 

Milloin data menee sekaisin: Piilotetut kustannukset yrityksille

Gartnerin tutkimuksen mukaan vuodelta 2020, huono data-laatu maksaa organisaatioille vähintään 12,9 miljoonaa dollaria vuodessa, vaikuttaa tuottavuuteen ja johtaa huonosti perusteltuihin päätöksiin ja epätarkkaan raportointiin. 

Sotkuisen datan seuraukset ovat kaikkein ilmeisempiä aloilla, kuten terveydenhuollossa. Epätäydelliset terveysrekisterit, laskutiedot ja väärät tiedot järjestelmissä voivat johtaa väärään diagnosointiin, hoitovirheisiin ja resurssien tehokkaaseen käyttöön. Pitkällä tämä ajaa kustannukset ylös ja kuluttaa luottamusta näihin järjestelmiin.

Logistiikassa puolestaan toimittajien ja jakelijoiden välistä väärää dataa voi johtaa viivästymisiin tai varastopuutteisiin. Väärä toimitusosoite tai vanhentunut varastotieto voi aiheuttaa aaltoefektin koko toimitusketjussa, johtaen puutteellisiin määräaikoihin ja asiakkaiden tyytymättömyyteen. 

”Kun pystymme ennakoida tai ymmärtämään, mitä voi tapahtua [reitillä] – yhdistetyistä, aiemmista tiedoista – voimme todella leikata nämä epätarkkuudet”, Asparuh Koev, logistiikan AI-yritys Transmetricsin toimitusjohtaja, totesi keskustelussa Unite AI:n kanssa.

Käytännössä sotkuiset tiedot ovat kalliita. 1-10-100-sääntö havainnollistaa tämän: se maksaa 1 dollarin tarkistaa dataa, kun se syötetään, 10 dollaria puhdistaa sitä myöhemmin, ja 100 dollaria, jos mitään ei tehdä.

Mitä AI-pohjaiset alustat tarjoavat

Kun yritykset kamppailevat kasvavan määrän likaisten tietojen kanssa, he kääntyvät AI:n puoleen ratkaisujen toivossa. Uudet AI-pohjaiset alustat automaattisesti puhdistavat datan, varmistavat kustannustehokkuuden ja parantavat tarkinää.

Robert Giardina, Claritypen, yhden tällaisen alustan, perustaja, selitti AI:n prosessin: 

”Se yhdistää datan yhteiseen muotoon: osa prosessista on muuttaa kunkin tiedon kanoniseen muotoon, joka sopii liiketoimintaan.” 

Claritypen AI menee kuitenkin yli yksinkertaisen standardisoinnin. Alustan valvottu korjaus sallii organisaatioille rikkoa järjestelmärajoja etsimään vastauksia heidän kiireellisimpiin kysymyksiinsä, murtamalla siloja. 

”Järjestelmät, jotka aiemmin pidettiin erillään, pitävät kussakin palaa vastausta kysymyksiin, jotka kattavat koko liiketoiminnan”, Giardina kertoi Unite AI:lle. 

Jos tärkeä toimittaja on vaikuttunut toimitusviiveestä, esimerkiksi, vain yhdistämällä toimittajat tilauksiin ja asiakasrekisteriin voidaan määrittää, ketkä heidän tärkeimmistä asiakkaistaan on ilmoitettava ensin viiveestä.

”Lopullinen tavoitteemme on laajentaa tätä yhteyttä ajattelussa yhdistää jokainen datafragmentti yrityksessä, jotta voimme tehdä jokaisen kysymyksen helppoa ja välittömästi vastattavaksi”, Giardina sanoi. 

Tällainen yhteyttä ajattelu edustaa laajempaa muutosta mielityksessä, joka tapahtuu yrityksissä tänään, kun ne siirtyvät ad hoc -datan puhdistamisesta järjestelmälliseen datahallintaan. Sen sijaan, että data-laatu kohdellaan yksittäisenä korjauskohteena, organisaatiot kehittävät järjestelmällisiä prosesseja varmistamaan johdonmukaisuuden ja luotettavuuden kaikissa järjestelmissään.

Datahallinta on nyt arvostettu liiketoimintaprosessi, eikä pelkästään IT-tehtävä. Integroimalla datahallinnan osaksi strategioitaan yritykset voivat tehdä parempia päätöksiä ja saada merkittävämpiä oivalluksia datastaan.

Miten AI puhdistaa dataa ja mitkä ovat haasteet

Liian suuri riippuvuus AI:sta voi olla vaarallista. Giardinan mukaan ”häiritsevät automaattiset data-muunnokset ovat ne, jotka menevät standardisoinnin ohi arvaamiseen.” 

Esimerkiksi jotkut lyhenteet voivat helposti tulkita väärin. “International Business Machines, Inc.” tai “I.B.M.” muutettaisiin yleensä “IBM:ksi”, mutta jos muunnos olisi automaattinen ja “I.B.” muutettaisiin vahingossa “IBM:ksi”, se voisi aiheuttaa merkittäviä ongelmia molemmille yrityksille.

Puuttuvat ja epätarkat tiedot ovat kahden yleisimmän ongelman. Pelkästään AI:n riippuvuus täyttämään aukot kontekstin mukaan voi helposti epäonnistua. Kuten Giardina korostaa, ”kun vaikutukset ovat millään tavoin merkittäviä, tarvitaan ihmisen hyväksyntä jokaiselle arvaukselle.” 

Automaation ja inhimillisen oivalluksen tasapaino

Sotkuiset tiedot korostavat syviä virheitä siinä, miten organisaatiot käsittelevät tietoa. Jotta voisimme edetä ja parantaa päätöksentekoa, yritysten on loputtava katsomasta dataa pelkästään tekniseksi ongelmaksi ja siirryttävä hallintamalleihin, jotka yhdistävät inhimillisen asiantuntemuksen, eettisen tietoisuuden ja pitkän aikavälin strategisen näkemyksen. 

Puhdas data luo tehokkaamman AI:n, joka puolestaan auttaa parantamaan data-laatu; tämä keskinäinen vahvistus on lupaava, mutta muistuttaa, että automaatio yksin ei ratkaise sotkuisen datamme ongelmaa. Tämä potentiaali voidaan toteuttaa vain yhdistämällä algoritmisen tarkinäköisyyden inhimilliseen arvosteluun ja tietoisuuteen siitä, miten se voi esittää harhaa, varmistamalla avoimuuden ja luottamuksen järjestelmiin, joita rakennamme.

Alex Sandoval, valmistusintelligenssin AI-yrityksen Allie AI, toimitusjohtaja, korosti myös, miten generatiivinen AI-kopilotit eivät pyri pelkästään algoritmeihin, vaan riippuvat inhimillisestä taidosta tehtaan logiikassa. 

”Tänään menestyksekkäimmät käyttöönotot eivät ole vain siinä, että mallit syötetään laajalla ohjelmallisella logiikalla (PLC), operaattorin muistiinpanoilla ja vaatimussopimusten mukaisilla ohjelmilla. Ne riippuvat uudenlaisesta eturintamatyöntekijästä: joka pystyy kääntämään koneen käyttäytymistä ja digitaalista älykkyyttä”, hän totesi.