Siivoomme sotkuiset tiedot: Miten AI muuttaa peliä

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

Yritykset tietävät tämän, miksi teknologiajätti Meta sijoitti 14 miljardia dollaria viime kesänä ostaakseen 49 prosentin osuuden data-merkintäyritys Scale AI:sta, tehden laskelmoivan ja strategisen liikkeen varmistamaan laadukkaat koulutusdatat sen tekoälymallille.

Suurten kielen mallien luotettavuus riippuu kokonaan syötetyn datan laadusta – lyhyesti sanottuna, “roska sisään, roska ulos.” Nykyään kuitenkin yritysten todellinen haaste on muuttaa raakaa tietoa toimivaksi dataksi.

Ratkaisu saattaa olla piilossa: AI voi auttaa luomalla strategioita, joilla voidaan ohittaa tylsä tehtävä suurten tietojoukkojen merkintää tai läpi käymistä, ja muuttaa kaaosta käytettäväksi, inhimilliseksi älyksi.

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 terveydenhuollossa. Epätäydelliset terveysrekisterit, laskutiedot ja väärät tiedot eri järjestelmissä voivat johtaa väärään diagnoosiin, hoitovirheisiin ja tehokkaan resurssien jakamiseen. Pitkällä aikavälillä tämä johtaa kustannusten nousuun ja luottamuksen heikkenemiseen näihin järjestelmiin.

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

“Pystymällä ennakoida tai ymmärtämään, mitä voi tapahtua [reitillä] – yhdistetyistä, aiemmista tiedoista – voidaan todella leikata nämä epätarkkuudet”, Asparuh Koev, logistiikan tekoälyyritys Transmetricsin toimitusjohtaja, totesi Unite AI:n haastattelussa.

Käytännöllisemmässä mielessä sotkuisa data on kallista. 1-10-100-sääntö havainnollistaa tämän: se maksaa 1 dollarin tarkistaa dataa, kun se syötetään, 10 dollaria puhdistaa se myöhemmin, ja 100 dollaria, jos mitään ei tehdä.

Mitä AI-pohjaiset alustat tarjoavat

Kun yritykset kamppailevat kasvavan määrän likaista dataa, he kääntyvät AI:n puoleen ratkaisuksi. Uudet AI-pohjaiset alustat automatisoivat nyt datan puhdistusprosessin, varmistaen kustannusvaikuttavuuden ja parantamalla tarkkuutta.

Robert Giardina, Claritypen perustaja, yksi tällainen alusta, selitti AI:n prosessin:

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

Claritypen AI menee kuitenkin yli yksinkertaisen standardisoinnin. Alustan valvottu korjaus sallii organisaatioiden ylittää järjestelmien rajoja etsimään vastauksia heidän kiireellisimpiin kysymyksiinsä, murtamalla silot.

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

Jos esimerkiksi tärkeä toimittaja on vaikuttunut toimitusviivästyksestä, voidaan vain yhdistämällä toimittajat tilauksiin ja asiakasrekisteriin määrittää, mitkä heidän tärkeimmistä asiakkaistaan on ilmoitettava ensin viivästyksestä.

“Lopullinen tavoitteemme on laajentaa tätä yhtenäistä ajattelua yhdistääksesi jokaisen datan sirun yrityksessä, jotta voimme tehdä jokaisen kysymyksen helpoksi ja välittömäksi”, Giardina sanoi.

Tämänkaltaista yhtenäistä ajattelua edustaa laajempi mielenmuutos, joka tapahtuu yrityksissä tänään, kun ne siirtyvät ad hoc -datan puhdistamisesta järjestelmälliseen data-hallintaan. Sen sijaan, että data-laatu kohdellaan yksinkertaisena korjauksena, organisaatiot kehittävät järjestelmällisiä prosesseja varmistamaan johdonmukaisuuden ja luotettavuuden kaikissa järjestelmissään.

Data-hallinta on nyt arvostettu liiketoimintaprosessi, eikä pelkästään IT-tehtävä. Integroimalla data-hallinnan osaksi yleisiä strategioitaan, yritykset voivat tehdä parempia päätöksiä ja saada merkityksellisempiä oivalluksia datansa avulla.

Miten AI puhdistaa dataa ja mitkä haasteet sille aiheutuvat

AI:sta riippuvaisuus voi olla vaarallista. Giardinan mukaan “hälyttävät automaattiset datan muunnokset ovat ne, jotka menevät standardisoinnin lisäksi arvaamiseen.”

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

Puuttuvat ja epätarkat tiedot ovat kaikkein yleisimpiä ongelmia, ja pelkästään AI:sta riippuvaisuus täyttää aukot kontekstin mukaan voi helposti epäonnistua. Giardina korostaa, “kun vaikutukset ovat millä tahansa tavalla merkittäviä, tarvitaan ihmisen hyväksyntä jokaiselle arvaukselle.”

Automaation ja inhimillisen oivalluksen tasapaino

Sotkuisa data korostaa syviä virheitä siinä, miten organisaatiot käsittelevät tietoa. Jotta voidaan edetä ja parantaa päätöksentekoa, yritysten on loputtava katsomasta dataa pelkästään teknisenä ongelmana ja siirryttävä hallintamalleihin, jotka yhdistävät inhimillisen asiantuntemuksen, eettisen tietoisuuden ja pitkän aikavälin strategisen näkemyksen.

Puhdas data luo tehokkaampaa AI:ta, joka puolestaan auttaa parantamaan data-laatu; tämä keskinäinen vahvistava sykli on lupaava, mutta muistuttaa, että automaatio yksin ei ratkaise sotkuisen datamme ongelmaa. Tämä potentiaali voidaan toteuttaa vain yhdistämällä algoritmisen tarkkuuden inhimilliseen arvostelukykyyn ja tietoisuuteen siitä, miten se voi aiheuttaa harhaa, varmistaen avoimuuden ja luottamuksen järjestelmiin, joita rakennamme.

Alex Sandoval, valmistavan tekoälyyritys Allie AI:n toimitusjohtaja, korosti myös, miten generatiiviset tekoäly-apurit eivät toimi pelkästään algoritmeilla, vaan riippuvat inhimillisestä taidosta tehdaslogiikassa.

“Nykyään menestyksekkäimmät käyttöönotot eivät ole vain syöttämistä malleille laajoja ohjelmoitavien logiikkaohjainten (PLC) tietoja, operaattorin muistiinpanoja ja vaatimuksia. Ne riippuvat uudenlaisesta eturintamatyöntekijästä: joka voi kääntää koneen käyttäytymistä ja digitaalista intuitiota”, hän totesi.