Ajatusjohtajat

Siivoomme sotkuiset tiedot: Miten AI muuttaa peliä

Gabrielle Degeorge
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatHuono tiedonlaatu maksaa yrityksille miljoonia vuosittain ja johtaa kriittisiin…
Näytä lisää
  • Huono tiedonlaatu maksaa yrityksille miljoonia vuosittain ja johtaa kriittisiin virheisiin aloilla kuten terveydenhuollossa.
  • Claritypen kaltaiset tekoälyalustat automatisoivat tiedon puhdistamisen ja yhdistävät eristyneet tietovarastot vastatakseen kiireellisiin liiketoimintakysymyksiin.
  • Tehokas tiedonhallinta edellyttää tasapainoa tekoälyn automatiikan ja ihmisen valvonnan välillä, jotta kalliita arvailuja voidaan välttää.

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

Yritykset tietävät tämän, minkä vuoksi teknologiajätti Meta sijoitti 14 miljardia dollaria viime kesänä ostaakseen 49 prosentin osuuden datan merkintään keskittyvästä startup-yritys Scale AI:sta, tehden laskelmoivan ja strategisen liikkeen varmistamaan laadukkaat koulutusdatat sen tekoälymallille.

Suurten kielimallien 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 aivan silmiemme edessä: tekoäly voi itse auttaa kehittämällä strategioita, joilla ohitetaan valtavien tietojoukkojen merkitsemisen tai loputtomien laskentataulukoiden läpikäynnin puuduttava työ ja muutetaan kaaos käyttökelpoiseksi inhimilliseksi älykkyydeksi.

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 tehottomaan resurssien jakamiseen. Pitkällä aikavälillä tämä johtaa kustannusten nousuun ja luottamuksen heikkenemiseen näihin järjestelmiin.

Logistiikassa toimittajien ja jakelijoiden tietojen ristiriidat voivat johtaa viivästymisiin tai varastopuutteisiin. Väärä toimitusosoite tai vanhentunut varastotieto voi aiheuttaa aaltoefektin koko toimitusketjussa, johtaen viivästymisiin ja asiakkaiden tyytymättömyyteen.

“Kun yhdistetyn aiemman datan perusteella pystytään ennakoimaan tai ymmärtämään, mitä [reitin varrella] voisi tapahtua, näitä tehottomuuksia voidaan todella vähentää”, 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 likaisen datan määrän kanssa, ne kääntyvät AI:n puoleen ratkaisuksi. Uudet AI-pohjaiset alustat automatisoivat nyt datan puhdistusprosessin, varmistaen kustannusvaikuttavuuden ja parantamalla tarkkuutta.

Robert Giardina, Claritypen perustaja, selitti tällaisen alustan tekoälyprosessia:

“Se yhdistää datan yhteiseen muotoon: osa prosessista on muuntaa jokainen tieto yhteiseen kanoniseen 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 kärsii toimitusviivästyksestä, voidaan vain yhdistämällä toimittajat tilauksiin ja asiakasrekisteriin määrittää, keille sen tärkeimmistä asiakkaista viivästyksestä on ilmoitettava ensin.

“Lopullinen tavoitteemme on laajentaa tätä yhtenäistä ajattelua yhdistääksesi jokaisen datan sirun yrityksessä, jotta jokaiseen kysymykseen olisi helppo vastata välittömästi”, 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 datan laatua käsiteltäisiin kertaluonteisena 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

Liiallinen riippuvuus tekoälystä 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 (IBM ), 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 lakattava 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 datan laatua; tämä toisiaan 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, valmistusteollisuuden älykkyyteen keskittyvän tekoälyyritys Allie AI:n toimitusjohtaja, korosti myös, miten generatiiviset tekoäly-apurit eivät toimi pelkästään algoritmeilla, vaan riippuvat inhimillisestä taidosta tehdaslogiikassa.

“Nykyään menestyksekkäimmissä käyttöönotoissa ei ole kyse vain valtavien ohjelmoitavien logiikkaohjainten (PLC) datamäärien, operaattorien muistiinpanojen ja vaatimustenmukaisuusprotokollien syöttämisestä malleille. Ne riippuvat uudenlaisesta etulinjan työntekijästä: henkilöstä, joka osaa tulkata koneiden käyttäytymisen ja digitaalisen intuition välillä”, hän totesi.

Gabrielle Degeorge on journalisti ja monikielinen viestintäasiantuntija, joka toimii Roomassa, Italiassa. Hänellä on erikoisalojen kääntämisen maisterintutkinto Geneven yliopistosta, ja hänen työnsä korostaa sitä, miten tekoäly toimii ihmisten kanssa teollisuuden ja yhteiskunnan parantamiseksi.