Miksi datan laatu ratkaisee, onnistuuko yrityksen tekoäly vai epäonnistuuko se

Sitten kun OpenAI julkaisi ChatGPT:n loppuvuonna 2022, jokainen yritys on yrittänyt lisätä vauhtia tekoälyssä. Suuret laitteistoyritykset kuten Nvidia myyvät enemmän kuin koskaan GPU:ita, kun taas suuret mallirakentajat kuten OpenAI ja Anthropic jatkavat suurempien ja suurempien mallien kehittämistä.

Vieltäkään, vaikka yrityksillä on käytössään kehittyneimmät mallit ja suurimmat budjetit, monet tekoälyprojektit epäonnistuvat silti. Olemme nähneet tämän tapahtuvan useilla aloilla, terveydenhuollosta liikenteeseen ja rahoitukseen. Syy ei ole kaukana: tekoäly on yhtä hyvä kuin siihen kohdistettu data ja data, jota se saa reaaliajassa. Kun data on huonosti merkitty, vanhentunut tai puutteellinen, mikään malli ei voi tuottaa johdonmukaisia tai luotettavia tuloksia.

Ja tämä on suuri ongelma, jota monet yritykset kohtaavat tänään. He investoivat paljon tekoälytyökaluihin, kun taas heidän tietojärjestelmänsä ovat edelleen hajanaisia ja epäluotettavia. Tuloksena on edistymisen illusio. Vaikka mallit tuottavat vaikuttavia vastauksia, nämä oivallukset perustuvat usein heikkoon perusta. Tekoälyn onnistumisen todellinen este ei ole mallin suorituskyky, vaan datan laatu.

Mikä hyvä data oikein tarkoittaa

Laadukas data ei ole vain tarkkuutta. Se tarkoittaa tietoa, joka on ajantasainen, täydellinen ja asiaan liittyvää. Kuvitellaan asiakas, joka yrittää peruuttaa tilauksensa verkkokaupassa. Järjestelmän on tarkistettava tilausyksityiskohdat, toimitustilanne ja maksutieto. Jos nämä datapisteet sijaitsevat eri järjestelmissä, jotka eivät puhu toistensa kanssa, tekoälyavustaja ei voi antaa hyödyllistä vastausta.

Hyvä data yhdistää nämä pisteet välittömästi. Se sallii tekoälyn nähdä kokonaiskuvan sen sijaan, että se näkee vain osia siitä. Huono data taas pakottaa mallin arvaamaan. Ja kun tekoäly alkaa arvailla, se tekee virheitä, jotka maksavat rahaa ja vahingoittavat luottamusta. Viimeaikaiset esimerkit osoittavat, kuinka vaarallisia nämä oletukset voivat olla.

New Yorkin kaupungin liiketoimintachattibotti antoi laitonta neuvontaa, koska se haki vanhentuneista tai puutteellisista oikeudellisista tiedoista. Air Canadan asiakaspalvelubotti teki väärät hyvitysvaatimukset, koska se puuttui asiayhteydestä yrityksen politiikasta. Jopa suuret palkkaamisjärjestelmät ovat virheellisesti suodattaneet ehdokkaita, koska data on ollut harhaanjohtavaa tai väärin merkittyä, kuten EEOC:n ensimmäinen tekoälyyn liittyvä sovinto osoittaa. Nämä epäonnistumiset eivät ole vain teknisiä, vaan myös maineeseen ja taloudelliseen menetykseen liittyviä, ja ne johtuvat tekoälyjärjestelmistä, jotka on koulutettu epäluotettavalla data:lla.

Alaan liittyvät tutkimukset vahvistavat tämän ongelman laajuuden. Gartnerin mukaan 80 prosenttia tekoälyprojekteista epäonnistuu laajentumisessa huonon datan laadun ja hallinnan vuoksi. Vastaavasti MIT Sloan Management Review -tutkimus osoitti, että data-ongelmat, ei algoritmit, ovat tärkein syy, miksi yritysten tekoälyprojektit epäonnistuvat.

Kulttuuri on yhtä tärkeä kuin koodi

Datan laadun parantaminen ei ole asia, jota voi korjata yhdellä työkalulla tai komennolla. Se vaatii kulttuurisen muutoksen. Tämän vuoksi liiketoimintajohtajien on käsiteltävä dataa elävänä järjestelmänä, jolle on annettava huolenpitoa ja vastuuta. Tämä ei ole vain sitä, että julkitsee “haluamme parantaa dataa” – se ei riitä. Jokaisen organisaation osan on ymmärrettävä, miten tieto liikkuu, kuka omistaa sen ja mitä tapahtuu, kun se muuttuu.

Olemme nähneet, miten tämä toteutuu käytännössä. Monet tekoälysovellukset riippuvat yöaikaisista data-päivityksistä. Jos tietokantasi päivittyy kerran päivässä, mallin tietämys on aina jäljessä todellisuutta. Nopeasti muuttuvissa ympäristöissä tämä viive voi tarkoittaa vanhentunutta tietoa ja huonoa päätöksentekoa. Yritysten on uudelleenarvioitava koko data-virtaustaan siitä, miten tieto kerätään, ja miten se toimitetaan mallille.

Tämän tekeminen hyvin voi säästää valtavasti aikaa ja kustannuksia. Kun data-virtaukset on suunniteltu selkeästi ja tarkoituksenmukaisesti, tekoälyjärjestelmät voivat oppia ja toimia viimeisimmän ja asiaankuuluvan tiedon perusteella. Kun ne eivät ole, tiimit viettävät enemmän aikaa datan puhdistamiseen kuin sen käyttämiseen.

Data-hallinnan asiantuntijat korostavat usein, että vahvan datan laadun avain on palautekierto ihmisten, prosessien ja alustojen välillä. Ilman tätä kiertoa tieto vanhenee, ja mallit menettävät kosketuksensa todellisen maailman olosuhteisiin – ongelmaa, jota kutsutaan toisinaan data-virtaukseksi.

Tasapaino nopeuden ja eheysuden välillä

Usein on jännite nopeuden ja tarkkuuden välillä. Monet organisaatiot haluavat välittömiä tuloksia tekoälysijoituksistaan, mutta kiirehtiminen voi johtaa suurempiin ongelmiin myöhemmin. Tavoitteena on datan joustavuus eheysudella. Toisin sanoen, järjestelmien on kyettävä liikkumaan nopeasti ilman tarkkuuden menettämistä.

Toisaalta jokaisen yrityksen on määriteltävä selkeät reitit datan virtaamiseen sen lähteestä malliin reaaliajassa. On myös hyvä määritellä, minkälaista tietoa sallitaan ja mitä on estettävä. Arkaluontoista tai yksityistä dataa ei saa päästä malliin, vaikka käyttäjällä on teknisesti pääsy siihen. Tämän rajan suojaaminen luo luottamusta ja estää tekoälyjärjestelmiä vuotamasta tai väärinkäyttämästä tietoa.

Kun tekoäly muuttuu autonomisemmaksi, ihmisen valvonta säilyy kriittisenä. Mallin ei pidä olla täydellinen valta liiketoimintatoimissa. Se ei myöskään pidä tehdä päätöksiä. Sen sijaan se pitäisi tehdä pyynnöksiä. Lisäksi ihmiset on aina tarkistettava ja hyväksyttävä sen toimet, jotta ne ovat linjassa yrityksen politiikan ja sääntelyn kanssa.

Laadun rakentaminen alusta alkaen

Datan laadun ylläpitäminen suuressa mittakaavassa ei ole vain virheiden korjaamista. Se alkaa arkkitehtuurista. On tunnistettava, missä luotettavin data sijaitsee, ja suunniteltava järjestelmä, joka kokoaa sen yhteen luotettavaan paikkaan. Siitä voidaan jäljittää, minkälaista dataa malli käyttää ja mistä se tulee.

Tämä lähestymistapa estää sekaannusta ja pitää järjestelmän avoimena. Se myös auttaa tiimejä vianmäärityksessä, kun jotain menee pieleen. Kun tiedetään tarkalleen, minkälaista dataa mallin vastaus käytti, voidaan vahvistaa ja korjata ongelmia, ennen kuin ne leviävät.

Tekoälyn tulevaisuus yrityksissä kuuluu yrityksille, jotka upottavat laadun infrastruktuuriinsa oletusarvoisesti. Odotamme näkevämme enemmän valmiita tekoälyjärjestelmiä, jotka käsittelevät sekä päättelyä että data-integrointia yhdessä paketissa. Nämä “tekoälylaitteet” voivat tehdä siitä helpompaa yrityksille käyttää älykkäitä järjestelmiä ilman datahallinnan menettämistä.

Analyytikot ennustavat, että organisaatiot, jotka pystyvät yhdistämään ja hallitsemaan dataa tehokkaasti, näkevät nopeamman omaksumisen ja korkeamman tuoton tekoälyprojekteista. Tuore raportti datavalmiudesta selittää, että tämä kyky erottaa yritykset, jotka innovoivat jatkuvasti, niistä, jotka jäävät paikoilleen alkuvaiheen jälkeen. Ero usein johtuu siitä, ovatko heidän tekoälyjärjestelmänsä rakennettu yhdenmukaiselle ja hyvin rakennetulle tiedolle.

Lopputulos

Datan laatu ei ehkä ole yhtä jännittävää kuin läpimurto mallisuunnittelussa, mutta se on hiljainen voima, joka päättää, onnistuuko tekoäly vai epäonnistuuko se. Ilman puhdasta, ajantasaisia ja johdonmukaisia tietoja jopa älykkäimmät järjestelmät epäonnistuvat. Sen sijaan jopa vaatimattomat tekoälyprojektit voivat luoda kestävää arvoa.

Jokaisen tekoälyyn sijoittavan johtajan on kysyttävä yksinkertaista kysymystä: Luotammeko dataan, joka ohjaa päätöksiämme? Mitä olemme nähneet, yritykset, jotka voivat vastata “kyllä” luottavaisesti, ovat jo johtavia tekoälykilpailussa.