डेटा गुणवत्ता निर्धारित करती है कि एंटरप्राइज़ एआई सफल होता है या विफल होता है

ओपनएआई द्वारा 2022 के अंत में चैटजीपीटी के आगमन के बाद, हर कंपनी एआई के साथ तेजी से आगे बढ़ने के लिए होड़ में है। बड़े हार्डवेयर खिलाड़ियों जैसे एनवीडिया जीपीयू की बिक्री कर रहे हैं, जबकि बड़े मॉडल बिल्डर जैसे ओपनएआई और एंथ्रोपिक बड़े और बड़े मॉडल बनाते रहते हैं।

फिर भी, सबसे उन्नत मॉडल और सबसे बड़े बजट के साथ, कई एआई परियोजनाएं अभी भी कम पड़ती हैं। हमने स्वास्थ्य सेवा से लेकर परिवहन तक और वित्त से लेकर अधिक तक कई उद्योगों में ऐसा होते देखा है। कारण इतना दूर नहीं है: एआई उतना ही अच्छा है जितना डेटा उसे प्रशिक्षित किया जाता है और जो उसे वास्तविक समय में मिलता है। जब वह डेटा खराब लेबल वाला, पुराना या अधूरा होता है, तो कोई मॉडल सुसंगत या विश्वसनीय परिणाम नहीं दे सकता है।

और यही बड़ी समस्या है जिसका सामना आज कई कंपनियां कर रही हैं। वे एआई टूल्स में भारी निवेश करती हैं, जबकि उनकी डेटा प्रणाली बिखरी हुई और अविश्वसनीय रहती है। परिणाम एक प्रगति का भ्रम है। जबकि मॉडल प्रभावशाली उत्तर देते हैं, अंतर्दृष्टि अक्सर कमजोर नींव पर आधारित होती है। एआई सफलता के लिए वास्तविक बाधा मॉडल प्रदर्शन नहीं है। यह डेटा गुणवत्ता है।

डेटा का वास्तव में क्या अर्थ है

उच्च गुणवत्ता वाला डेटा केवल सटीकता के बारे में नहीं है। इसका अर्थ है जानकारी जो वर्तमान, पूर्ण और समस्या के लिए प्रासंगिक है। एक ग्राहक को एक ई-कॉमर्स साइट पर ऑर्डर रद्द करने की कोशिश करते हुए कल्पना करें। सिस्टम को ऑर्डर विवरण, शिपिंग स्थिति और भुगतान रिकॉर्ड की जांच करने की आवश्यकता है। यदि उनमें से कोई भी डेटा बात नहीं करने वाले अलग-अलग सिस्टम में रहता है, तो एआई सहायक उपयोगी उत्तर देने में विफल रहेगा।

अच्छा डेटा इन बिंदुओं को तुरंत जोड़ता है। यह एआई को एक पूर्ण चित्र देखने की अनुमति देता है, न कि इसके टुकड़ों को। दूसरी ओर, खराब डेटा मॉडल को अनुमान लगाने के लिए मजबूर करता है। और जब एआई अनुमान लगाना शुरू करता है, तो यह गलतियां करता है जो पैसे की लागत और विश्वास को नुकसान पहुंचाती हैं। हाल के उदाहरणों से पता चलता है कि ऐसे अनुमान कितने खतरनाक हो सकते हैं।

न्यूयॉर्क सिटी के व्यवसाय चैटबॉट ने अवैध सलाह दी क्योंकि यह पुरानी या अधूरी कानूनी जानकारी से निकला था। एयर कैनाडा के ग्राहक-सेवा बॉट ने गलत रिफंड दावे किए क्योंकि उन्हें कंपनी की नीति से संदर्भ नहीं मिला था। यहां तक कि बड़े भर्ती प्रणाली ने भी पक्षपातपूर्ण या गलत लेबल वाले डेटा के कारण उम्मीदवारों को गलत तरीके से फिल्टर किया है, जैसा कि ईईओसी के पहले एआई-संबंधित निपटारे में देखा गया है। ये विफलताएं केवल तकनीकी नहीं हैं। वे प्रतिष्ठा और वित्तीय हैं, और वे डेटा पर आधारित एआई प्रणालियों से उत्पन्न होती हैं जो अविश्वसनीय हैं।

उद्योग के अध्ययन इस मुद्दे के पैमाने की पुष्टि करते हैं। गार्टनर की रिपोर्ट है कि 80 प्रतिशत एआई परियोजनाएं डेटा गुणवत्ता और शासन की कमी के कारण स्केल करने में विफल रहती हैं। इसी तरह, एमआईटी स्लोन मैनेजमेंट रिव्यू सर्वेक्षण में पाया गया कि डेटा समस्याएं, एल्गोरिदम नहीं, उद्यम एआई परियोजनाओं के पतन का शीर्ष कारण है।

संस्कृति कोड के रूप में महत्वपूर्ण है

डेटा गुणवत्ता में सुधार करना कुछ ऐसा नहीं है जिसे आप एक उपकरण या कमांड के साथ ठीक कर सकते हैं। इसके लिए सांस्कृतिक परिवर्तन की आवश्यकता है। यही कारण है कि व्यवसायिक नेताओं को डेटा को एक जीवित प्रणाली के रूप में मानना चाहिए जिसे देखभाल और जवाबदेही की आवश्यकता है। यह केवल यह घोषित करने के बारे में नहीं है कि आप “डेटा को बेहतर बनाना चाहते हैं” – यह पर्याप्त नहीं है। संगठन के हर हिस्से को यह समझना चाहिए कि जानकारी कैसे चलती है, इसका मालिक कौन है, और जब यह बदलता है तो क्या होता है।

हमने वास्तविक दुनिया की प्रणालियों में यह कैसे खेलता है यह देखा है। कई एआई अनुप्रयोग रात के समय डेटा अपडेट पर निर्भर करते हैं। यदि आपका डेटाबेस एक दिन में एक बार ताज़ा होता है, तो आपके मॉडल का ज्ञान वास्तविकता से हमेशा पीछे रहेगा। तेजी से बदलते वातावरण में, यह देरी पुरानी अंतर्दृष्टि और खराब निर्णयों का कारण बन सकती है। कंपनियों को अपने पूरे डेटा प्रवाह को फिर से सोचने की जरूरत है – जानकारी कैसे एकत्र की जाती है और यह मॉडल तक कैसे पहुंचाई जाती है।

इसे अच्छी तरह से करने से समय और लागत की बचत हो सकती है। जब डेटा पाइपलाइनें स्पष्टता और उद्देश्य के साथ डिज़ाइन की जाती हैं, तो एआई प्रणाली सबसे हाल की और प्रासंगिक जानकारी पर सीख सकती हैं और कार्य कर सकती हैं। जब वे नहीं होती हैं, तो टीमें डेटा को साफ करने में अधिक समय बिताती हैं niż इसका उपयोग करने में।

डेटा प्रबंधन में विशेषज्ञ अक्सर यह इंगित करते हैं कि मजबूत डेटा गुणवत्ता की कुंजी लोगों, प्रक्रियाओं और प्लेटफ़ॉर्म के बीच प्रतिक्रिया पाश है। उस पाश के बिना, जानकारी स्टेल हो जाती है और मॉडल वास्तविक दुनिया की स्थितियों से संपर्क खो देते हैं – एक समस्या जिसे कभी-कभी डेटा ड्रिफ्ट कहा जाता है।

गति के साथ अखंडता का संतुलन

अक्सर गति और सटीकता के बीच एक तनाव होता है। कई संगठन अपने एआई निवेश से तुरंत परिणाम चाहते हैं, लेकिन जल्दी करने से बाद में बड़ी समस्याएं आ सकती हैं। लक्ष्य डेटा लचीलापन के साथ अखंडता होना चाहिए। दूसरे शब्दों में, ऐसी प्रणालियां बनाना जो तेजी से चले बिना सटीकता खोए नहीं।

इस बिंदु पर, प्रत्येक कंपनी को डेटा के लिए स्पष्ट मार्ग परिभाषित करना चाहिए ताकि यह वास्तविक समय में स्रोत से मॉडल तक प्रवाहित हो सके। यह भी मददगार है कि यह परिभाषित किया जाए कि किस प्रकार की जानकारी में अनुमति है और क्या बाहर रहना चाहिए। संवेदनशील या निजी डेटा को मॉडल तक कभी नहीं पहुंचना चाहिए, भले ही उपयोगकर्ता के पास तकनीकी रूप से इसकी पहुंच हो। उस सीमा की रक्षा करने से विश्वास बनता है और एआई प्रणालियों को जानकारी का रिसाव या दुरुपयोग करने से रोका जा सकता है।

एआई अधिक स्वायत्त होते जाने के साथ, मानव पर्यवेक्षण महत्वपूर्ण बना रहेगा। मॉडल को व्यावसायिक क्रियाओं पर पूर्ण नियंत्रण नहीं होना चाहिए। यह निर्णय लेने के लिए भी नहीं होना चाहिए। इसके बजाय, यह अनुरोध करना चाहिए। अधिक महत्वपूर्ण बात, मानवों को हमेशा इसकी क्रियाओं की समीक्षा और अनुमोदन करना चाहिए ताकि यह सुनिश्चित किया जा सके कि वे कंपनी की नीति और विनियमन के अनुरूप हैं।

नीचे से गुणवत्ता के लिए निर्माण

पैमाने पर डेटा गुणवत्ता को बनाए रखना केवल त्रुटियों को साफ करने की बात नहीं है। यह वास्तुकला से शुरू होता है। आपको यह पहचानने की आवश्यकता है कि आपका सबसे विश्वसनीय डेटा कहां रहता है, फिर एक प्रणाली को डिज़ाइन करें जो इसे एक विश्वसनीय स्थान पर एक साथ लाता है। वहां से, आप यह ट्रैक कर सकते हैं कि मॉडल किस डेटा का उपयोग करता है और यह कहां से आता है।

यह दृष्टिकोण भ्रम को रोकता है और प्रणाली को पारदर्शी बनाए रखता है। यह टीमों को त्रुटियों को तेजी से हल करने में भी मदद करता है जब कुछ गलत हो जाता है। जब आप जानते हैं कि मॉडल के उत्तर को कौन सा डेटा खिलाया गया था, तो आप मुद्दों को सत्यापित और ठीक कर सकते हैं इससे पहले कि वे फैलें।

एंटरप्राइज़ एआई का भविष्य उन कंपनियों का होगा जो अपने बुनियादी ढांचे में गुणवत्ता को डिफ़ॉल्ट रूप से एम्बेड करती हैं। हम अधिक प्लग-एंड-प्ले एआई सिस्टम देखने की उम्मीद करते हैं जो तर्क और डेटा एकीकरण दोनों को एक पैकेज में संभालते हैं। ये “एआई उपकरण” संगठनों को स्मार्ट सिस्टम तैनात करना आसान बना सकते हैं बिना अपने डेटा का नियंत्रण खोए।

विश्लेषकों का अनुमान है कि जो संगठन अपने डेटा को प्रभावी ढंग से एकजुट और शासित कर सकते हैं, वे एआई परियोजनाओं से तेजी से गोद लेने और उच्च आरओआई देखेंगे। एक हालिया रिपोर्ट डेटा तैयारी पर यह बताती है कि यह क्षमता उन कंपनियों को अलग करती है जो निरंतर नवाचार करती हैं और उन लोगों से जो शुरुआती पायलट के बाद अटक जाते हैं। अंतर अक्सर यह आता है कि क्या उनकी एआई प्रणालियां सुसंगत, अच्छी तरह से संरचित जानकारी पर बनाई गई हैं।

नीचे की रेखा

डेटा गुणवत्ता मॉडल डिजाइन में सफलता की तुलना में उत्साहजनक नहीं लग सकती है, लेकिन यह वह शांत बल है जो तय करता है कि एआई सफल होता है या विफल होता है। साफ, वर्तमान और सुसंगत डेटा के बिना, सबसे चतुर प्रणाली भी लड़खड़ा जाएगी। इसके साथ, यहां तक कि विनम्र एआई परियोजनाएं भी स्थायी मूल्य बना सकती हैं।

प्रत्येक नेता को एआई में निवेश करना चाहिए जो एक सरल प्रश्न पूछना चाहिए: क्या हम उन डेटा पर विश्वास करते हैं जो हमारे निर्णयों को चलाते हैं? जो कुछ हमने देखा है, उसके अनुसार, जो कंपनियां आत्मविश्वास से “हां” कह सकती हैं, वे पहले से ही एआई दौड़ में अग्रणी हैं।