Zašto GenAI stagnira bez snažnog upravljanja

Dok se tvrtke bore s prelaskom projekata generativne umjetne inteligencije iz eksperimentalnog u produkcijski proces, mnoge tvrtke ostaju zaglavljene u pilotnom načinu rada. Kao što ističe naše nedavno istraživanje, 92% organizacija zabrinuto je da se pilot-projekti GenAI-a ubrzavaju bez prethodnog rješavanja temeljnih problema s podacima.Još znakovitije: 67% nije uspjelo skalirati ni polovicu svojih pilot projekata u produkciju. Ovaj proizvodni jaz manje se odnosi na tehnološku zrelost, a više na spremnost temeljnih podataka. Potencijal GenAI-a ovisi o čvrstoći tla na kojem stoji. A danas je za većinu organizacija to tlo u najboljem slučaju klimavo.

Zašto se GenAI zaglavio u pilotnoj fazi

Iako su GenAI rješenja svakako moćna, učinkoviti su samo onoliko koliko su učinkoviti podaci koji ih hrane. Stara izreka „smeće unutra, smeće van“ danas je istinitija nego ikad. Bez pouzdanih, potpunih, opravdanih i objašnjivih podataka, GenAI modeli često daju rezultate koji su netočni, pristrani ili neprikladni za svoju svrhu.

Nažalost, organizacije su požurile s implementacijom scenarija upotrebe koji zahtijevaju malo napora, poput chatbotova pokretanih umjetnom inteligencijom koji nude prilagođene odgovore iz različitih internih dokumenata. I iako oni donekle poboljšavaju korisničko iskustvo, ne zahtijevaju velike promjene u podatkovnoj infrastrukturi tvrtke. No, za strateško skaliranje GenAI-a, bilo u zdravstvu, financijskim uslugama ili automatizaciji lanca opskrbe, potrebna je drugačija razina zrelosti podataka.

U stvari, 56% direktora za podatke navodi pouzdanost podataka kao ključnu prepreku implementaciji umjetne inteligencije.Ostali problemi su nepotpuni podaci (53%), problemi s privatnošću (50%) i veći nedostaci u upravljanju umjetnom inteligencijom (36%).

Nema upravljanja, nema GenAI-ja

Kako bi GenAI odveli dalje od pilot faze, tvrtke moraju tretirati upravljanje podacima kao strateški imperativ svog poslovanja. Moraju osigurati da su podaci dorasli zadatku pokretanja AI modela, te stoga moraju odgovoriti na sljedeća pitanja:

• Dolaze li podaci korišteni za treniranje modela iz pravih sustava?
• Jesmo li uklonili osobne podatke i pridržavali se svih propisa o podacima i privatnosti?
• Jesmo li transparentni i možemo li dokazati porijeklo podataka koje model koristi?
• Možemo li dokumentirati naše procese obrade podataka i biti spremni pokazati da podaci nisu pristrani?

Upravljanje podacima također mora biti ugrađeno u kulturu organizacije. Da bi se to postiglo, potrebno je izgraditi pismenost u području umjetne inteligencije u svim timovima. Zakon EU o umjetnoj inteligenciji formalizira ovu odgovornost, zahtijevajući od pružatelja usluga i korisnika sustava umjetne inteligencije da ulože maksimalne napore kako bi osigurali da su zaposlenici dovoljno pismeni u području umjetne inteligencije, osiguravajući da razumiju kako ti sustavi funkcioniraju i kako ih odgovorno koristiti. Međutim, učinkovito usvajanje umjetne inteligencije nadilazi tehničko znanje. Također zahtijeva snažne temelje u vještinama rada s podacima, od razumijevanja upravljanja podacima do postavljanja analitičkih pitanja. Tretiranje pismenosti u području umjetne inteligencije odvojeno od pismenosti u području podataka bilo bi kratkovidno, s obzirom na to koliko su usko isprepletene.

Što se tiče upravljanja podacima, još uvijek ima posla. Među tvrtkama koje žele povećati svoja ulaganja u upravljanje podacima, 47% se slaže da je nedostatak podatkovne pismenosti glavna preprekaTo naglašava potrebu za izgradnjom podrške na najvišoj razini i razvojem pravih vještina u cijeloj organizaciji. Bez ovih temelja, čak će i najmoćniji LLM-ovi imati poteškoća s postizanjem rezultata.

Razvoj umjetne inteligencije koja mora biti odgovorna

U trenutnom regulatornom okruženju više nije dovoljno da umjetna inteligencija „samo radi“, već mora biti i odgovorna i objašnjena. EU AI Act i prijedlog Ujedinjenog Kraljevstva AI Akcijski plan zahtijeva transparentnost u slučajevima korištenja umjetne inteligencije visokog rizika. Drugi slijede taj primjer i Više od 1,000 povezanih zakona o politici nalazi se na dnevnom redu u 69 zemalja.

Ovaj globalni pokret prema odgovornosti izravna je posljedica sve većih zahtjeva potrošača i dionika za pravednošću u algoritmima. Na primjer, organizacije moraju biti u mogućnosti navesti razloge zašto je klijentu odbijen kredit ili mu je naplaćena premija osiguranja. Da bi to mogli učiniti, morali bi znati kako je model donio tu odluku, a to pak ovisi o jasnom, revizijskom tragu podataka koji su korišteni za njegovo učenje.

Ukoliko ne postoji mogućnost objašnjenja, tvrtke riskiraju gubitak povjerenja kupaca, kao i suočavanje s financijskim i pravnim posljedicama. Kao rezultat toga, sljedivost porijekla podataka i opravdanost rezultata nije nešto što je „lijepo imati“, već zahtjev za usklađenost.

I kako se GenAI širi od korištenja za jednostavne alate do potpuno razvijenih agenata koji mogu donositi odluke i djelovati na temelju njih, ulozi za snažno upravljanje podacima rastu još više.

Koraci za izgradnju pouzdane umjetne inteligencije

Dakle, kako izgleda dobro? Kako bi odgovorno skalirale GenAI, organizacije bi trebale usvojiti jedinstvenu strategiju podataka na tri stupa:

• Prilagodite umjetnu inteligenciju poslovanjuKatalogizirajte svoje podatke oko ključnih poslovnih ciljeva, osiguravajući da odražavaju jedinstveni kontekst, izazove i prilike specifične za vaše poslovanje.
• Uspostavite povjerenje u umjetnu inteligencijuUtvrditi politike, standarde i procese za usklađenost i nadzor etičke i odgovorne primjene umjetne inteligencije.
• Izgradite cjevovode spremne za podatke umjetne inteligencijeKombinirajte svoje raznolike izvore podataka u otpornu bazu podataka za robusno AI pečenje u unaprijed izgrađenoj GenAI povezivosti.

Kada organizacije ovo ispravno shvate, upravljanje ubrzava vrijednost umjetne inteligencije. U financijskim uslugama, na primjer, hedge fondovi su korištenjem umjetne inteligencije generacije za nadmašivanje ljudskih analitičara u predviđanju cijena dionica uz značajno smanjenje troškova. U proizvodnji, optimizacija lanca opskrbe vođena umjetnom inteligencijom omogućuje organizacijama da u stvarnom vremenu reagiraju na geopolitičke promjene i pritiske na okoliš.

I to nisu samo futurističke ideje, one se događaju sada, potaknute pouzdanim podacima.

S jakim temeljima podataka, tvrtke smanjuju pomicanje modela, ograničavaju cikluse prekvalifikacije i povećavaju brzinu do vrijednosti. Zato upravljanje nije prepreka; ono je pokretač inovacija.

Što je sljedeće?

Nakon eksperimentiranja, organizacije prelaze okvire chatbotova i ulažu u transformacijske mogućnosti. Od personalizacije interakcija s kupcima do ubrzanje medicinskih istraživanja, poboljšanje mentalnog zdravlja i pojednostavljenjem regulatornih procesa, GenAI počinje pokazivati ​​svoj potencijal u svim industrijama.

Ipak, ovi dobici u potpunosti ovise o podacima koji ih podupiru. GenAI započinje izgradnjom snažne baze podataka, kroz snažno upravljanje podacima. I dok će se GenAI i agentska umjetna inteligencija nastaviti razvijati, neće uskoro zamijeniti ljudski nadzor. Umjesto toga, ulazimo u fazu strukturiranog stvaranja vrijednosti, gdje umjetna inteligencija postaje pouzdan kopilot. Uz prava ulaganja u kvalitetu podataka, upravljanje i kulturu, tvrtke konačno mogu pretvoriti GenAI iz obećavajućeg pilot-projekta u nešto što će u potpunosti krenuti s mrtve točke.