A mesterséges intelligencia alapú kezdeményezésekhez nincs szükség tökéletes adatokra: Egy pragmatista nézőpontja a vállalati mesterséges intelligenciáról

A vállalati mesterséges intelligencia piaca eléri a $ 204 milliárd 2030A szervezetek kilencvenkét százaléka tervezi, hogy növeli mesterséges intelligencia beruházásait a következő három évben. Az MIT kutatása azonban azt mutatja, hogy az MI-projektek 90%-a nem jut túl a kísérleti szakaszon. Az elsődleges ok pedig nem a modell kifinomultsága, hanem az adatminőség.

Az igazgatótanácsok vitatkoznak a ChatGPT és a Claude közötti különbségről. Rossz kérdést tesznek fel. A valódi kérdés az, hogy a szervezeti adatok készen állnak-e bármilyen mesterséges intelligencia bevezetésére. A legtöbb vállalat kifinomult mesterséges intelligencia-képességeket épít töredezett, inkonzisztens, kontextuálisan kopár adatalapokra.

Ez sajnos költséges kudarcokhoz vezet. A pénzügyi intézmények chatbotokat telepítenek, amelyek hallucinálják a bevételi adatokat. A kiskereskedők ajánlómotorokat vezetnek be, amelyek megszűnt termékeket javasolnak. A gyártók prediktív elemzésekbe fektetnek be, amelyek nem tudnak alapvető működési kérdésekre választ adni. Ezek a kudarcok abból fakadnak, hogy a fejlett modellek bevezetésének sietsége közben kihagyják az alapvető adatelőkészítést.

Az adatkomplexitás kihívásának megértése

A vállalati adatok három kategóriába sorolhatók. Mindegyik más előkészítési megközelítést igényel. Ezen különbségek megértése határozza meg a mesterséges intelligencia sikerét.

A strukturált adatok ismerősnek tűnnek. Az információk adatbázisokban és táblázatokban helyezkednek el, jól látható sorokkal és oszlopokkal. Sok szervezet feltételezi, hogy a jól szervezett tranzakciós rendszerek mesterséges intelligencia általi használatra való felkészültséget jelentenek. Ez a feltételezés problémákat okoz. A mesterséges intelligencia rendszerei nem a rendezetlenség, hanem a kontextusbeli hiányosságok miatt küzdenek a strukturált adatokkal. Amikor a mesterséges intelligencia több adatbázistáblában is „ProductID” mezőkkel találkozik, kifejezett utasítás nélkül nem tudja megérteni ezeket a kapcsolatokat. Az eredmény egy olyan mesterséges intelligencia, amely hozzáfér az adatokhoz, de nem tudja érdemileg elemezni azokat.

Nem strukturált adatok ellentétes kihívásokat és lehetőségeket kínál. Ez a kategória magában foglalja az e-maileket, dokumentumokat, prezentációkat, videókat és más ember által generált tartalmakat, ahol a legtöbb szervezeti tudás található. A hagyományos elemzőeszközök küzdenek a strukturálatlan adatokkal. A modern mesterséges intelligencia rendszereket úgy tervezték, hogy feldolgozzák azokat. A sikerhez szisztematikus felkészülés szükséges. A szervezetek nem tölthetnek fel több ezer PDF-et, és nem várhatnak érdemi elemzéseket. A hatékony megvalósításhoz tartalomszegmentálásra, metaadatok létrehozására és keresésoptimalizálásra van szükség.

A félig strukturált adatok foglalják el az összetett köztes utat. A JSON fájlok, rendszernaplók és jelentések a szervezett elemeket narratív tartalommal ötvözik. Gyakori hiba, hogy ezeket a forrásokat tisztán strukturálatlanként kezelik, ami értékes, szervezett komponenseket veszít. A sikeres mesterséges intelligencia megvalósításához a strukturált elemek elemzése a strukturálatlan információk megőrzése mellett, majd azok újraegyesítése átfogó elemzés céljából megköveteli.

Minden adattípushoz speciális előkészítési stratégiák szükségesek. A mesterséges intelligencia rendszereket úgy kell konfigurálni, hogy kezeljék ezt a komplexitást. Azok a szervezetek, amelyek minden adatot egységesen kezelnek, olyan mesterséges intelligencia implementációkat hoznak létre, amelyek az egyik adattípussal kiemelkedően teljesítenek, míg másokkal kudarcot vallanak.

A mesterséges intelligencia teljesítményét gátló kontextusbeli hiányosság

Kontextus a mesterséges intelligencia sikerének legfontosabb tényezője. Ez egyben a leggyakrabban figyelmen kívül hagyott téma is. Az emberi elemzők évtizedes üzleti ismeretekkel rendelkeznek az adatok értelmezésében. A negyedéves jelentések áttekintésekor megértik, hogy a „bevétel” az adózás utáni amerikai eladásokat jelenti dollárban. A mesterséges intelligencia rendszerek nem rendelkeznek ilyen ismeretekkel. Kifejezett kontextus nélkül a mesterséges intelligencia a „47%-ot” bevételi adatként értelmezheti, amikor a tényleges érték 4.7 millió dollár. Ez alapvetően hibás üzleti ajánlásokhoz vezet.

A kontextusbeli különbség túlmutat az alapvető adatértelmezésen. Minden szervezet egyedi definíciókat dolgoz ki a közös mutatókra. Az „ügyfélszerzési költség” teljesen mást jelent egy induló vállalkozásnál és egy már működő vállalatnál. Az „ügyfél-elvándorlási arány” számításai drámaian eltérnek az iparágak és a vállalatok között. A mesterséges intelligencia rendszereknek explicit oktatásra van szükségük ezekben a szervezeti árnyalatokban ahhoz, hogy érdemi betekintést nyújtsanak.

A hagyományos dokumentációs megközelítések kudarcot vallnak a mesterséges intelligencia megvalósításában. A szervereken tárolt statikus adatszótárak láthatatlanok maradnak a mesterséges intelligencia rendszerek számára, és gyorsan elavulnak. A sikeres szervezetek élő dokumentációt hoznak létre, amelyre a mesterséges intelligencia aktívan hivatkozhat. Ez automatikusan frissül az üzleti szabályok fejlődésével.

Az automatizálás és az emberi beavatkozás egyensúlya itt kulcsfontosságúvá válik. A gépek kiválóan képesek azonosítani a technikai kapcsolatokat. Felismerik, hogy az A oszlop a B táblázathoz kapcsolódik az adatbázis-rendszereken keresztül. Csak az emberi szakértelem ad üzleti kontextust. Az emberek elmagyarázzák, hogy bizonyos mutatók miért fontosak, hogyan számítják ki őket, és mi minősül normális és aggasztó teljesítménytartománynak. A hatékony mesterséges intelligencia implementáció az automatizált felfedezést az emberi tudás gondozásával ötvözi.

Felerősödött kockázatok a mesterséges intelligencia korszakában

A mesterséges intelligencia bevezetése példátlan mértékben és sebességgel felerősíti a meglévő adatproblémákat. A hagyományos adatkezelési kihívások exponenciálisan összetettebbé válnak, amikor a mesterséges intelligencia rendszerei a szervezeti határokon átnyúlóan férnek hozzá, dolgozzák fel és osztják meg az információkat.

Az emberi felhasználók számára tervezett hozzáférés-vezérlési mechanizmusok elégtelennek bizonyulnak a mesterséges intelligencia rendszerei számára. A hagyományos biztonsági modellek hozzáférést biztosíthatnak az értékesítési elemzőknek bizonyos mappákhoz. Az MI-asszisztensek azonban látszólag ártatlan lekérdezések révén akaratlanul is bizalmas információkat tehetnek ki jogosulatlan felhasználók számára. Egy ügyfélszolgálati MI hozzáférhet a versenytársak árképzési adataihoz, és megoszthatja azokat az ügyfélkommunikációban. A szervezeteknek elég kifinomult biztonsági keretrendszerekre van szükségük ahhoz, hogy megértsék, mit oszthat meg és mit nem a MI különböző kontextusokban.

A megfelelési követelmények jelentősen összetettebbé válnak, amikor a mesterséges intelligencia rendszerei egyéneket érintő döntéseket hoznak. A GDPR-nak való megfelelés kihívást jelentett, amikor az emberek adatvezérelt döntéseket hoztak. Most a szervezeteknek el kell magyarázniuk, hogy a mesterséges intelligencia algoritmusai hogyan jutottak el a konkrét következtetésekre. Auditnaplókat kell vezetniük az automatizált döntésekhez. Biztosítaniuk kell, hogy a mesterséges intelligencia betanítási adatai megfeleljenek az adatvédelmi előírásoknak. A „magyarázathoz való jog” új értelmet nyer, amikor a döntéshozó egy algoritmikus rendszer, nem pedig egy emberi elemző.

A bizalom kiépítése új tesztelési és monitorozási megközelítéseket igényel. A hagyományos minőségbiztosítás arra összpontosított, hogy a rendszerek megfelelően működtek-e a várt körülmények között. A mesterséges intelligencia által működtetett rendszerek folyamatos monitorozást igényelnek annak észlelésére, hogy mikor, milyen súlyosan és miért hibásodnak meg. A szervezeteknek valós idejű monitorozást kell bevezetniük minden mesterséges intelligencia által meghatározott döntéshez, nem csak a rendszer teljesítménymutatóihoz.

A visszacsatolási ciklus kritikus fontosságúvá válik a fejlesztés szempontjából. Amikor a felhasználók kijavítják a mesterséges intelligencia válaszait, ez a korrekció értékes betanítási adatokat jelent. De csak akkor, ha a szervezetek rögzítik és szisztematikusan beépítik azt. Ehhez olyan folyamatokra van szükség, amelyek összegyűjtik a felhasználói visszajelzéseket, validálják a korrekciókat és ennek megfelelően frissítik a mesterséges intelligencia viselkedését.

Az építési és vásárlási döntés meghozatalának eligazodása

A szervezeteknek választaniuk kell a belső mesterséges intelligencia fejlesztése és a külső platformokkal való partnerség között. Mindkét megközelítés eltérő előnyökkel és kihívásokkal jár, amelyeknek összhangban kell lenniük a szervezeti képességekkel és a stratégiai célokkal.

A belső mesterséges intelligencia képességek kiépítése maximális kontrollt és testreszabási lehetőségeket kínál. A szervezetek olyan rendszereket fejleszthetnek, amelyek pontosan az egyedi igényeikre vannak szabva. Teljes mértékben birtokolják adataikat és algoritmusaikat. Az erőforrásigény azonban jelentős. A sikeres belső fejlesztéshez jellemzően adatmérnökökből, mesterséges intelligencia-szakértőkből és szakterületi szakértőkből álló csapatokra van szükség. A fejlesztés 12-24 hónapot vesz igénybe. A rejtett költségek közé tartozik a gyorsan fejlődő mesterséges intelligencia-technológiákkal való naprakészség, a rendszerek folyamatos karbantartása és az ütemterv késedelmeinek magyarázata a felső vezetés számára.

A platformmegoldások gyorsabb megvalósítást és csökkentett technikai terheket ígérnek. A szervezetek feltölthetik az adatokat, konfigurálhatják az alapvető beállításokat, és elkezdhetik a mesterséges intelligencia által nyújtott elemzések generálását. A szervezeteknek azonban gondosan értékelniük kell a platform képességeit a saját igényeikhez képest. A kritikus szempontok közé tartozik az adatformátum-kompatibilitás, az iparágspecifikus ismeretek, az adatbiztonság és az adatvédelem, valamint a meglévő rendszerekkel való integrációs képességek.

A hibrid megközelítés gyakran a legjobban működik sok szervezet számára. A platformmegoldásokkal való kezdés lehetővé teszi a vállalatok számára, hogy gyorsan bizonyítsák a mesterséges intelligencia értékét, miközben megismerik a saját igényeiket. Miután a szervezetek megértik, mi működik, megalapozott döntéseket hozhatnak arról, hogy mely képességek indokolják a belső fejlesztést a platform további használatával szemben.

Gyakorlati keretrendszer a továbblépéshez

A sikeres mesterséges intelligencia bevezetése őszinte értékeléssel kezdődik, nem pedig ambiciózus tervezéssel. A szervezeteknek a meglévő adatvagyon leltározásával kell kezdeniük. Ez a folyamat jellemzően több összetettséget és következetlenséget tár fel, mint amire eredetileg számítottak. Ahelyett, hogy átfogó mesterséges intelligencia-átalakításra törekednének, a sikeres vállalatok konkrét, mérhető problémákat azonosítanak, ahol a mesterséges intelligencia egyértelmű értéket képviselhet.

Az alapozó munka jelentős erőfeszítést igényel, de továbbra is elengedhetetlen. Ez magában foglalja az adattisztítást, a kontextus dokumentálását, a hozzáférés-vezérlés megvalósítását és a pilot tesztelést világosan meghatározott sikermutatókkal. A szervezeteknek reális határidőkkel kell tervezniük. Gondolkodjanak hónapokban vagy években hetek helyett. A képességeket fokozatosan kell kiépíteniük.

Azok a vállalatok, amelyek elvégzik ezt az alapvető munkát, miközben versenytársaik továbbra is a mesterséges intelligencia modelljeinek kiválasztására összpontosítanak, jelentős előnyökre tesznek szert. A technológiaválasztás sokkal kevésbé számít, mint az a felkészülés, amely lehetővé teszi bármely mesterséges intelligencia rendszer sikerét.

A várakozás költsége

A mesterséges intelligencia forradalma a szervezetek felkészültségétől függetlenül folytatódik. A vállalatok dönthetnek úgy, hogy most befektetnek a megfelelő adatelőkészítésbe. Vagy megpróbálhatják később, jelentősen magasabb költségekkel és bonyolultsággal utólagosan bevezetni a megoldásokat. Azok a szervezetek, amelyek a mesterséges intelligencia élharcosaivá válnak, korán felismerik, hogy a siker nem a legkifinomultabb modellek kiválasztásán múlik, hanem azon, hogy olyan adatalapokat építsenek ki, amelyek lehetővé teszik bármely mesterséges intelligenciarendszer számára, hogy érdemi üzleti értéket teremtsen.

A vállalati vezetők előtt álló kérdés nem az, hogy melyik MI-technológiát alkalmazzák. Az a kérdés, hogy a szervezetük elvégezte-e a mesterséges intelligencia sikeres bevezetéséhez szükséges nehéz munkát. A MI-képességek havonta fejlődnek. A fenntartható versenyelőny azoknak a vállalatoknak köszönhető, amelyek adatalapjai elég erősek ahhoz, hogy támogassák a következő technológiai fejlesztéseket.