Mengapa Kualitas Data Menentukan Keberhasilan atau Kegagalan AI Perusahaan

Sejak OpenAI meluncurkan ChatGPT pada akhir 2022, setiap perusahaan berlomba untuk mempercepat pengembangan AI. Perusahaan besar seperti Nvidia menjual lebih banyak GPU daripada sebelumnya, sementara pembangun model besar seperti OpenAI dan Anthropic terus membangun model yang lebih besar dan lebih besar.

Namun, bahkan dengan model yang paling canggih dan anggaran yang besar, banyak proyek AI masih gagal. Kami telah melihat ini terjadi di berbagai industri, dari kesehatan hingga transportasi hingga keuangan dan lain-lain. Alasannya tidak jauh dari kenyataan: AI hanya sebaik data yang digunakannya dan data yang diterimanya secara real-time. Ketika data tersebut memiliki label yang buruk, ketinggalan zaman, atau tidak lengkap, tidak ada model yang dapat menghasilkan hasil yang konsisten atau dapat dipercaya.

Dan itulah masalah besar yang dihadapi banyak perusahaan saat ini. Mereka berinvestasi besar-besaran pada alat AI, sementara sistem data mereka tetap tersebar dan tidak dapat diandalkan. Hasilnya adalah ilusi kemajuan. Sementara model menghasilkan jawaban yang mengesankan, wawasan yang diperoleh seringkali didasarkan pada fondasi yang lemah. Hambatan nyata untuk kesuksesan AI bukanlah kinerja model. Ini adalah kualitas data.

Apa yang Dimaksud dengan Data yang Baik

Data yang berkualitas tidak hanya tentang akurasi. Ini berarti informasi yang saat ini, lengkap, dan relevan dengan masalah yang sedang dihadapi. Bayangkan seorang pelanggan yang mencoba membatalkan pesanan di situs e-commerce. Sistem perlu memeriksa detail pesanan, status pengiriman, dan catatan pembayaran. Jika salah satu dari data tersebut hidup di sistem yang berbeda yang tidak berkomunikasi satu sama lain, asisten AI akan gagal memberikan jawaban yang berguna.

Data yang baik menghubungkan titik-titik ini secara instan. Ini memungkinkan AI untuk melihat gambaran yang lengkap daripada fragmen-fragmen. Data yang buruk, di sisi lain, memaksa model untuk menebak. Dan ketika AI mulai menebak, itu membuat kesalahan yang menghabiskan biaya dan merusak kepercayaan. Contoh-contoh terbaru menunjukkan betapa berbahayanya asumsi-asumsi tersebut.

Chatbot bisnis New York City memberikan saran ilegal karena menarik dari informasi hukum yang ketinggalan zaman atau tidak lengkap. Bot layanan pelanggan Air Canada membuat klaim pengembalian yang salah karena kekurangan konteks dari kebijakan perusahaan. Bahkan sistem perekrutan besar telah salah menyaring kandidat karena data yang bias atau salah dilabeli, seperti yang terlihat dalam penyelesaian AI pertama EEOC. Kegagalan-kegagalan ini tidak hanya teknis. Mereka adalah reputasi dan keuangan, dan mereka berasal dari sistem AI yang dilatih pada data yang tidak dapat diandalkan.

Studi industri mengkonfirmasi skala masalah ini. Gartner melaporkan bahwa 80 persen proyek AI gagal untuk meningkatkan skala karena kualitas data yang buruk dan tata kelola. Demikian pula, survei MIT Sloan Management Review menemukan bahwa masalah data, bukan algoritma, adalah alasan utama proyek AI perusahaan gagal.

Budaya yang Penting Sama dengan Kode

Meningkatkan kualitas data tidaklah sesuatu yang dapat diperbaiki dengan satu alat atau perintah. Ini memerlukan perubahan budaya. Itulah mengapa pemimpin bisnis harus memperlakukan data sebagai sistem yang hidup yang memerlukan perawatan dan akuntabilitas. Ini tidak hanya tentang menyatakan bahwa Anda ingin “membuat data lebih baik” — itu tidak cukup. Setiap bagian dari organisasi harus memahami bagaimana informasi bergerak, siapa yang memiliki, dan apa yang terjadi ketika berubah.

Kami telah melihat bagaimana ini bermain di sistem dunia nyata. Banyak aplikasi AI bergantung pada pembaruan data malam hari. Jika database Anda diperbarui sekali sehari, pengetahuan model Anda akan selalu ketinggalan dari kenyataan. Di lingkungan yang bergerak cepat, keterlambatan itu dapat berarti wawasan yang ketinggalan zaman dan keputusan yang buruk. Perusahaan perlu memikirkan kembali seluruh aliran data mereka, dari bagaimana informasi dikumpulkan hingga bagaimana disampaikan ke model.

Melakukan ini dengan baik dapat menghemat waktu dan biaya yang besar. Ketika pipa data dirancang dengan kejelasan dan tujuan, sistem AI dapat belajar dan bertindak berdasarkan informasi yang paling baru dan relevan. Ketika mereka tidak, tim menghabiskan lebih banyak waktu membersihkan data daripada menggunakannya.

Para ahli dalam pengelolaan data sering menunjukkan bahwa kunci untuk kualitas data yang kuat adalah umpan balik antara orang, proses, dan platform. Tanpa umpan balik itu, informasi menjadi ketinggalan zaman dan model kehilangan sentuhan dengan kondisi dunia nyata — masalah yang kadang-kadang disebut sebagai gangguan data.

Mengimbangkan Kecepatan dengan Integritas

Seringkali ada ketegangan antara bergerak cepat dan tetap akurat. Banyak organisasi ingin hasil instan dari investasi AI mereka, tetapi terburu-buru dapat menyebabkan masalah yang lebih besar nanti. Tujuan haruslah kelenturan data dengan integritas. Dengan kata lain, membangun sistem yang dapat bergerak cepat tanpa kehilangan presisi.

Untuk ini, setiap perusahaan harus mendefinisikan jalur yang jelas untuk data mengalir dari sumber ke model secara real-time. Ini juga membantu untuk mendefinisikan apa jenis informasi yang diizinkan masuk dan apa yang harus tetap di luar. Data sensitif atau pribadi tidak boleh mencapai model, bahkan jika pengguna secara teknis memiliki akses ke sana. Melindungi batas itu membangun kepercayaan dan menjaga sistem AI dari kebocoran atau penyalahgunaan informasi.

Ketika AI menjadi lebih otonom, pengawasan manusia akan tetap kritis. Model tidak boleh memiliki kontrol penuh atas tindakan bisnis. Ini tidak boleh membuat keputusan juga. Sebaliknya, itu harus membuat permintaan. Lebih penting lagi, manusia harus selalu meninjau dan menyetujui tindakannya untuk memastikan bahwa mereka selaras dengan kebijakan perusahaan dan peraturan.

Membangun untuk Kualitas dari Awal

Memelihara kualitas data pada skala besar tidak hanya masalah membersihkan kesalahan. Ini dimulai dengan arsitektur. Anda perlu mengidentifikasi di mana data yang paling dapat diandalkan hidup, kemudian merancang sistem yang membawa semua data tersebut bersama-sama dalam satu lokasi yang dipercaya. Dari sana, Anda dapat melacak apa data yang digunakan model dan dari mana asalnya.

Pendekatan ini mencegah kebingungan dan menjaga sistem transparan. Ini juga membantu tim memecahkan masalah lebih cepat ketika sesuatu salah. Ketika Anda tahu persis apa data yang memberi makan jawaban model, Anda dapat memverifikasi dan memperbaiki masalah sebelum mereka menyebar.

Masa depan AI perusahaan akan dimiliki oleh perusahaan yang memasukkan kualitas ke dalam infrastruktur mereka secara default. Kami berharap melihat lebih banyak sistem AI yang siap pakai yang menangani kedua alasan dan integrasi data dalam satu paket. “Perangkat AI” ini dapat membuatnya lebih mudah bagi organisasi untuk mengirimkan sistem pintar tanpa kehilangan kontrol atas data mereka.

Para analis memprediksi bahwa organisasi yang mampu mempersatukan dan mengatur data mereka secara efektif akan melihat adopsi yang lebih cepat dan ROI yang lebih tinggi dari proyek AI. Laporan terbaru tentang kesiapan data menjelaskan bahwa kemampuan ini memisahkan perusahaan yang berinovasi terus-menerus dari mereka yang terjebak setelah pilot awal. Perbedaan ini seringkali turun ke apakah sistem AI mereka dibangun di atas informasi yang konsisten dan terstruktur dengan baik.

Intinya

Kualitas data mungkin tidak terdengar menarik dibandingkan dengan kemajuan dalam desain model, tetapi ini adalah kekuatan yang diam yang menentukan apakah AI sukses atau gagal. Tanpa data yang bersih, saat ini, dan konsisten, sistem yang paling pintar akan terjatuh. Dengan itu, bahkan proyek AI yang sederhana dapat menciptakan nilai yang langgeng.

Setiap pemimpin yang berinvestasi di AI harus bertanya pada diri sendiri pertanyaan sederhana: Apakah kita percaya pada data yang mengarahkan keputusan kita? Dari apa yang telah kita lihat, perusahaan yang dapat menjawab “ya” dengan percaya diri adalah mereka yang sudah memimpin dalam perlombaan AI.