Rensking av våre uordnede data: Hvordan AI endrer spilleregler

Vi drukner i data. Hver plattform, smartklokke og smartphone fragmenterer livene våre i kvantifiserbare biter, men mesteparten av det forblir uforståelig og ubrukbart. 

Selskapene vet dette, og det er derfor teknologigiganten Meta investerte 14 milliarder USD i sommer til å kjøpe en 49% eierandel i data-merkingsselskapet Scale AI, og gjorde dermed en beregnet og strategisk beslutning for å sikre høykvalitets treningdata for sine AI-modeller.

Påliteligheten av store språkmodeller avhenger fullstendig av kvaliteten på dataene de mates – kort sagt, “skrald inn, skrald ut.” I dag er imidlertid den virkelige utfordringen selskapene står overfor å gjøre en flom av rå informasjon om til handlebare data. 

Løsningen kan være å finne i åpenbarhet: AI selv kan hjelpe ved å generere strategier for å unngå den kjedelige oppgaven med å merke store datasamlinger eller gjennomgå endeløse regneark, og omdanne kaos til brukbar, menneskelig intelligens. 

Når data blir uordnet: De skjulte kostnadene for selskapene

Ifølge Gartner-forskning fra 2020, kostet dårlig datakvalitet organisasjonene minst 12,9 millioner USD årlig, og påvirkte produktiviteten og ledet til dårlig informerte beslutninger og uriktige rapporter. 

Konsekvensene av uordnet data er enda mer tydelige i sektorer som helse. Ufullstendige helsejournaler, fakturadetaljer og mismatchede data over systemer kan føre til feil diagnoser, behandlingsfeil og ineffektiv ressursallokering. På lang sikt driver dette opp kostnadene og undergraver tilliten til disse systemene.

I mellomtiden kan mismatchede data mellom leverandører og distributører i logistikk føre til forsinkelser eller varemangel. En feil leveringsadresse eller en utdatert lagerpost kan ha en rippleffekt gjennom hele leveranskjeden, og føre til mistede frister og misfornøyde kunder. 

“Ved å kunne forutse eller forstå hva som kan skje [langs ruten] – basert på kombinert, tidligere data – kan du virkelig kutte disse ineffektivitetene,” Asparuh Koev, CEO i logistikk-AI-selskapet Transmetrics, bemerket i samtale med Unite AI.

I mer praktiske termer er uordnet data kostbart. 1-10-100-regelen illustrerer dette: det koster 1 å sjekke dataene når de innføres, 10 å rydde opp i dem senere, og 100 hvis ingenting gjøres.

Hva AI-drevne plattformer bringer til bordet

Etterhvert som bedriftene kjemper med økende mengder skitne data, vender de seg til AI for løsninger. Fremvoksende AI-drevne plattformer automatiserer nå data-rengjøringsprosessen, sikrer kostnadseffektivitet og forbedrer nøyaktigheten.

Robert Giardina, grunnlegger av Claritype, en slik plattform, forklarte AI-prosessen: 

“Det konvergerer data til et felles format: en del av prosessen er å konvertere hver enkelt dato til et kanonisk format som passer for bedriften.” 

Claritypes AI går imidlertid langt utenfor enkel standardisering. Plattformens overvåkede reparasjon lar organisasjonene krysse systemgrenser i jakten på svar på deres mest presserende spørsmål, og bryter ned siloer. 

“Systemer som tidligere var adskilt, hver holder en del av svaret på spørsmål som omfatter hele bedriften,” sa Giardina til Unite AI. 

Hvis en nøkelleverandør er berørt av en forsinkelse, for eksempel, kan kun ved å koble leverandører til bestillinger og kundehistorikk bestemme en bedrift hvilke av deres beste kunder som skal underrettes først om forsinkelsen.

“Vårt ultimate mål er å utvide denne sammenkoblede tenkingen til å samordne hver skjærv av data i bedriften, slik at vi kan gjøre hver spørsmål enkelt og umiddelbart å svare på,” sa Giardina. 

Denne typen sammenkoblet tenking er representative for den bredere endringen i tankesett som skjer i selskapene i dag, ettersom de går over fra ad hoc-data-rengjøring til systematisk datastyring. I stedet for å behandle datakvalitet som en engangsfeil, utvikler organisasjonene strukturerte prosesser for å sikre konsistens og pålitelighet over alle deres systemer.

Datastyring regnes nå som en verdifull forretningsprosess, ikke bare en IT-oppdrag. Ved å integrere datahåndtering i deres overordnede strategier, kan bedriftene ta bedre beslutninger og få mer meningsfulle innsikter fra deres data.

Hvordan AI rengjør data og utfordringene den møter

Å være for avhengig av AI kan være farlig. For Giardina er “de bekymringsverdige automatiske dataomvandlingene de som går utenfor standardisering og inn i gjettning.” 

For eksempel kan noen forkortelser lett misforstås. “International Business Machines, Inc.” eller “I.B.M.” ville vanligvis bli konvertert til “IBM”, men hvis konverteringen var automatisert og “I.B.” ble feilaktig konvertert til “IBM”, kunne det føre til betydelige problemer for begge selskapene.

Manglende og uriktige data er to av de vanligste problemene, og å kun stole på AI for å fylle hullene etter kontekst kan lett gå galt. Som Giardina påpeker, “når effektene er på noen måte betydelige, trenger vi en menneske å godkjenne hver gjett.” 

Å balansere automatisering med menneskelig innsikt

Uordnet data understreker dypt liggende feil i måten organisasjonene håndterer informasjon. For å gå videre og forbedre beslutningene, må bedriftene slutte å se på data som et rent teknisk problem og gå over til styringsmodeller som kombinerer menneskelig ekspertise, etisk bevissthet og en langtidsstrategisk visjon. 

Renere data skaper mer effektiv AI, som igjen hjelper med å forbedre datakvaliteten; denne gjensidige forsterkede syklusen er lovende, men tjener som en påminnelse om at automatisering alene ikke vil løse vårt uordnede datapproblem. Denne potensialet kan bare realiseres ved å kombinere algoritmic nøyaktighet med menneskelig dømmekraft og en bevissthet om fordommene det kan introdusere, og sikre gjennomsiktighet og mer tillit til de systemene vi bygger.

Alex Sandoval, CEO i produksjonsintelligens-AI-selskapet Allie AI, understreket også hvordan generative AI-kopiloter ikke kjører på algoritmer alene, men heller avhenger av menneskelig flyt i fabrikkenes logikk. 

“I dag er de mest suksessfulle utrullningene ikke bare om å mate modellene med enorme mengder programmerbar logikkontroll (PLC)-data, operatørnotater og samsvarprotokoller. De avhenger av en ny type frontarbeider: en som kan oversette mellom maskinadfærd og digital intuition,” konkluderte han.