Hvorfor Data er den usungte heltinnen i AI-strategi

AI-gullrushen – Fra pilotprosjekter og eksperimenter til bedriftsstor skala og strategi

Moores lov er mer enn noen gang i spill når det gjelder AI. AI er i stor etterspørsel, og hver enkelt bedrift adopterer AI. Innovasjon hjelper også å drive denne etterspørselen med nye AI-modeller, AI-agenter og nye teknologier som kommer inn på banen. Dette skaper en fundamental endring for bedrifter – scenen for pilotprosjekter og eksperimenter og showcase for AI, spesielt Generative AI, er i stor grad i ferd med å forsvinne. Bedrifter innser at AI må være en del av bedriftens strategi for å skala og skape virkelig forretningsmessig differensiering. AI er et tema i de fleste styrerom, noe som resulterer i strategisk innovasjon og budsjetter.

Data: Den første dominoen i AI-strategi

En viktig overvegelse i enhver AI-strategi bør være Data. Data er kritisk for at AI-modellene skal være kontekstuelle, intelligente og domene- og bedriftsspesifikke. AI-modeller forutser resultater basert på både hvordan modellen er justert og hvilke inndata som presenteres for den. Begge disse avhenger av kvaliteten, variasjonen, aktualiteten og strukturen på dataene.

Ifølge en nylig IDC-prognose, forventes AI å øke den globale økonomien med nesten 20 billioner dollar innen 2030, drevet ikke bare av modeller, men også av massive investeringer i de underliggende dataene og infrastrukturen som driver dem.

Treningdata med smale undergrupper fører til forvrengte modeller, utdaterte data fører til irrelevante resultater, og dårlige data fører bare til dårlige AI-resultater. Derfor er Data den første dominoen i en bedrifts datastrategi. Selv med de beste menneskene og fremtidsrettede teknologier, hvis data-dominoen faller, kan hele AI-strategien raskt gå galt.

Som Gartners rapport for 2024 om topp-trender i data og analytikker påpeker, avhenger organisasjoner som skalerer med AI av data, og ledere som lykkes vil være de som etablerer tillit til deres data og leder med det strategisk.

Nøkkelstrategiske data-beslutninger for din AI-strategi

Her er 5 nøkkelovervegelser du og din bedrift må gjøre for å forberede dine data for din AI-strategi:

1. Gjenbruk dine data-landskap – Flere bedrifter gjenbruker ikke data-håndtering, data-styring og data-lagring og -analyse for AI. Mye data som betjener kritisk rapportering og analytikker kan også være kritisk for AI. Det er derfor viktig å starte med de data-ressursene som allerede finnes i bedriften. Selvfølgelig må dette suppleres med riktige data-kvalitetsmessige tiltak.

Nøkkel-spørsmål å stille – Hva slags data har vi i vår bedrift, og hva er tilstanden på dem?

2. Metadata og data-herkomst – For dataene som er på plass, kan metadata, dvs. data om dataene, være like kritisk, om ikke mer, for AI. For eksempel kan forretningsbegreper koblet til dataene hjelpe med å identifisere den relevante konteksten for en RAG-modell, for eksempel. Når en bruker ber om statusen på et krav i et forsikringsselskap, kan alle data-attributter koblet til krav-status brukes som kontekst for AI-modellen til å svare. Data-herkomst hjelper også med å forstå data-flaten, og hjelper AI-modellene med å identifisere pålitelige data-kilder.

Basert på en nylig ISASA-blogg, er AI-styring kritisk og krever riktige metadata og data-herkomst for å skala.

Nøkkel-spørsmål å stille – Er våre data korrekt merket med forretnings- og tekniske metadata? Samler vi data-herkomst for å forstå hvordan data-flaten flyter fra ende til ende?

3. Data-styring og regelekraft – Sørge for at dine data er godt styrt og håndtert, og at alle regelekrafts- og personvernsbestemmelser er anvendt på dataene. AI-strategien bør så arve og utvide disse styrings- og regelekraftsbestemmelsene i stedet for å starte fra scratch. For eksempel, hvis en kunde ønsker at deres data skal være anonymisert i henhold til GDPR-bestemmelsene, bør en AI-modell både være trent og operativ på den anonymiserte datasetten.

Nøkkel-spørsmål å stille – Har vi et data-styrings- og regelekraftsprogram på plass? Hvis ikke, hva er de viktigste aspektene som jeg må ha på plass for min AI-strategi?

4. Behandle master-data som din AI-quarterback – Kritisk master-data, som inneholder data om de viktigste enhetene i din bedrift, bør brukes som grunnlag for din AI-strategi. For eksempel, hvis en 360-graders visning av en kunde finnes, bør en AI-strategi på noen kunde-domene, som kunde-avhopp-prediksjon, bruke denne master-dataen for å unngå noen manglende eller ufullstendige data. Selvfølgelig kan dette kombineres med mer informasjon fra spesifikke data-kilder.

Nøkkel-spørsmål å stille – Har jeg mine kritiske master-data-domener tilgjengelige i en fullstendig og koblet til resten av mitt data-landskap?

5. Data og dens verdi – Data bør ikke behandles som en kostnadsenhet, men måles i henhold til dens verdi, både mot AI og forretningen. Dette krever at data er på styre- og CXO-temaer i tillegg til AI.

Nøkkel-spørsmål å stille – Forstår mitt styre og CXO verdien av Data til organisasjonen? Hvis ikke, hvordan kan vi sikre at dette forstås, spesielt i sammenheng med AI-strategien i bedriften?

Modeller kommer og går, men Data består.

Ettersom din AI-strategi utvikler seg, vil nye modeller og AI-innovasjoner dukke opp. Innovasjonshastigheten i dette rommet er overveldende. Men over tid vil AI-modeller bli kommodifisert; den sanne differensiatoren i din bedrift er ikke hvilken modell du bruker, men hvordan den kontekstualiseres med hva slags data som trener, fin-justerer og arbeider med den.

Hvis du lager en AI-strategi, start ikke med modellen. Start med spørsmålet: Har vi dataene til å støtte det?