Por que os dados são os heróis anônimos da estratégia de IA

A Corrida do Ouro da IA ​​– De Pilotos e Experimentos à Escala e Estratégia Empresarial

lei de Moore está em plena atividade quando se trata de IA. A IA está em alta demanda e todas as empresas a estão adotando. A inovação também está ajudando a alimentar essa demanda com novos modelos de IA, agentes de IA e novas tecnologias chegando a esse mercado. Isso está criando uma mudança fundamental para as empresas – o cenário para pilotos, experimentos e demonstrações interessantes de IA, em particular a IA Generativa, está desaparecendo em grande parte. As empresas estão percebendo que a IA precisa ser incorporada como parte da estratégia empresarial para escalar e criar uma verdadeira diferenciação empresarial. A IA é um tópico na maioria das salas de diretoria, resultando em inovação estratégica e orçamentos.

Dados: o primeiro dominó na estratégia de IA

Uma consideração fundamental em qualquer estratégia de IA deve ser os dados. Os dados são essenciais para que os modelos de IA sejam contextuais, inteligentes e específicos para cada domínio e empresa. Os modelos de IA preveem resultados com base tanto na forma como o modelo é ajustado quanto nas informações apresentadas a ele. Ambos dependem da qualidade, variedade, atualidade e estrutura dos dados.

De acordo com uma recente Previsão IDCEspera-se que a IA impulsione a economia global em quase US$ 20 trilhões até 2030, impulsionada não apenas por modelos, mas também por grandes investimentos nos dados e na infraestrutura subjacentes que os alimentam.

Dados de treinamento com subconjuntos estreitos levam a modelos tendenciosos, dados desatualizados levam a resultados irrelevantes e dados ruins levam a resultados ruins de IA. Portanto, os dados são o primeiro dominó na estratégia de dados de uma empresa. Mesmo com os melhores profissionais e tecnologias de ponta, se o dominó de dados cair, toda a estratégia de IA ruirá rapidamente.

As 2024 da Gartner relatório sobre as principais tendências de dados e análises, as organizações, à medida que crescem com IA, dependem de dados e os líderes que terão sucesso serão aqueles que estabelecer confiança em seus dados e liderá-los estrategicamente.

Principais decisões estratégicas de dados para sua estratégia de IA

Aqui estão cinco considerações importantes que você e sua empresa precisam fazer ao preparar seus dados para sua estratégia de IA:

1. Reutilize seu cenário de dados – Várias empresas não reutilizam o gerenciamento de dados, a governança de dados, o armazenamento e a análise de dados para IA. Muitos dados que servem para relatórios e análises críticos também podem ser cruciais para a IA. Portanto, é importante começar com os ativos de dados já presentes na empresa. É claro que isso precisa ser complementado com as medidas corretas de qualidade de dados.

Pergunta-chave a ser feita – Quais dados temos em nossa empresa e em que condições eles estão?

2. Metadados e Linhagem de Dados – Para os dados existentes, metadados, ou seja, dados sobre os dados, podem ser tão ou mais críticos para a IA. Por exemplo, os termos comerciais associados aos dados podem ajudar a identificar o contexto relevante para um modelo RAG. Quando um usuário solicita o status de um sinistro em uma seguradora, todos os atributos de dados associados ao status do sinistro podem ser usados ​​como contexto para a resposta do modelo de IA. A Linhagem de Dados também ajuda a entender o fluxo dos dados, auxiliando os modelos de IA a identificar fontes de dados confiáveis.

Com base numa blog recente do ISASAA governança da IA ​​é essencial e requer metadados e linhagem de dados corretos para escalar.

Pergunta-chave a ser feita – Nossos dados estão devidamente marcados com metadados comerciais e técnicos? Coletamos a linhagem dos dados para entender como os dados fluem de ponta a ponta?

3. Governança e conformidade de dados – Garanta que seus dados sejam bem governados e gerenciados, e que todas as normas de conformidade e privacidade sejam aplicadas a eles. A Estratégia de IA deve, então, herdar e estender essas normas e governança, em vez de começar do zero. Por exemplo, se um cliente deseja que seus dados sejam anonimizados de acordo com as normas do GDPR, um modelo de IA deve ser treinado e operacional no conjunto de dados anonimizado.

Pergunta-chave a ser feita – Temos um programa de Governança e Conformidade de Dados em vigor? Caso contrário, quais são os principais aspectos que preciso implementar na minha estratégia de IA?

4. Trate os dados mestres como seu quarterback de IA – Dados Mestres Críticos, que contêm dados sobre as principais entidades da sua empresa, devem ser usados ​​como base para sua estratégia de IA. Por exemplo, se houver uma visão de 360 ​​graus de um cliente, uma estratégia de IA para qualquer domínio do cliente, como uma previsão de rotatividade de clientes, deve aproveitar esses dados mestres para evitar dados ausentes ou incompletos. É claro que isso pode ser combinado com mais informações de fontes de dados específicas.

Pergunta-chave a ser feita – Tenho meus domínios de dados mestres críticos disponíveis de forma completa e conectados ao restante do meu cenário de dados?

5. Dados e seu valor – Os dados não devem ser tratados como um centro de custos, mas sim medidos em termos de seu valor, tanto para a IA quanto para o negócio. Isso exige que os dados estejam presentes nos tópicos do Conselho e do CXO, além da IA.

Pergunta-chave a ser feita – Meu Conselho e meus CXOs entendem o valor dos dados para a organização? Se não, como podemos garantir que isso seja compreendido, especialmente no contexto da estratégia de IA na empresa?

Os modelos vêm e vão, mas os dados perduram.

À medida que sua estratégia de IA evolui, novos modelos e inovações em IA surgirão. A velocidade da inovação nesse setor é impressionante. Mas, com o tempo, os modelos de IA se tornarão commodities; o verdadeiro diferencial da sua empresa não é o modelo que você usa, mas como ele é contextualizado com os dados que estão sendo treinados, ajustados e trabalhados.

Se você estiver elaborando uma estratégia de IA, não comece pelo modelo. Comece pela pergunta: Temos os dados para embasá-la?