Att städa upp vår röriga data: Hur AI förändrar spelet

Vi drunknar i data. Varje plattform, smartklocka och smartphone fragmenterar våra liv i kvantifierbara bitar, men det mesta förblir okoherent och oanvändbart. 

Företagen vet detta, vilket är varför techjätten Meta investera 14 miljarder USD förra sommaren för att förvärva en 49-procentig andel i dataetikettstartuppen Scale AI, vilket var ett beräknat och strategiskt drag för att säkra högkvalitativ träningsdata för dess AI-modeller.

Tillförlitligheten hos stora språkmodeller beror helt på kvaliteten på de data de matas med – för att säga det kort, “skräp in, skräp ut.” Idag är den verkliga utmaningen som företag står inför att omvandla en flod av råinformation till agerbar data. 

Lösningen kan ligga i öppen dag: AI själv kan hjälpa till genom att generera strategier för att kringgå den tråkiga uppgiften att etikettera stora datamängder eller gå igenom oändliga kalkylblad, och omvandla kaos till användbar, mänsklig intelligens. 

När data blir rörig: De dolda kostnaderna för företag

Enligt Gartner-forskning från 2020 kostar dålig datakvalitet organisationer minst 12,9 miljoner USD per år, vilket påverkar produktiviteten och leder till dåligt informerade beslut och felaktig rapportering. 

Konsekvenserna av rörig data är ännu mer tydliga i sektorer som hälsovård. Ofullständiga journaler, fakturainformation och felaktig data över system kan leda till feldiagnoser, behandlingsfel och ineffektiv resursallokering. På lång sikt driver detta upp kostnaderna och urholkar förtroendet för dessa system.

Samtidigt kan felaktig data mellan leverantörer och distributörer i logistiken leda till förseningar eller varubrist. En felaktig leveransadress eller en föråldrad lagerpost kan ha en rippeleffekt genom hela leverantörskedjan, vilket leder till missade deadlines och missnöjda kunder. 

“Genom att kunna förutse eller förstå vad som kan hända [längs vägen] – baserat på kombinerad, tidigare data – kan vi verkligen minska dessa ineffektiviteter,” Asparuh Koev, VD för logistik AI-företaget Transmetrics, noterade under ett samtal med Unite AI.

I mer praktiska termer är rörig data dyrt. 1-10-100-regeln illustrerar detta: det kostar 1 dollar att kontrollera data när den matas in, 10 dollar att rensa den efteråt och 100 dollar om ingenting görs.

Vad AI-drivna plattformar för med sig

Medan företag kämpar med växande mängder smutsg data, vänder de sig till AI för lösningar. Nya AI-drivna plattformar automatiserar nu datoreningsprocessen, vilket säkerställer kostnadseffektivitet och förbättrar noggrannheten.

Robert Giardina, grundare av Claritype, en sådan plattform, förklarade AI-processen: 

“Det konvergerar data till ett gemensamt format: en del av processen är att konvertera varje datapunkt till ett kanoniskt format som passar företaget.” 

Claritypes AI går dock utöver enkel standardisering. Plattformens övervakade reparation tillåter organisationer att korsa systemgränser i jakten på svar på sina mest brådskande frågor, vilket bryter ner silos. 

“System som tidigare hölls separata innehåller var och en en del av svaret på frågor som omfattar hela företaget,” sa Giardina till Unite AI. 

Om en viktig leverantör påverkas av en leveransförsening, till exempel, kan företaget bara genom att koppla leverantörer till beställningar och kundhistorik bestämma vilka av deras viktigaste kunder som ska meddelas först om förseningen.

“Vårt slutgiltiga mål är att utöka detta sammanhängande tänkande till att förena varje skärva av data i företaget så att vi kan göra varje fråga lätt och omedelbar att besvara,” sa Giardina. 

Detta slags sammanhängande tänkande är representativt för den bredare förändringen i tankesätt som sker i företag idag, när de övergår från ad hoc-datarengöring till systematisk datagovernance. Snarare än att behandla datakvalitet som en engångslösning utvecklar organisationer strukturerade processer för att säkerställa konsekvens och tillförlitlighet över alla sina system.

Datagovernance anses nu vara en värdefull affärsprocess, inte bara en IT-syssla. Genom att integrera datahantering i sina övergripande strategier kan företag fatta bättre beslut och få mer meningsfulla insikter från sina data.

Hur AI rensar data och de utmaningar det möter

Att förlita sig för mycket på AI kan vara farligt. För Giardina är “de besvärliga automatiserade dataomvandlingarna de som går utöver standardiseringen och in i gissningar.” 

Till exempel kan vissa förkortningar lätt missförstås. “International Business Machines, Inc.” eller “I.B.M.” skulle vanligtvis konverteras till “IBM”, men om konverteringen var automatiserad och “I.B.” av misstag konverterades till “IBM” kunde det orsaka betydande problem för båda företagen.

Saknad och felaktig data är två av de vanligaste problemen, och att enbart förlita sig på AI för att fylla i luckorna enligt sammanhanget kan lätt slå fel. Som Giardina påpekar, “när effekterna är på något sätt betydande, behöver vi en människa som godkänner varje gissning.” 

Att balansera automation med mänsklig insikt

Rörig data belyser djupa brister i hur organisationer hanterar information. För att gå vidare och förbättra beslutsfattandet måste företag sluta se data som en rent teknisk fråga och gå mot styrningsmodeller som kombinerar mänsklig expertis, etisk medvetenhet och en långsiktig strategisk vision. 

Renare data skapar mer effektiv AI, som i sin tur hjälper till att förbättra datakvaliteten; denna ömsesidigt förstärkande cykel är lovande, men fungerar som en påminnelse om att automation ensam inte kommer att lösa vårt problem med rörig data. Denna potential kan bara förverkligas genom att kombinera algoritmisk precision med mänsklig bedömning och medvetenhet om de fördomar den kan introducera, vilket säkerställer transparens och mer förtroende för de system vi bygger.

Alex Sandoval, VD för tillverkningsintelligens AI-företaget, Allie AI, betonade också hur generativ AI-kopiloter inte körs på algoritmer ensam, utan förlitar sig på mänsklig flyt i fabrikens logik. 

“Dagens mest framgångsrika distributioner handlar inte bara om att mata modeller med omfattande data från programmerbara logikstyrningar (PLC), operatörsanteckningar och efterlevnadsprotokoll. De beror på en ny typ av frontlinjearbetare: en som kan översätta mellan maskinbeteende och digital intuition,” avslutade han.