ทำไมข้อมูลจึงเป็นวีรบุรุษที่ไม่ได้รับการยอมรับในกลยุทธ์ AI

การรีบติดตาม AI – จากการทดลองและทดสอบไปสู่การขยายขนาดและการวางกลยุทธ์ระดับองค์กร

Moore’s Law เป็นจริงและเป็นไปอย่างดีเมื่อพูดถึง AI AI มีความต้องการสูง และทุกองค์กรกำลังนำ AI มาใช้ การนวัตกรรมก็ช่วยให้ความต้องการนี้เพิ่มขึ้นด้วยการนำเสนอโมเดล AI ใหม่ๆ ตัวแทน AI และเทคโนโลยีใหม่ๆ ทำให้เกิดการเปลี่ยนแปลงพื้นฐานสำหรับองค์กร – การทดลองและทดสอบ AI โดยเฉพาะอย่างยิ่ง AI ที่สร้างสรรค์กำลังจะหายไป องค์กรต่างๆ กำลังตระหนักว่า AI ต้องถูกฝังอยู่ในกลยุทธ์องค์กรเพื่อขยายขนาดและสร้างความแตกต่างในธุรกิจจริงๆ AI เป็นหัวข้อในการประชุมคณะกรรมการหลายครั้ง ซึ่งนำไปสู่การสร้างนวัตกรรมเชิงกลยุทธ์และงบประมาณ

ข้อมูล: โดมิโนตัวแรกในกลยุทธ์ AI

ข้อพิจารณาที่สำคัญในกลยุทธ์ AI คือข้อมูล ข้อมูลมีความสำคัญต่อโมเดล AI ในการทำนายผลลัพธ์ที่ถูกต้องและเฉพาะโดเมนและองค์กร AI โมเดลทำนายผลลัพธ์ตามวิธีการปรับแต่งโมเดลและข้อมูลที่นำเข้า ซึ่งทั้งสองอย่างนี้ขึ้นอยู่กับคุณภาพ ความหลากหลาย ความใหม่ และโครงสร้างของข้อมูล

ตามการคาดการณ์ของ IDC ล่าสุด AI คาดว่าจะช่วยเพิ่มเศรษฐกิจโลกถึง 20 ล้านล้านดอลลาร์โดยปี 2030 ซึ่งไม่ได้ขับเคลื่อนโดยโมเดลเท่านั้น แต่ยังรวมถึงการลงทุนขนาดใหญ่ในข้อมูลและโครงสร้างพื้นฐานที่รองรับ

การฝึกอบรมข้อมูลที่มีชุดข้อมูลแคบๆ จะทำให้โมเดลมีความเอนเอียง ข้อมูลที่ล้าสมัยจะทำให้ผลลัพธ์ไม่เกี่ยวข้อง และข้อมูลที่ไม่ดีจะทำให้ AI มีผลลัพธ์ที่ไม่ดี ดังนั้น ข้อมูลจึงเป็นโดมิโนตัวแรกในกลยุทธ์ข้อมูลขององค์กร แม้ว่าจะมีคนและเทคโนโลยีที่ดีที่สุด แต่ถ้าโดมิโนข้อมูลล้มลง กลยุทธ์ AI ทั้งหมดจะล้มลงอย่างรวดเร็ว

ตามรายงานของ Gartner’s 2024 เกี่ยวกับแนวโน้มข้อมูลและวิเคราะห์ที่ดีที่สุด องค์กรที่ขยายขนาดด้วย AI พึ่งพาข้อมูล และผู้นำที่ประสบความสำเร็จจะเป็นผู้ที่ สร้างความไว้วางใจในข้อมูลและนำไปใช้เชิงกลยุทธ์

การตัดสินใจเชิงกลยุทธ์เกี่ยวกับข้อมูลสำหรับกลยุทธ์ AI ของคุณ

นี่คือ 5 ข้อพิจารณาที่สำคัญที่คุณและองค์กรของคุณต้องทำในการเตรียมข้อมูลสำหรับกลยุทธ์ AI

1. ใช้ข้อมูลที่มีอยู่ – หลายองค์กรไม่ได้ใช้ข้อมูลที่มีอยู่สำหรับการจัดการข้อมูล การกำกับดูแลข้อมูล และการเก็บข้อมูลและวิเคราะห์สำหรับ AI ข้อมูลที่สำคัญสำหรับการรายงานและวิเคราะห์สามารถสำคัญสำหรับ AI ได้ ดังนั้นจึงควรเริ่มต้นด้วยทรัพย์สินข้อมูลที่มีอยู่ในองค์กร ซึ่งจะต้องได้รับการปรับปรุงด้วยมาตรการคุณภาพข้อมูลที่เหมาะสม

คำถามหลักในการถาม – ข้อมูลอะไรที่เรามีในองค์กร และมีสภาพอย่างไร?

2. เมตาดาต้าและสายพันธุ์ข้อมูล – สำหรับข้อมูลที่มีอยู่ เมตาดาต้า หรือข้อมูลเกี่ยวกับข้อมูล อาจมีความสำคัญไม่แพ้กัน หรือมากกว่าสำหรับ AI ตัวอย่างเช่น เทอมธุรกิจที่ติดแท็กกับข้อมูลสามารถช่วยระบุบริบทที่เกี่ยวข้องสำหรับโมเดล RAG ตัวอย่างเช่น เมื่อผู้ใช้ถามถึงสถานะของการอ้างสิทธิ์ในองค์กรประกันภัย ทั้งข้อมูลที่มีแท็ก “สถานะการอ้างสิทธิ์” สามารถใช้เป็นบริบทสำหรับโมเดล AI ในการตอบกลับ สายพันธุ์ข้อมูลยังช่วยให้เข้าใจการไหลของข้อมูล ซึ่งช่วยให้โมเดล AI ระบุแหล่งข้อมูลที่เชื่อถือได้

ตาม บล็อก ISASA ล่าสุด การกำกับดูแล AI มีความสำคัญและต้องการเมตาดาต้าและสายพันธุ์ข้อมูลที่เหมาะสมเพื่อขยายขนาด

คำถามหลักในการถาม – ข้อมูลของเราติดแท็กอย่างเหมาะสมด้วยเมตาดาต้าธุรกิจและเทคนิคหรือไม่? เรารวบรวมสายพันธุ์ข้อมูลเพื่อเข้าใจการไหลของข้อมูลหรือไม่?

3. การกำกับดูแลข้อมูลและการปฏิบัติตามกฎระเบียบ – đảmนว่าข้อมูลของคุณได้รับการจัดการและกำกับดูแลที่ดี และการปฏิบัติตามกฎระเบียบและความเป็นส่วนตัวถูกนำไปใช้กับข้อมูล กลยุทธ์ AI ควรสืบทอดและขยายการกำกับดูแลและกฎระเบียบนี้มากกว่าการเริ่มต้นจากศูนย์ ตัวอย่างเช่น หากลูกค้าต้องการข้อมูลของตนเองที่จะถูกทำให้ไม่ระบุตามกฎระเบียบ GDPR โมเดล AI ควรได้รับการฝึกอบรมและดำเนินการบนชุดข้อมูลที่ไม่ระบุ

คำถามหลักในการถาม – เรามีโปรแกรมการกำกับดูแลข้อมูลและการปฏิบัติตามกฎระเบียบหรือไม่? หากไม่ มีประเด็นหลักอะไรที่ฉันต้องมีสำหรับกลยุทธ์ AI ของฉัน?

4. รักษาข้อมูลหลักเป็นกองกำลังสำคัญ – ข้อมูลหลักสำคัญที่มีข้อมูลเกี่ยวกับหน่วยงานหลักในองค์กรของคุณควรใช้เป็นฐานสำหรับกลยุทธ์ AI ตัวอย่างเช่น หากมีมุมมอง 360 องศาของลูกค้า โมเดล AI สำหรับการคาดการณ์การลาออกของลูกค้าควรใช้ข้อมูลหลักนี้เป็นฐานเพื่อหลีกเลี่ยงข้อมูลที่ไม่สมบูรณ์หรือไม่สมบูรณ์

คำถามหลักในการถาม – ฉันมีข้อมูลหลักสำคัญที่สมบูรณ์และเชื่อมต่อกับภูมิทัศน์ข้อมูลอื่นๆ หรือไม่?

5. ข้อมูลและคุณค่า – ข้อมูลไม่ควรได้รับการปฏิบัติเป็นศูนย์กำไร แต่ควรได้รับการวัดในแง่ของคุณค่า ทั้งต่อ AI และธุรกิจ ซึ่งต้องมีการนำข้อมูลไปสู่หัวข้อของคณะกรรมการและ CXO นอกเหนือจาก AI

คำถามหลักในการถาม – คณะกรรมการและ CXO ของฉันเข้าใจคุณค่าของข้อมูลต่อองค์กรหรือไม่? หากไม่ ฉันจะทำให้พวกเขาเข้าใจได้อย่างไร โดยเฉพาะอย่างยิ่งในบริบทของกลยุทธ์ AI ในองค์กร?

โมเดลมาและไป แต่ข้อมูลยังคงอยู่

เมื่อกลยุทธ์ AI ของคุณพัฒนาไป โมเดล AI และนวัตกรรมใหม่ๆ จะเกิดขึ้น ความเร็วของนวัตกรรมในพื้นที่นี้นั้นไม่หยุดยั้ง แต่เมื่อเวลาผ่านไป โมเดล AI จะกลายเป็นสินค้าโภคภัณฑ์; สิ่งที่ทำให้ความแตกต่างในองค์กรของคุณไม่ใช่โมเดลที่คุณใช้ แต่วิธีที่มันถูกทำให้เข้าใจในบริบทของข้อมูลที่ใช้ในการฝึกอบรม การปรับแต่ง และทำงาน

หากคุณกำลังสร้างกลยุทธ์ AI อย่าเริ่มต้นด้วยโมเดล เริ่มต้นด้วยคำถาม: เรามีข้อมูลที่จะรองรับมันหรือไม่?