Düşünce Liderleri

Dağınık verilerimizi temizlemek: AI oyunun kurallarını nasıl değiştiriyor

Gabrielle Degeorge
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarZayıf veri kalitesi, şirketlere yıllık milyonlara mal olur ve sağlık gibi sektörlerde…
Daha fazla göster
  • Zayıf veri kalitesi, şirketlere yıllık milyonlara mal olur ve sağlık gibi sektörlerde kritik hatalara yol açar.
  • Claritype gibi AI platformları, temizleme işlemlerini otomatikleştirir ve acil iş sorularını yanıtlamak için bölünmüş verileri birleştirir.
  • Etkili veri yönetişimi, maliyetli tahminlerin önüne geçmek için AI otomasyonu ile insan denetimini dengelemeyi gerektirir.

Veri çığında boğuluyoruz. Her platform, akıllı saat ve akıllı telefon hayatımızı ölçülebilir parçalara ayırıyor, ancak çoğunun anlamı ve kullanımı yok.

Şirketler bunu biliyor, bu nedenle teknoloji devi Meta, veri etiketleme şirketi Scale AI’de %49’luk hisseyi 14 milyar ABD doları karşılığında satın almak için geçen yaz yatırım yaptı ve bu, AI modelleri için yüksek kaliteli eğitim verilerini güvence altına almak için hesaplı ve stratejik bir hamle oldu.

Büyük dil modellerinin güvenilirliği, tamamen onlara verilen verilerin kalitesine bağlıdır – kısaca, “çöp girerse çöp çıkar.” Bugün, şirketlerin karşılaştığı gerçek zorluk, ham bilginin akışını eyleme geçirilebilir verilere dönüştürmektir.

Çözüm gözümüzün önünde olabilir: AI, devasa veri kümelerini etiketleme veya sonu gelmeyen elektronik tabloları tarama gibi sıkıcı işleri aşacak stratejiler üreterek kaosu insanların kullanabileceği bilgiye dönüştürmeye yardımcı olabilir.

Veri Çoğaldıkça: Şirketler için Gizli Maliyetler

Gartner araştırmasına göre, 2020 yılında, kötü veri kalitesi, organizasyonlara yılda en az 12.9 milyon ABD dolarılık maliyet getiriyor, verimliliği etkiliyor ve yanlış kararlar alınmasına ve yanlış raporlamaya neden oluyor.

Sağlık sektöründe, eksik sağlık kayıtları, faturalama bilgileri ve sistemler arası tutarsız veriler, yanlış teşhis, tedavi hataları ve kaynakların verimsiz dağıtımı gibi sonuçlara yol açabilir. Uzun vadede, bu maliyetleri artırır ve bu sistemlere güveni azaltır.

Lojistikte, tedarikçiler ve dağıtıcılar arasındaki tutarsız veriler, gecikmelere veya stok eksikliklerine neden olabilir. Yanlış bir teslimat adresi veya eski bir stok kaydı, tüm tedarik zincirinde dalgalanmalara neden olabilir ve teslimat tarihlerini kaçırabilir ve müşterileri memnun edemez.

“Geçmiş veriler birleştirilerek, rotada ne olabileceğini öngörebilir veya anlayabilirsek, bu verimsizlikleri gerçekten azaltabiliriz” diyor Asparuh Koev, lojistik AI şirketi Transmetrics‘in CEO’su, Unite AI ile yaptığı konuşmada.

Pratik olarak, kirli veri pahalıdır. 1-10-100 kuralı bunu gösterir: veriyi girişte kontrol etmek 1 dolar, daha sonra temizlemek 10 dolar, hiçbir şey yapmamak ise 100 dolar maliyet getirir.

AI Güçlü Platformlar Ne Getirir?

İşletmeler, artan miktarda kirli veriyle boğuşurken, AI çözümlerine yöneliyorlar. Yeni AI güçlü platformlar, veri temizleme işlemini otomatikleştirerek, maliyet etkinliğini ve doğruluğu artırıyor.

Robert Giardina, Claritype kurucusu, AI’nin sürecini açıkladı: “Verileri ortak bir formata dönüştürür: işlemin bir parçası, her veriyi iş için uygun bir biçime dönüştürmektir.”

Claritype’nin AI’si, basit standartlaştırmanın ötesine geçer. Platformun denetlenen onarımı, işletmelerin, sistem sınırlarını aşarak en acil sorularına cevaplar bulmasına olanak tanır ve bilgi dağınıklığını azaltır.

“Önceden ayrı tutulan sistemlerin her biri, tüm işletmeyi kapsayan soruların yanıtının bir parçasını içerir” diyor Giardina, Unite AI’ye.

Bir ana tedarikçi, bir sevkiyat gecikmesinden etkilenirse, yalnızca tedarikçileri siparişlere ve müşteri geçmişine bağlayarak, en önemli müşterilerden hangilerinin öncelikle bilgilendirilmesi gerektiğini belirleyebilir.

“Nihai hedefimiz, tüm veri parçalarını birleştirmek ve her soruyu kolay ve anında cevaplayabilmektir” diyor Giardina.

Bu tür bağlantılı düşünme, şirketlerin zihniyetindeki daha geniş değişimin bir parçasıdır; şirketler, ad hoc veri temizleme yerine, sistemli veri yönetimine geçiyorlar. Veri kalitesini bir kerelik düzeltme olarak değil, tüm sistemlerinde tutarlılık ve güvenilirlik sağlamak için yapılandırılmış süreçler geliştiriyorlar.

Veri yönetimi artık değerli bir iş süreci olarak görülüyor, yalnızca bir IT görevi değil. Şirketler, veri yönetimini genel stratejilerine entegre ederek, daha iyi kararlar alabilir ve verilerinden daha anlamlı içgörüler elde edebilir.

AI Verileri Nasıl Temizler ve Karşılaştığı Zorluklar

AI’ye aşırı güvenmek tehlikeli olabilir. Giardina’ya göre, “endişe verici otomatik veri dönüşümleri, standartlaştırmanın ötesine geçerek tahminlere girer.”

Örneğin, bazı kısaltmalar kolayca yanlış yorumlanabilir. “International Business Machines (IBM ), Inc.” veya “I.B.M.” genellikle “IBM”ye dönüştürülür, ancak “I.B.” yanlışlıkla “IBM”ye dönüştürülürse, her iki şirket için önemli sorunlara neden olabilir.

Eksik ve yanlış veriler, en yaygın sorunlardır ve AI’nin yalnızca bağlama göre boşlukları doldurmasına güvenmek kolayca geri tepebilir. Giardina’nın da belirttiği gibi, “etkileri önemli olduğunda, her tahmini bir insan onaylamalıdır.”

Otomasyonu İnsan Anlayışıyla Dengelemek

Kirli veriler, şirketlerin bilgiyi nasıl ele aldıklarındaki derin kusurları vurgular. Karar alma süreçlerini geliştirmek için, şirketlerin veri sorununu yalnızca teknik bir sorun olarak görmeyi bırakmaları ve insan uzmanlığı, etik bilinci ve uzun vadeli stratejik vizyonu birleştiren yönetim modellerine geçmeleri gerekir.

Temiz veriler, daha etkili AI’ye yol açar; bu da veri kalitesini iyileştirir. Bu birbirini güçlendirerek devam eden döngü umut vericidir, ancak otomasyon tek başına bizim kirli veri sorunumuzu çözmez. Bu potansiyel, yalnızca algoritmik kesinliği insan yargısı ve AI’nin getirebileceği önyargıların bilinciyle birleştirerek gerçekleştirilebilir ve şeffaflık ve sistemlere güveni artırabilir.

Alex Sandoval, üretim zekası AI şirketi Allie AI‘nin CEO’su, üretken AI yardımcılarının yalnızca algoritmalara dayanmadığını; insanların fabrikanın mantığına hâkim olmasına da ihtiyaç duyduğunu vurguladı.

“Bugünün en başarılı uygulamaları yalnızca modellere büyük miktarda programlanabilir mantık denetleyicisi (PLC) verisi, operatör notları ve uyumluluk protokolleri sağlamakla ilgili değil. Makine davranışı ile dijital sezgi arasında çeviri yapabilen yeni bir tür saha çalışanına dayanıyorlar,” diyerek sözlerini tamamladı.

Gabrielle Degeorge İtalya, Roma'da bulunan bir gazeteci ve çok dilli iletişim uzmanıdır. Cenevre Üniversitesi'nden Özel Çeviri alanında yüksek lisans derecesine sahiptir ve çalışmaları, AI'nin endüstrilerin ve toplumların iyileştirilmesi için insanlarla nasıl çalıştığını vurgulamaktadır.