Чому дані є невідповідним героєм стратегії штучного інтелекту

Золотий похід штучного інтелекту – від пілотних проєктів та експериментів до стратегії підприємства та масштабу

Закон Мура діє й стосовно штучного інтелекту. Штучний інтелект дуже популярний, і кожне підприємство його впроваджує. Інновації також сприяють цьому попиту завдяки новим моделям штучного інтелекту, агентам штучного інтелекту та новим технологіям, які з’являються на цьому ринку. Це створює фундаментальну зміну для підприємств – етап пілотних проєктів та експериментів із штучним інтелекту, особливо з генераційним штучним інтелектом, поступово зникає. Підприємства розуміють, що штучний інтелект потрібно інтегрувати в стратегію підприємства для масштабування та створення справжньої бізнес-відмінності. Штучний інтелект є темою обговорення в більшості ради директорів, що призводить до стратегічної інновації та бюджетів.

Дані: Перший доміно в стратегії штучного інтелекту

Ключовим аспектом будь-якої стратегії штучного інтелекту повинні бути дані. Дані критично важливі для моделей штучного інтелекту, щоб вони були контекстними, інтелектуальними та специфічними для підприємства. Моделі штучного інтелекту передбачають результати на основі того, як налаштована модель, та введених даних. Обидва ці фактори залежать від якості, різноманітності, новизни та структури даних.

За прогнозом IDC, штучний інтелект очікується збільшить глобальну економіку майже на 20 трильйонів доларів до 2030 року, що буде спричинено не тільки моделями, а й величезними інвестиціями в дані та інфраструктуру, які їх підтримують.

Тренування моделей із вузькими підмножинами даних призводить до упереджених моделей, застарілі дані призводять до нерелевантних результатів, а погані дані просто призводять до поганих результатів штучного інтелекту. Тому дані є першим доміно в стратегії даних підприємства. Навіть з найкращими людьми та передовими технологіями, якщо доміно даних падає, вся стратегія штучного інтелекту швидко руйнується.

За звітом Gartner 2024 про топ-тренди даних та аналітики, організації, які масштабуються з допомогою штучного інтелекту, залежать від даних, а лідери, які успішно впроваджують штучний інтелект, будуть тими, хто створює довіру до своїх даних та керує ними стратегічно.

Ключові стратегічні рішення щодо даних для вашої стратегії штучного інтелекту

Ось 5 ключових аспектів, які ви та ваше підприємство повинні враховувати при підготовці даних для вашої стратегії штучного інтелекту:

1. Пере利用уйте свій ландшафт даних – Багато підприємств не пере利用ують ландшафт даних, керування даними, зберігання та аналіз даних для штучного інтелекту. Багато даних, які служать критичним звітом та аналітикою, також можуть бути критичними для штучного інтелекту. Тому важливо починати з даних, які вже присутні в підприємстві. Звичайно, це потрібно доповнити відповідними заходами якості даних.

Ключове питання для запитання – Які дані у нас є в підприємстві, і в якому стані вони перебувають?

2. Метадані та лінійка даних – Для наявних даних метадані, тобто дані про дані, можуть бути такими ж критичними, якщо не більш критичними, для штучного інтелекту. Наприклад, бізнес-терміни, пов’язані з даними, можуть допомогти ідентифікувати відповідний контекст для моделі RAG, наприклад. Коли користувач запитує статус заяви в страховому підприємстві, всі дані атрибути, пов’язані зі статусом заяви, можуть бути використані як контекст для моделі штучного інтелекту, щоб відповісти. Лінійка даних також допомагає зрозуміти потік даних, що допомагає моделям штучного інтелекту ідентифікувати довірені джерела даних.

За останнім блогом ISASA, керування штучним інтелектом є критичним і потребує правильних метаданих та лінійки даних для масштабування.

Ключове питання для запитання – Чи правильно позначені наші дані бізнес-термінами та технічними метаданими? Чи збираємо ми лінійку даних, щоб зрозуміти, як дані течуть від початку до кінця?

3. Керування даними та дотримання нормативних вимог – Забезпечте, щоб ваші дані були добре керовані та управлялися, а також щоб будь-які нормативні вимоги та правила конфіденційності застосовувалися до даних. Стратегія штучного інтелекту повинна успадкувати та розширити ці правила керування та нормативні вимоги, а не починати з нуля. Наприклад, якщо клієнт хоче, щоб його дані були анонімізовані згідно з правилами GDPR, модель штучного інтелекту повинна бути як тренована, так і функціонувати на анонімізованому наборі даних.

Ключове питання для запитання – Чи є у нас програма керування даними та дотримання нормативних вимог? Якщо ні, які ключові аспекти потрібно реалізувати для моєї стратегії штучного інтелекту?

4. Використовуйте основні дані як вашого квотербека штучного інтелекту – Критичні основні дані, які містять дані про ключові сутності в вашому підприємстві, повинні бути використані як основа для вашої стратегії штучного інтелекту. Наприклад, якщо існує 360-градусний вигляд клієнта, стратегія штучного інтелекту щодо прогнозування відходу клієнта повинна використовувати ці основні дані, щоб уникнути будь-яких пропущених або неповних даних. Звичайно, це можна поєднати з додатковою інформацією з конкретних джерел даних.

Ключове питання для запитання – Чи є у мене критичні основні дані доменів повністю та пов’язані з рештою моїх ландшафту даних?

5. Дані та їхня цінність – Дані не повинні розглядатися як центр витрат, а оцінюватися за їхньою цінністю, як для штучного інтелекту, так і для бізнесу. Це вимагає, щоб дані були на порядку денному ради директорів та CXO, крім штучного інтелекту.

Ключове питання для запитання – Чи розуміє моя рада директорів та CXO цінність даних для організації? Якщо ні, як можна забезпечити, щоб це було зрозуміло, особливо в контексті стратегії штучного інтелекту в підприємстві?

Моделі з’являються та зникають, але дані залишаються.

За часів розвитку вашої стратегії штучного інтелекту з’являться нові моделі та інновації штучного інтелекту. Темпи інновацій в цій сфері неймовірні. Але з часом моделі штучного інтелекту стануть комодитизованими; справжня відмінність вашого підприємства полягає не в тому, яку модель ви використовуєте, а в тому, як вона контекстуалізується з даними, які використовуються для тренування, донастройки та роботи з нею.

Якщо ви розробляєте стратегію штучного інтелекту, не починайте з моделі. Почніть з питання: Чи є у нас дані, щоб підтримати її?