Dọn dẹp Dữ liệu Lộn xộn của Chúng ta: Làm thế nào Trí tuệ Nhân tạo Đang Thay đổi Trò chơi

Chúng ta đang bị ngập trong dữ liệu. Mỗi nền tảng, đồng hồ thông minh và điện thoại thông minh chia nhỏ cuộc sống của chúng ta thành những mảnh nhỏ có thể đo lường được, nhưng hầu hết trong số đó vẫn không có ý nghĩa và không thể sử dụng được.

Các công ty biết điều này, đó là lý do tại sao gã khổng lồ công nghệ Meta đầu tư 14 tỷ USD vào mùa hè năm ngoái để mua lại 49% cổ phần của công ty khởi nghiệp gắn thẻ dữ liệu Scale AI, đây là một bước đi tính toán và chiến lược để đảm bảo dữ liệu đào tạo chất lượng cao cho các mô hình AI của mình.

Tính tin cậy của các mô hình ngôn ngữ lớn phụ thuộc hoàn toàn vào chất lượng của dữ liệu mà chúng được cung cấp – ngắn gọn, “rác vào, rác ra.” Tuy nhiên, ngày nay, thách thức thực sự mà các công ty phải đối mặt là chuyển một lượng lớn thông tin thô thành dữ liệu có thể hành động.

Giải pháp có thể đang ẩn náu ngay trước mắt: chính Trí tuệ Nhân tạo có thể giúp tạo ra các chiến lược để vượt qua nhiệm vụ nhàm chán của việc gắn thẻ các tập dữ liệu lớn hoặc tìm kiếm qua các bảng tính không ngừng, biến hỗn loạn thành thông tin có thể sử dụng được, thông minh và con người.

Khi dữ liệu trở nên lộn xộn: Chi phí ẩn cho các công ty

Theo nghiên cứu của Gartner từ năm 2020, chất lượng dữ liệu kém khiến các tổ chức mất ít nhất 12,9 triệu USD mỗi năm, ảnh hưởng đến năng suất và dẫn đến quyết định không chính xác và báo cáo không chính xác.

Hậu quả của dữ liệu lộn xộn càng rõ ràng hơn trong các lĩnh vực như chăm sóc sức khỏe. Hồ sơ sức khỏe không đầy đủ, chi tiết hóa đơn và dữ liệu không khớp nhau trên các hệ thống có thể dẫn đến chẩn đoán sai, lỗi điều trị và phân bổ nguồn lực không hiệu quả. Về lâu dài, điều này làm tăng chi phí và làm xói mòn niềm tin vào những hệ thống này.

Trong khi đó, trong lĩnh vực hậu cần, dữ liệu không khớp nhau giữa các nhà cung cấp và nhà phân phối có thể dẫn đến trì hoãn hoặc thiếu hụt hàng tồn kho. Một địa chỉ giao hàng không chính xác hoặc hồ sơ hàng tồn kho đã lỗi thời có thể có hiệu ứng domino trên toàn bộ chuỗi cung ứng, dẫn đến bỏ lỡ thời hạn và khách hàng không hài lòng.

“Bằng cách có thể dự đoán hoặc hiểu những gì có thể xảy ra [dọc theo tuyến đường] – dựa trên dữ liệu kết hợp từ quá khứ – bạn thực sự có thể cắt giảm những bất hiệu quả này,” Asparuh Koev, Giám đốc điều hành của công ty AI hậu cần Transmetrics, lưu ý trong khi trò chuyện với Unite AI.

Trong những điều khoản thực tế hơn, dữ liệu lộn xộn là tốn kém. Quy tắc 1-10-100 minh họa điều này: nó chi phí 1 đô la để kiểm tra dữ liệu khi nó được nhập, 10 đô la để làm sạch nó sau đó, và 100 đô la nếu không có gì được thực hiện.

Điều mà các nền tảng được hỗ trợ bởi Trí tuệ Nhân tạo mang lại

Khi các doanh nghiệp phải đối mặt với lượng dữ liệu “bẩn” ngày càng tăng, họ đang chuyển sang Trí tuệ Nhân tạo để tìm giải pháp. Các nền tảng được hỗ trợ bởi Trí tuệ Nhân tạo mới nổi hiện tự động hóa quá trình làm sạch dữ liệu, đảm bảo hiệu quả về chi phí và cải thiện độ chính xác.

Robert Giardina, người sáng lập Claritype, một nền tảng như vậy, giải thích quá trình của Trí tuệ Nhân tạo:

“Nó hội tụ dữ liệu vào một định dạng chung: một phần của quá trình là chuyển đổi mỗi dữ liệu thành một định dạng tiêu chuẩn phù hợp với doanh nghiệp.”

Trí tuệ Nhân tạo của Claritype vượt ra ngoài việc tiêu chuẩn hóa đơn giản. Nền tảng sửa chữa được giám sát cho phép các tổ chức vượt qua ranh giới hệ thống để tìm kiếm câu trả lời cho những câu hỏi cấp bách nhất của họ, phá vỡ các silo.

“Những hệ thống trước đây được giữ riêng biệt mỗi hệ thống đều nắm giữ một phần của câu trả lời cho những câu hỏi bao quát toàn bộ doanh nghiệp,” Giardina nói với Unite AI.

Nếu một nhà cung cấp chính bị ảnh hưởng bởi sự chậm trễ trong vận chuyển, ví dụ, chỉ bằng cách kết nối các nhà cung cấp với đơn đặt hàng và lịch sử khách hàng, một công ty mới có thể xác định được khách hàng hàng đầu nào nên được thông báo đầu tiên về sự chậm trễ.

“Mục tiêu cuối cùng của chúng tôi là mở rộng cách suy nghĩ liên kết này để thống nhất mọi mảnh dữ liệu trong doanh nghiệp để chúng tôi có thể làm cho mọi câu hỏi dễ dàng và ngay lập tức có thể trả lời,” Giardina nói.

Loại suy nghĩ liên kết này đại diện cho sự thay đổi trong tư duy rộng lớn hơn đang xảy ra trong các công ty ngày nay, khi họ chuyển từ việc làm sạch dữ liệu ad hoc sang quản lý dữ liệu có hệ thống. Thay vì coi chất lượng dữ liệu là một giải pháp một lần, các tổ chức đang phát triển các quy trình cấu trúc để đảm bảo tính nhất quán và độ tin cậy trên tất cả các hệ thống của họ.

Quản lý dữ liệu hiện được coi là một quy trình kinh doanh có giá trị, không chỉ là nhiệm vụ của bộ phận CNTT. Bằng cách tích hợp quản lý dữ liệu vào các chiến lược tổng thể của họ, các công ty có thể đưa ra quyết định tốt hơn và thu được những hiểu biết có ý nghĩa hơn từ dữ liệu của họ.

Làm thế nào Trí tuệ Nhân tạo làm sạch dữ liệu và thách thức nó phải đối mặt

Phụ thuộc quá nhiều vào Trí tuệ Nhân tạo có thể nguy hiểm. Đối với Giardina, “các chuyển đổi dữ liệu tự động đáng lo ngại là những chuyển đổi vượt ra ngoài tiêu chuẩn hóa vào việc đoán mò.”

Ví dụ, một số viết tắt có thể dễ dàng bị hiểu lầm. “International Business Machines, Inc.” hoặc “I.B.M.,” ví dụ, thường được chuyển đổi thành “IBM”, nhưng nếu việc chuyển đổi được tự động hóa và “I.B.” bị chuyển đổi nhầm thành “IBM,” nó có thể gây ra vấn đề đáng kể cho cả hai công ty.

Dữ liệu thiếu và không chính xác là hai vấn đề phổ biến nhất, và chỉ dựa vào Trí tuệ Nhân tạo để lấp đầy các khoảng trống theo ngữ cảnh có thể dễ dàng phản tác dụng. Như Giardina chỉ ra, “khi các hiệu ứng ở bất kỳ cách nào đều đáng kể, chúng tôi cần một người để phê duyệt mỗi lần đoán.”

Cân bằng tự động hóa với sự tinh tế của con người

Dữ liệu lộn xộn làm nổi bật những khiếm khuyết sâu sắc trong cách các tổ chức xử lý thông tin. Để tiến về phía trước và cải thiện việc ra quyết định, các doanh nghiệp phải ngừng xem dữ liệu như một vấn đề thuần túy về kỹ thuật và chuyển sang các mô hình quản lý kết hợp chuyên môn của con người, nhận thức về đạo đức và tầm nhìn chiến lược dài hạn.

Dữ liệu sạch hơn tạo ra Trí tuệ Nhân tạo hiệu quả hơn, điều này反过来 giúp cải thiện chất lượng dữ liệu; chu kỳ tương hỗ này đầy hứa hẹn, nhưng cũng là một lời nhắc nhở rằng tự động hóa đơn thuần sẽ không giải quyết được vấn đề dữ liệu lộn xộn của chúng ta. Tiềm năng này chỉ có thể được hiện thực hóa bằng cách kết hợp sự chính xác của thuật toán với phán đoán của con người và nhận thức về các偏见 mà nó có thể giới thiệu, đảm bảo tính minh bạch và niềm tin hơn vào các hệ thống mà chúng ta xây dựng.

Alex Sandoval, Giám đốc điều hành của công ty Trí tuệ Nhân tạo thông minh sản xuất, Allie AI, cũng nhấn mạnh cách các đồng pilot Trí tuệ Nhân tạo tạo ra không chạy trên thuật toán đơn thuần, mà dựa vào sự thông thạo của con người trong logic của nhà máy.

“Các triển khai thành công nhất ngày nay không chỉ về việc cho ăn các mô hình với dữ liệu từ các bộ điều khiển logic lập trình (PLC) khổng lồ, ghi chú của người vận hành và các giao thức tuân thủ. Chúng phụ thuộc vào một loại công nhân tuyến đầu mới: người có thể dịch giữa hành vi của máy và trực giác số,” ông kết luận.