Pokud je umělá inteligence „žroutem plynu“ dat, jak můžeme dosáhnout lepšího kilometrového výkonu?

Zatímco kvalita dat byla na prvním místě již léta, další výzvou je identifikace dat nezbytných pro AI a tréninkové modely.

Dokážeme zkrotit přemíru neadekvátních nebo pochybných dat procházejících systémy umělé inteligence? Umělá inteligence je omezována halucinacemi, zaujatostí, znečištěnými tréninkovými daty a - v konečném důsledku - organizační nejistotou. Vedoucí představitelé a myslitelé mají několik nápadů, jak dát data do pořádku.

Pokud jsou data novou ropou, pak AI, „která jich potřebuje hodně a hodně, je ‚žroutem plynu‘ dat,“ řekl ZDNET Andy Thurai, hlavní analytik společnosti Constellation Research. Spotřeba velkých objemů dat však riskuje ztrátu kvality v procesu - vytváří problémy s důvěrou v AI.

Průzkum Salesforce mezi 6 000 zaměstnanci zjistil, že tři čtvrtiny nedůvěřují datům používaným k výcviku AI, se kterou pracují. Průzkum Fivetran, kterého se zúčastnilo 550 vedoucích pracovníků ve velkých organizacích, odhaduje, že organizace ztrácejí v průměru 6 % svých ročních tržeb, neboli 406 milionů USD, kvůli nedostatečně výkonným modelům umělé inteligence (které jsou sestaveny pomocí nepřesných nebo nekvalitních dat), což vede k nesprávným obchodním rozhodnutím. Organizace využívající velké jazykové modely (LLM) hlásí v 50 % případů nepřesnosti dat a halucinace.

Oprava těchto nedostatků také vyžaduje správu dat a zajištění kvality, což lidem, kteří by se měli věnovat obchodním problémům, zabere spoustu času. „Většina datových vědců tráví čas správou nebo hádkou dat oproti vytváření a testování skutečných modelů,“ dodal Thurai.

K pohonu AI motoru je však stále potřeba mnoho dat. Výzva spočívá v tom, že „když naplníte modely AI a ML částečnými daty, získáte pouze částečný pohled na podnik,“ vysvětlil Thurai. "Ačkoli podniky produkují více než dost dat, jsou stále velmi roztříštěná mezi obchodními jednotkami, doménami, platformami a implementacemi, jako je cloud versus soukromá datová centra."

Problém je v tom, že organizace do AI vkládají po hlavě. „Mnoho podniků příliš touží vrhnout technologie na ten nejhlasitější problém, který existuje, aniž by museli vynakládat těžkou práci, jako je řešení základních problémů s kvalitou dat,“ řekl ZDNET Michael Heath, vedoucí technik technických řešení ve společnosti SHI International. "To vyžaduje přesná, konzistentní a úplná data. Bez robustní správy dat a postupů správy dat organizace riskují zesílení chyb a generování nespolehlivých poznatků."

Správa dat vyžaduje komplexní úsilí, aby bylo zajištěno, že správná data se dostanou ke správným lidem a aplikacím a že data budou včasná, relevantní, bezpečná a mají hodnotu.

Zatímco kvalita dat byla na prvním místě po celá léta, identifikace dat, která jsou nezbytná pro AI a tréninkové modely, je další výzvou. Tato „zásadní data“ - jak ji definovala Neda Nia, hlavní produktová ředitelka společnosti Stibo Systems - se skládají z dat, „která jsou dobře řízena a skutečně představují to, co poskytuje nejoptimálnější výsledek pro trénování modelů strojového učení,“ řekla ZDNET.

Na kvalitě záleží - a je zapotřebí koordinované řízení na úrovni dat i AI. To vytváří „transformační sílu přetvářející správu a poskytování dat v éře GenAI,“ řekl technický ředitel společnosti Alation Junaid Saiyed. "Rychlé tempo, obrovský rozsah a složitá složitost zpracování dat v GenAI vyžaduje robustní rámce AI governance. Organizace mohou překonat dilema garbage in, garbage out s efektivním AI governance."

Kvalitní data se samozřejmě neobjeví z ničeho nic. "Hlavní problém při udržování vysoce kvalitních dat spočívá v nepředvídatelné povaze požadavků," řekla Nia. „Otázky zahrnují 'Co tvoří data připravená pro AI?' "Které budoucí modely budou potřebovat konkrétní data?" a „Jak daleko do minulosti by měla být data uchovávána pro optimální zpracování v modelech?“

Lidé pracující s umělou inteligencí musí zvážit „stanovené požadavky stanovené v souladu s předpisy a předpisy a zároveň předvídat budoucí potřeby datové vědy, včetně těch teprve bude definováno,“ upřesnila Nia. "To představuje významnou výzvu - jak můžeme předvídat budoucí požadavky v neustále se měnícím prostředí?"

Také: Mohou vlády proměnit rozhovory o bezpečnosti AI v činy?

Dobře spravovaná a kvalitní data musí být připravena a dostupná pro všechny scénáře, pokračovala. "Investujte a zaměřte se na taková data. Zatímco objem dat je důležitý, kvalita v moderním světě převažuje nad objemem."

Umělá inteligence a správa dat „zajišťuje, že modely umělé inteligence fungují na čistých, relevantních a spolehlivých datech,“ řekl Saiyed. "To zvyšuje přesnost a spravedlnost rozhodnutí AI, podporuje efektivní spolupráci prostřednictvím správy metadat a zajišťuje soulad s rostoucími regulačními požadavky."

Správa dat také pomáhá „zavést kulturu integrity dat, aby organizace mohly podporovat inovace, provozní efektivitu a růst,“ řekl Saiyed.