IT-lederens guide til å levere KI-data av høy kvalitet

IT-ledere vet at kvaliteten på organisasjonens data former hvordan KI-løsningene fungerer. Dataingeniørene deres forteller dem det.   

Likevel klager de samme dataingeniørene ofte over mangelen på solide data i organisasjonene sine og bekymrer seg for arbeidet som kreves for å oppnå det. Disse kohortene deler byrden med sine virksomhetsledere.  

Ifølge forskning utført av Futurum Group og Kearney oppgir nesten to tredjedeler av administrerende direktører lav kvalitet eller manglende sammenheng mellom data på grunn av isolerte infrastrukturer og fragmenterte teknologistabler som de viktigste hindringene for skalering av KI-løsninger.  

Før du utforsker hvordan du kan oppnå data av høy kvalitet for å betjene KI-løsninger, er det viktig å forstå de potensielle konsekvensene av dårlige data.  

Virkeligheten med søppel inn, søppel ut 

Søppel inn, søppel ut. Dette uttrykket har blitt allment kjent med fremveksten av generativ KI. Når data som er inkludert i en KI-modell, er unøyaktige eller skjeve (søppel inn), klarer ikke modellene å generalisere, noe som fører til feil i prognoser eller beslutninger (søppel ut).   

Men hvordan ser dette ut i praksis? Når du mater data av dårlig kvalitet inn i et KI-system, ber du det faktisk om å ta beslutninger verdt millioner av dollar basert på feilaktig informasjon.   

Tenk deg en butikkjede som implementerer et KI-system for å optimalisere lagerbeholdningen i 500 butikker. Anta at kjedens salgsdata feilmerker returnerte varer, noe som fører til at de vises som ekstra salg.   

Som et resultat av dette antar KI-systemet feilaktig at enkelte produkter selger 30 % mer enn de faktisk gjør. Og resultatet? Massiv overbestilling av varer med lav omsetning, millioner i overskuddslager og mangel på lagerplass.  

Eller tenk på en stor bank med en KI-chatbot som ble trent på kundeservicelogger fylt med dårlig vedlikeholdte og unøyaktige data, der kundebehandlere forkortet data om brukskontoer med begrepene «chk», «checking» eller til og med numeriske kontokoder.   

Chatboten forstår dessverre ikke kundeforespørsler om grunnleggende banktjenester på en pålitelig måte, noe som reduserer kundetilfredsheten. Ofte må banken ansette flere medarbeidere for å behandle de ekstra forespørslene.  

Se for deg lignende scenarioer i andre regulerte bransjer som balanserer på en knivsegg mellom samsvar og risiko. Noen ganger fører resultatet til skade på omdømme og økonomisk skade, noe som helt klart er søppel ut.  

Innhenting av data av høy kvalitet  

Dell Technologies og NVIDIA har laget denne e-boken som forklarer hvordan organisasjonene kan utforme datastrategien sin for å sikre vellykkede KI-implementeringer. Et viktig aspekt ved å legge til rette for en virkningsfull datastrategi er å forberede data.   

Data av høy kvalitet avgjør hvor godt en KI-modell kan oppfatte, forutsi og handle – alle viktige ytelseskriterier. Uten pålitelige data vil KI-fundamentet ditt kollapse. Her forklarer vi trinnene som kreves for å få orden på dataene dine.  

1. Kontroller dataene. Før du kan få dataene til ønsket tilstand, må du vurdere deres nåværende tilstand. Er dataadministrasjonsstabelen ren, organisert og godt vedlikeholdt? Hvis du utfører disse trinnene, kan du oppdage og rette opp feil, duplikater eller uoverensstemmelser.    
2. Få dataene til å snakke sammen. Organisasjonsdata ligger spredt på tvers av bransjer, i applikasjoner og plattformer. Konsolidering av datakilder gir deg en mer nøyaktig oversikt over dataene dine, reduserer duplisering og fører til mer praktisk innsikt. 
3. Klargjøring av data. Over tid blir data utdatert og omfangsrike. Rengjøring, merking og standardisering av data forbedrer KI-modellens ytelse samtidig som det reduserer implementeringstiden. Etablering av organisasjonsstandarder for datastruktur, konsistens og fullstendighet bidrar til å sikre at modellene virksomheten din er avhengig av, lærer fra de riktige signalene.     
4. Implementer styring og samsvar. Datasikkerhet og robusthet er avgjørende. Etablering av tydelig datasporing, sikkerhetskontroller og rammeverk for samsvar bygger tillit til KI-systemer. Ved å ha en sterk struktur for datastyring og revisjonsspor sikrer du at sensitive data brukes på en ansvarlig måte, samtidig som samsvar overholdes.  
5. Moderniser datainfrastruktur. KI-løsninger krever moderne databehandling, lagring og nettverksteknologi, samt ekspertisen som trengs for å konfigurere og støtte dem. Oppgradering til plattformer som støtter tilgang i sanntid, skalerbarhet og integrering gjør at organisasjonen din kan oppfylle økende KI-behov. 

Veien til modernisering av datainfrastrukturen 

Ved å forenkle hvordan data flyttes, behandles og styres, sikrer du at KI-workloadene kan skaleres. En enhetlig, fleksibel tilnærming akselererer tiden fra produksjon til marked og fremtidssikrer organisasjonen.  

Det er vanskelig å oppnå en slik tilnærming. Dell Technologies og NVIDIA opprettet Dell AI Factory with NVIDIA, som består av teknologier og tjenester som akselererer bruksområdene dine, integrerer dataene og arbeidsflytene dine og hjelper deg med å utforme din egen KI-reise.  

Husk: Søppel inn, søppel ut. Gode data gir konkurransefortrinn, mens dårlige data fører til kostbare problemer i stor skala. Spørsmålet er ikke om du har råd til å investere i datakvalitet, men om du har råd til å ikke gjøre det.  

Har du råd til å ikke gjøre det?  

Lær mer om Dell AI Factory with NVIDIA.