AI моделите са толкова добри, колкото и данните, които им се показват. Това не е слоган, а практически проблем: езиков модел, който работи с разпръснати, остарели или недефинирани данни, произвежда отговори, които са също толкова разпръснати, остарели и недефинирани. Много организации забелязват това едва след стартиране на пилотен проект, когато се оказва, че данните, от които моделът се нуждае, никъде не са събрани на едно място, или че никой вече не знае коя версия на файл е правилната. Управлението на данни е една от основните дименсии: въпросът не е кои задачи AI би могъл да поеме, а дали под тези задачи има слой от данни, който е достатъчно стабилен, за да се строи върху него.
Управлението на данни се отнася до откъде идват данните, кой носи отговорност за тях, в какво състояние се намират и колко лесно могат да бъдат намерени и комбинирани. Това включва, наред с другото, дали данните са съхранени централно или разпръснато, дали е определен собственик за всеки набор от данни, дали определенията на понятия като „клиент“ или „активен проект“ са последователни между отделите, и дали има поглед върху качеството на данните, които се използват ежедневно. Организация може да получи висока оценка тук по отношение на IT инфраструктурата, но все пак да има ниско ниво на управление на данни: системите присъстват, но никой никога не е фиксирал точно какво се съдържа в тях или кой има право да променя нещо в тях.
На ниво baseline данните съществуват основно в силози: всеки отдел поддържа собствените си файлове, без споделена структура или собственост. На ниво foundation има начало на организация: има договорки за къде трябва да се съхраняват определени данни, но изпълнението все още зависи от индивидуалните навици. При activation собствеността върху данните е разпределена и има споделена рамка от понятия, така че различните отдели използват един и същ термин по един и същ начин. На ниво insight качеството на данните се измерва и следи, и има поглед върху къде се намират слабите места във верига на данните. Нивото intelligence означава, че управлението на данни е вградено в ежедневния начин на работа: качеството, произходът и достъпът се проверяват непрекъснато, не като отделен проект, а като постоянна част от начина на работа.
Един практически показател е въпросът колко време отнема да се отговори на прост въпрос, например колко клиенти са закупили определен продукт през последната година. Ако отговорът идва от една система за няколко минути, това показва по-високо ниво. Ако първо трябва да се обадите на трима хора, за да разберете кой файл е актуален, това показва baseline или foundation. Друг показател е какво се случва, когато човек с познания за набор от данни напусне: остава ли информацията достъпна, или изчезва заедно с този човек. Също релевантно е дали има някой, който носи отговорност за набор от данни, или тази отговорност всъщност не е на никого.
В рамките на измерването на зрелостта тази дименсия не се оценява от едно лице, а от няколко хора поотделно. IT мениджър може да оцени управлението на данни високо, защото системите са технически в ред, докато операционен мениджър оценява ниско, защото на практика данните не се усещат като намиращи се или надеждни. Това разсейване се вижда в графиката и само по себе си е сигнал: голямо разстояние между оценките често означава, че организацията е по-напреднала на хартия, отколкото в ежедневната практика, или че различните отдели работят с различни версии на истината. Тясно разсейване, дори на по-ниско ниво, показва реалистична и споделена картина, от която може да се работи напред.
Стъпката от baseline към foundation често не изисква нова технология, а договорки: кой е собственик на какъв набор от данни и къде се съхранява каква информация. Стъпката от foundation към activation изисква споделена рамка от понятия, така че отделите да не дефинират покрай едни другите какво е „активен клиент“ или „завършен проект“. Какво изисква конкретна стъпка по разходи и време, зависи от размера на организацията и състоянието на съществуващите системи; това е разработено на страницата за какво струва да се повдигне организацията с едно ниво и страницата за какво струва да се повдигне IT инфраструктурата с едно ниво, защото данните и инфраструктурата на практика често се придвижват заедно.
Управлението на данни не е изолирано от останалата част на измерването. Без ясни договорки за кой има право да използва какви данни и за какво, възникват въпроси, които всъщност принадлежат към поверителност и сигурност. Без хора, които разбират какво означава качество на данните и как да следят за това в работата си, дименсията хора и умения остава назад. И без поглед върху кой решава какво може и какво не може да се прави с данни, липсва връзката с етика. Седемте дименсии на измерването са свързани; управлението на данни е една от тях и обикновено не е последната, която заслужава внимание.
Това измерване показва дали основата под AI приложенията е достатъчно стабилна: дали данните са намиращи се, надеждни и притежавани от някого. Това е различен въпрос от кой дял от работата всъщност може да бъде поет от AI. На този въпрос отговаря work сканирането на FTE TO AI, което за всяка задача изчислява какъв дял е подходящ за предаване на AI, изхождайки от структурата на данните, налична в този момент. Двете измервания са предназначени да се четат едно след друго: първо капацитетът за поддръжка, след това задачите, които могат да се стъпят на него.
Измерването на зрелостта, включително дименсията управление на данни, в момента се разработва. Който иска да направи измерването веднага щом то стане достъпно, може да се запише за списъка с чакащи.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.