AI modely jsou jen tak dobré jako data, která vidí. To není slogan, ale praktický problém: jazykový model, který pracuje s rozptýlenými, zastaralými nebo nedefinovanými daty, produkuje odpovědi, které jsou stejně rozptýlené, zastaralé a nedefinované. Mnoho organizací si to všimne až po zahájení pilotního projektu, když se ukáže, že data, která model potřebuje, nejsou nikde na jednom místě, nebo že už nikdo neví, která verze souboru je ta správná. Datamanagement je jednou ze základních dimenzí: otázka nezní, jaké úkoly by AI mohla převzít, ale zda pod těmito úkoly leží datová vrstva, která je dostatečně pevná, aby se na ní dalo stavět.
Datamanagement se týká toho, odkud data pocházejí, kdo je za ně odpovědný, v jakém stavu se nacházejí a jak snadné je je najít a kombinovat. To zahrnuje mimo jiné to, zda jsou data uložena centrálně nebo rozptýleně, zda je pro každou datovou sadu určen vlastník, zda jsou definice pojmů jako 'klient' nebo 'aktivní projekt' konzistentní mezi odděleními, a zda existuje přehled o kvalitě dat, která se denně používají. Organizace může v této dimenzi vysoko skórovat na IT infrastruktuře a přesto mít nízké skóre v datamanagementu: systémy jsou přítomné, ale nikdo nikdy nezaznamenal, co přesně obsahují nebo kdo v nich může něco měnit.
Na úrovni baseline existují data především v silech: každé oddělení si vede vlastní soubory, bez sdílené struktury nebo vlastnictví. Na úrovni foundation existuje počátek uspořádání: existují dohody o tom, kde by měla být určitá data uložena, ale provedení stále závisí na individuálních zvyklostech. U activation je vlastnictví dat přiděleno a existuje sdílený rámec pojmů, takže různá oddělení používají stejný termín stejným způsobem. Na úrovni insight se kvalita dat měří a sleduje a existuje přehled o tom, kde jsou slabá místa v datovém řetězci. Úroveň intelligence znamená, že datamanagement je zakotven v každodenním způsobu práce: kvalita, původ a přístup jsou nepřetržitě kontrolovány, nikoli jako samostatný projekt, ale jako pevná součást toho, jak se pracuje.
Praktickým ukazatelem je otázka, jak dlouho trvá zodpovědět jednoduchou otázku, například kolik klientů odebralo určitý produkt za poslední rok. Pokud odpověď přijde z jednoho systému během několika minut, ukazuje to na vyšší úroveň. Pokud musí nejprve zavolat třem lidem, aby zjistili, který soubor je aktuální, ukazuje to na baseline nebo foundation. Dalším ukazatelem je, co se stane, když odejde někdo se znalostí o datové sadě: zůstane informace přístupná, nebo zmizí s touto osobou. Relevantní je také, zda existuje někdo, kdo nese odpovědnost za datovou sadu, nebo zda tato odpovědnost fakticky nepatří nikomu.
V rámci měření vyspělosti tuto dimenzi neskóruje jedna osoba, ale více lidí zvlášť. IT manažer může datamanagement hodnotit vysoko, protože systémy jsou technicky v pořádku, zatímco provozní manažer skóruje nízko, protože data v praxi působí jako nedohledatelná nebo nespolehlivá. Tento rozptyl se zobrazí v grafu a je sám o sobě signálem: velký rozdíl mezi skóre často znamená, že organizace je na papíře dál než v každodenní praxi, nebo že různá oddělení pracují s různými verzemi pravdy. Úzký rozptyl, i na nižší úrovni, ukazuje na realistický a sdílený obraz, ze kterého lze vycházet.
Krok z baseline na foundation obvykle nevyžaduje novou technologii, ale dohody: kdo je vlastníkem které datové sady a kde se nachází jaká informace. Krok z foundation na activation vyžaduje sdílený rámec pojmů, aby oddělení nedefinovala nezávisle na sobě, co znamená 'aktivní klient' nebo 'ukončený projekt'. Co konkrétní krok vyžaduje v nákladech a čase, závisí na velikosti organizace a stavu podkladových systémů; to je rozpracováno na stránce o tom, co stojí posunutí organizace o úroveň výš a na stránce o tom, co stojí posunutí IT infrastruktury o úroveň výš, protože data a infrastruktura se v praxi často posouvají společně.
Datamanagement nestojí izolovaně od zbytku měření. Bez jasných dohod o tom, kdo může jaká data používat a k čemu, vznikají otázky, které vlastně patří do ochrany soukromí a bezpečnosti. Bez lidí, kteří chápou, co znamená kvalita dat, a jak na ni ve své práci dbají, zůstává dimenze lidé a dovednosti pozadu. A bez pohledu na to, kdo rozhoduje o tom, co se s daty smí a nesmí dělat, chybí návaznost na etiku. Sedm dimenzí měření spolu souvisí; datamanagement je jednou z nich, a obvykle ne poslední, která si zaslouží pozornost.
Toto měření ukazuje, zda je půda pod AI aplikacemi dostatečně pevná: zda jsou data dohledatelná, spolehlivá a mají svého vlastníka. To je jiná otázka než to, jakou část práce lze samo o sobě převést na AI. Tuto otázku zodpovídá pracovní scan od FTE TO AI, který pro každý úkol vypočítá, jaká část je vhodná k převedení na AI, vycházeje z datové struktury, která je v danou chvíli přítomná. Obě měření jsou určena ke čtení po sobě: nejprve nosnost, potom úkoly, které na ní mohou stát.
Měření vyspělosti, včetně dimenze datamanagement, je momentálně ve výstavbě. Kdo si chce měření udělat, jakmile bude dostupné, může se přihlásit na čekací listinu.
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.