AI-mallit ovat vain niin hyviä kuin data, jota niille näytetään. Tämä ei ole iskulause vaan käytännön ongelma: kielimalli, joka työskentelee hajautetun, vanhentuneen tai määrittelemättömän datan kanssa, tuottaa vastauksia, jotka ovat yhtä hajautettuja, vanhentuneita ja määrittelemättömiä. Monet organisaatiot huomaavat tämän vasta pilotin käynnistämisen jälkeen, kun paljastuu, että mallin tarvitsemat tiedot eivät ole missään yhdessä paikassa, tai että kukaan ei enää tiedä, mikä tiedoston versio on oikea. Datanhallinta on yksi perustavista ulottuvuuksista: kysymys ei ole siitä, mitä tehtäviä AI voisi ottaa haltuunsa, vaan siitä, onko näiden tehtävien alla riittävän vakaa datakerros, jonka päälle voidaan rakentaa.
Datanhallinta koskee sitä, mistä data on peräisin, kuka siitä vastaa, missä kunnossa se on ja miten helposti sitä voidaan löytää ja yhdistää. Tähän kuuluu muun muassa se, säilytetäänkö tietoja keskitetysti tai hajautetusti, on nimetty vastuuhenkilö per tietoaineisto, ovatko käsitteiden kuten 'asiakas' tai 'aktiivinen projekti' määritelmät yhtenäisiä osastojen välillä, ja onko näkyvyyttä siihen, millaista laatua päivittäin käytettävä data on. Organisaatio voi pärjätä hyvin IT-infrastruktuurissa ja silti saada matalan pisteytyksen datanhallinnassa: järjestelmät ovat paikallaan, mutta kukaan ei ole koskaan kirjannut, mitä niissä tarkalleen on tai kuka saa muuttaa niitä.
Baseline-tasolla data on ennen kaikkea siiloutunut: jokainen osasto pitää yllä omia tiedostojaan, ilman jaettua rakennetta tai omistajuutta. Foundation-tasolla järjestäytyminen on alkanut: on olemassa sopimuksia siitä, mihin tietyn tiedon pitäisi sijaita, mutta toteutus riippuu edelleen yksittäisistä tottumuksista. Activation-tasolla data-omistajuus on osoitettu ja on olemassa jaettu käsitekehys, jonka ansiosta eri osastot käyttävät samaa termiä samalla tavalla. Insight-tasolla datalaatua mitataan ja seurataan, ja on näkyvyyttä siihen, missä dataketjun heikot kohdat sijaitsevat. Intelligence-taso tarkoittaa, että datanhallinta on juurtunut päivittäiseen työskentelytapaan: laatua, alkuperää ja pääsyoikeuksia valvotaan jatkuvasti, ei erillisenä hankkeena vaan kiinteänä osana työskentelytapaa.
Käytännöllinen indikaattori on kysymys siitä, kuinka kauan kestää vastata yksinkertaiseen kysymykseen, esimerkiksi kuinka monta asiakasta on hankkinut tiettyä tuotetta kuluneen vuoden aikana. Jos vastaus saadaan yhdestä järjestelmästä muutamassa minuutissa, se viittaa korkeampaan tasoon. Jos ensin täytyy soittaa kolmelle henkilölle selvittääkseen, mikä tiedosto on ajantasainen, se viittaa baseline- tai foundation-tasoon. Toinen indikaattori on se, mitä tapahtuu, kun tietoaineistoa tunteva henkilö lähtee: pysyykö tieto saatavilla, vai katoaako se kyseisen henkilön mukana. Olennaista on myös, onko olemassa henkilö, joka kantaa vastuun tietoaineistosta, vai jääkö tämä vastuu käytännössä kenenkään kannettavaksi.
Kypsyysmittauksessa tätä ulottuvuutta ei pisteytä yksi henkilö, vaan useat henkilöt erikseen. IT-johtaja voi arvioida datanhallinnan korkealle, koska järjestelmät ovat teknisesti kunnossa, kun toiminnallinen johtaja antaa matalan pisteytyksen, koska data ei käytännössä tunnu löydettävältä tai luotettavalta. Tämä hajonta näkyy kuvaajassa ja on itsessään signaali: suuri etäisyys pisteytysten välillä tarkoittaa usein, että organisaatio on paperilla pidemmällä kuin päivittäisessä käytännössä, tai että eri osastot työskentelevät eri versioiden todellisuuden kanssa. Kapea hajonta, myös matalammalla tasolla, viittaa realistiseen ja jaettuun kuvaan, jonka pohjalta voidaan työskentellä.
Siirtymä baseline-tasolta foundation-tasolle ei usein vaadi uutta teknologiaa, vaan sopimuksia: kuka omistaa mitä tietoaineistoa, ja missä mikä tieto sijaitsee. Siirtymä foundation-tasolta activation-tasolle vaatii jaetun käsitekehyksen, jotta osastot eivät määrittele toisistaan poiketen, mitä tarkoittaa 'aktiivinen asiakas' tai 'valmistunut projekti'. Se, mitä tietty askel vaatii kustannuksissa ja ajassa, riippuu organisaation koosta ja taustajärjestelmien tilasta; tätä käsitellään sivulla mitä maksaa organisaation nostaminen yhden tason ylemmäs ja sivulla mitä maksaa IT-infrastruktuurin nostaminen yhden tason ylemmäs, sillä data ja infrastruktuuri etenevät käytännössä usein käsi kädessä.
Datanhallinta ei ole erillään muusta mittauksesta. Ilman selkeitä sopimuksia siitä, kuka saa käyttää mitä dataa ja mihin tarkoitukseen, syntyy kysymyksiä, jotka kuuluvat oikeastaan ulottuvuuteen tietosuoja ja tietoturva. Ilman ihmisiä, jotka ymmärtävät, mitä datalaatu tarkoittaa ja miten siihen kiinnitetään huomiota omassa työssä, ulottuvuus ihmiset ja osaaminen jää jälkeen. Ja ilman näkemystä siitä, kuka päättää, mitä datalla saa ja ei saa tehdä, puuttuu yhteys ulottuvuuteen etiikka. Mittauksen seitsemän ulottuvuutta liittyvät toisiinsa; datanhallinta on yksi niistä, ja tavallisesti ei viimeinen, joka ansaitsee huomiota.
Tämä mittaus näyttää, onko AI-sovellusten alla oleva pohja riittävän vakaa: onko data löydettävissä, luotettavaa ja jonkun omistuksessa. Tämä on eri kysymys kuin se, mikä osa työstä on itsessään siirrettävissä AI:lle. Tähän kysymykseen vastaa FTE TO AI:n työscan, joka laskee tehtäväkohtaisesti, mikä osa soveltuu AI:lle siirrettäväksi, ottaen lähtökohdaksi sillä hetkellä olemassa olevan datarakenteen. Kaksi mittausta on tarkoitettu luettaviksi peräkkäin: ensin kantokyky, sitten tehtävät, jotka sen päälle voivat nojata.
Kypsyysmittaus, mukaan lukien ulottuvuus datanhallinta, on tällä hetkellä rakenteilla. Jos haluatte tehdä mittauksen sen valmistuttua, voitte ilmoittautua jonotuslistalle.
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.