AI modeli su dobri koliko su dobri podaci koje dobivaju na uvid. To nije slogan nego praktičan problem: jezični model koji radi s raspršenim, zastarjelim ili nedefiniranim podacima proizvodi odgovore koji su isto tako raspršeni, zastarjeli i nedefinirani. Mnoge organizacije to primijete tek nakon pokretanja pilot-projekta, kada se pokaže da podaci koji su modelu potrebni nigdje nisu na jednom mjestu, ili da nitko više ne zna koja verzija datoteke je ispravna. Upravljanje podacima jedna je od temeljnih dimenzija: pitanje nije koje zadatke bi AI mogao preuzeti, nego postoji li ispod tih zadataka slojevi podataka koji su dovoljno čvrsti da se na njima može graditi.
Upravljanje podacima odnosi se na to odakle podaci dolaze, tko je za njih odgovoran, u kakvom su stanju te koliko su lako pronalaživi i kombinirivi. To uključuje, među ostalim, jesu li podaci pohranjeni centralno ili raspršeno, je li imenovan vlasnik po skupu podataka, jesu li definicije pojmova kao što su 'klijent' ili 'aktivan projekt' konzistentne između odjela, i postoji li uvid u kvalitetu podataka koji se svakodnevno koriste. Organizacija može ovdje visoko ocijeniti IT infrastrukturu, a ipak nisko stajati na upravljanju podacima: sustavi postoje, ali nitko nikada nije zabilježio što se u njima točno nalazi ili tko ima ovlast to mijenjati.
Na razini baseline podaci uglavnom postoje u silosima: svaki odjel vodi svoje vlastite datoteke, bez zajedničke strukture ili vlasništva. Na razini foundation postoji početak organizacije: postoje dogovori o tome gdje bi određeni podaci trebali biti, ali izvršenje još ovisi o individualnim navikama. Kod activation vlasništvo nad podacima je dodijeljeno i postoji zajednički okvir pojmova, tako da različiti odjeli koriste isti termin na isti način. Na razini insight kvaliteta podataka se mjeri i prati, i postoji uvid u to gdje se nalaze slabe točke u lancu podataka. Razina intelligence znači da je upravljanje podacima ugrađeno u svakodnevni način rada: kvaliteta, podrijetlo i pristup se kontinuirano provjeravaju, ne kao poseban projekt nego kao stalni dio načina rada.
Praktičan pokazatelj je pitanje koliko dugo traje odgovoriti na jednostavno pitanje, primjerice koliko je klijenata kupilo određeni proizvod u posljednjoj godini. Ako odgovor stigne iz jednog sustava za nekoliko minuta, to upućuje na višu razinu. Ako se najprije treba nazvati troje ljudi da bi se utvrdilo koja je datoteka aktualna, to upućuje na baseline ili foundation. Drugi pokazatelj je što se dogodi kada netko sa znanjem o skupu podataka napusti organizaciju: ostaje li informacija dostupna, ili nestaje s tom osobom. Također je relevantno postoji li osoba koja nosi odgovornost za skup podataka, ili ta odgovornost faktički ne pripada nikome.
U okviru mjerenja zrelosti ovu dimenziju ne ocjenjuje jedna osoba, nego više ljudi zasebno. IT menadžer može upravljanje podacima procijeniti visoko jer su sustavi tehnički u redu, dok operativni menadžer ocjenjuje nisko jer se podaci u praksi ne osjećaju pronalaživima ili pouzdanima. Taj raspon postaje vidljiv u prikazu i sam po sebi je signal: velika razlika između ocjena često znači da je organizacija na papiru dalje nego u svakodnevnoj praksi, ili da različiti odjeli radi s različitim verzijama istine. Uzak raspon, čak i na nižoj razini, upućuje na realističnu i zajedničku sliku od koje se može poći u radu.
Korak od baseline do foundation često ne traži novu tehnologiju, nego dogovore: tko je vlasnik kojeg skupa podataka, i gdje se koja informacija nalazi. Korak od foundation do activation traži zajednički okvir pojmova, tako da odjeli ne definiraju odvojeno što je 'aktivan klijent' ili 'završen projekt'. Što konkretan korak traži u troškovima i vremenu, ovisi o veličini organizacije i stanju temeljnih sustava; to je razrađeno na stranici o tome što košta da organizacija napravi korak više i na stranici o tome što košta da IT infrastruktura napravi korak više, jer podaci i infrastruktura u praksi često napreduju zajedno.
Upravljanje podacima nije odvojeno od ostatka mjerenja. Bez jasnih dogovora o tome ko koje podatke može koristiti i za što, javljaju se pitanja koja u stvari spadaju u privatnost i sigurnost. Bez ljudi koji razumiju što znači kvaliteta podataka i kako na to obraćaju pažnju u svom radu, dimenzija ljudi i vještine ostaje zaostala. A bez pogleda na tko odlučuje što se s podacima može i ne može raditi, nedostaje veza s etikom. Sedam dimenzija mjerenja su povezane; upravljanje podacima je jedna od njih, i obično nije posljednja koja zaslužuje pažnju.
Ovo mjerenje pokazuje je li tlo pod AI primjenama dovoljno čvrsto: jesu li podaci pronalaživi, pouzdani i imaju li vlasnika. To je drugo pitanje od onoga koji dio posla se stvarno može prenijeti na AI. Na to pitanje odgovara radna analiza (werkscan) od FTE TO AI, koja po zadatku izračunava koji je dio pogodan za prijenos na AI, polazeći od strukture podataka koja u tom trenutku postoji. Dva mjerenja namijenjena su čitanju jedno za drugim: prvo nosivost, potom zadaci koji na njoj mogu počivati.
Mjerenje zrelosti, uključujući dimenziju upravljanja podacima, trenutno je u izradi. Tko želi provesti mjerenje čim postane dostupno, može se prijaviti na listu čekanja.
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.