Az AI-modellek annyira jók, amennyire jó a nekik megjelenített adat. Ez nem szlogen, hanem gyakorlati probléma: egy nyelvi modell, amely szétszórt, elavult vagy nem definiált adatokkal dolgozik, ugyanolyan szétszórt, elavult és nem definiált válaszokat produkál. Sok szervezet ezt csak azután veszi észre, hogy egy pilótaprojekt elindult, amikor kiderül, hogy a modellhez szükséges adatok nincsenek egy helyen összegyűjtve, vagy hogy már senki sem tudja, melyik fájlverzió a helyes. A datamenedzsment egyike az alapvető dimenzióknak: nem az a kérdés, mely feladatokat vehetné át az AI, hanem hogy ezen feladatok alatt van-e olyan adatréteg, amely elég szilárd ahhoz, hogy erre lehessen építeni.
A datamenedzsment arról szól, honnan származik az adat, ki felelős érte, milyen állapotban van, és mennyire könnyű megtalálni és kombinálni. Ez magában foglalja többek között azt, hogy az adatok központosítottan vagy szétszórtan vannak tárolva, van-e kijelölt tulajdonosa az egyes adatkészleteknek, hogy a fogalmak - mint például az 'ügyfél' vagy az 'aktív projekt' - meghatározása konzisztens-e a különböző részlegek között, és hogy van-e áttekintés a napi szinten használt adatok minőségéről. Egy szervezet erősen teljesíthet az IT-infrastruktúra terén, és ugyanakkor gyengén állhat a datamenedzsmentben: a rendszerek megvannak, de soha senki nem rögzítette pontosan, mi van bennük, vagy ki jogosult ott bármit módosítani.
A baseline szinten az adat főként silókban létezik: minden részleg saját fájljait tartja nyilván, közös struktúra vagy tulajdonjog nélkül. A foundation szinten már megjelenik a rendszerezés kezdete: vannak megállapodások arról, hogy bizonyos adatoknak hol kell lenniük, de a végrehajtás még az egyéni szokásoktól függ. Az activation szinten az adattulajdonjog kijelölt, és van egy közös fogalmi keret, így a különböző részlegek ugyanazt a kifejezést ugyanúgy használják. Az insight szinten az adatminőséget mérik és nyomon követik, és van áttekintés arról, hol vannak a gyenge pontok az adatláncban. Az intelligence szint azt jelenti, hogy a datamenedzsment be van ágyazva a napi munkamódba: a minőséget, eredetet és hozzáférést folyamatosan ellenőrzik, nem külön projektként, hanem a munkavégzés állandó részeként.
Egy praktikus mutató az a kérdés, mennyi idő egy egyszerű kérdés megválaszolása, mint például hogy hány ügyfél vásárolt egy adott terméket az elmúlt évben. Ha a válasz egy rendszerből néhány perc alatt megjön, ez magasabb szintre utal. Ha előbb három embert kell felhívni, hogy kiderüljön, melyik fájl az aktuális, ez baseline vagy foundation szintre utal. Egy másik mutató az, mi történik, amikor valaki, aki egy adatkészletről tudással bír, elhagyja a szervezetet: az információ hozzáférhető marad, vagy eltűnik azzal a személlyel. Az is releváns, hogy van-e valaki, aki felelősséget visel egy adatkészletért, vagy ez a felelősség valójában senkinél sincs.
A kiforrottsági mérésen belül nem egy személy pontozza ezt a dimenziót, hanem több ember, egymástól függetlenül. Egy IT-vezető magasra becsülheti a datamenedzsmentet, mert a rendszerek technikailag rendben vannak, míg egy operatív vezető alacsonyra pontoz, mert az adatok a gyakorlatban nem tűnnek megtalálhatónak vagy megbízhatónak. Ez a szóródás láthatóvá válik a plotban, és önmagában is jelzés: a pontszámok közötti nagy távolság gyakran azt jelenti, hogy a szervezet papíron előrébb van, mint a napi gyakorlatban, vagy hogy a különböző részlegek a valóság különböző verzióival dolgoznak. A szűk szóródás, akár alacsonyabb szinten is, egy reális és közösen elfogadott képet jelez, amelyből ki lehet indulni.
A baseline-ról foundation-re lépés gyakran nem új technológiát igényel, hanem megállapodásokat: ki a tulajdonosa melyik adatkészletnek, és melyik információ hol található. A foundation-ről activation-re lépés közös fogalmi keretet igényel, hogy a részlegek ne egymás mellett, egymástól eltérően határozzák meg, mi egy 'aktív ügyfél' vagy egy 'lezárt projekt'. Az, hogy egy konkrét lépés mennyi költséget és időt igényel, a szervezet méretétől és az alapul szolgáló rendszerek állapotától függ; ez részletesen ki van dolgozva a mennyibe kerül egy szervezetet egy szinttel feljebb léptetni oldalon és a mennyibe kerül az IT-infrastruktúrát egy szinttel feljebb léptetni oldalon, mivel az adat és az infrastruktúra a gyakorlatban gyakran együtt lép előre.
A datamenedzsment nem áll elkülönülve a mérés többi részétől. Anélkül, hogy tiszta megállapodások lennének arról, ki milyen adatot és mire használhat, olyan kérdések keletkeznek, amelyek valójában a adatvédelem és biztonság dimenzióhoz tartoznak. Anélkül, hogy emberek értenék, mit jelent az adatminőség, és hogyan figyelnek erre a munkájuk során, a emberek és készségek dimenzió lemarad. És anélkül, hogy rálátás lenne arra, ki döntheti el, mi az, amit szabad és mi az, amit nem szabad az adatokkal tenni, hiányzik a kapcsolódás az etika dimenzióhoz. A mérés hét dimenziója összefügg egymással; a datamenedzsment ezek egyike, és általában nem az utolsó, amely figyelmet érdemel.
Ez a mérés megmutatja, hogy elég szilárd-e a talaj az AI-alkalmazások alatt: hogy az adat megtalálható, megbízható, és van-e felelőse. Ez más kérdés, mint az, hogy a munka mely része vehető át magától az AI által. Erre a kérdésre a FTE TO AI munkafelmérése ad választ, amely feladatonként kiszámítja, mekkora rész alkalmas AI-nak való átadásra, az adott pillanatban jelen lévő adatstruktúrából kiindulva. A két mérés arra készült, hogy egymás után olvassák: először a teherbíró képesség, majd az arra épülő feladatok.
A kiforrottsági mérés, beleértve a datamenedzsment dimenziót, jelenleg fejlesztés alatt áll. Aki a mérést szeretné elvégezni, amint elérhetővé válik, feliratkozhat a várólistára.
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.