A mesterséges intelligencia alkalmazások adatokra számítanak. Nem azokra az adatokra, amelyeket elképzel, hogy rendelkezésére állnak, hanem azokra az adatokra, ahogyan azok valójában tárolva, definiálva és fenntartva vannak. Az adatkezelés ezért az egyik alapvető dimenzió az érettségi mérésben: az organizáció és az IT-infrastruktúra mellett ez határozza meg, hogy van-e mire építeni. Egy organizáció erősen szerepelhet az emberek és képességek vagy a teljesítménymenedzsment terén, és mégis megállapíthatja, hogy minden mesterséges intelligencia alkalmazás elakad, mert senki nem tudja biztosan megmondani, melyik verziója a helyes az ügyféladatbázisnak. Ez a sorrend nem a mi választásunk; ez az a sorrend, amelyben működik.
Az adatkezelés azoknak az adatoknak az állapotáról szól, amelyeket egy organizáció a munkavégzéshez és a döntéshozáshoz használ. Rögzítettek-e a definíciók, vagy azt jelenti-e az "aktív ügyfél" minden osztályon mást. Van-e kijelölhető tulajdonosa minden adatkészletnek, vagy senki nem tudja, ki felelős, ha egy mező évek óta hibásan áll. Egyszer rögzítik-e az adatokat és mindenhonnan onnan veszik-e ki, vagy létezik-e három export, amelyek mára eltértek egymástól. A mérésben szereplő kérdések nem az adatok mennyiségéről vagy a rendszer típusáról szólnak, hanem a meglévő adatok megbízhatóságáról és eredetéről.
Az öt szint a baseline-tól az intelligence-ig halad, és az adatkezelésnél a szintek közötti különbség gyakran konkrétabban érzékelhető, mint más dimenzióknál. Baseline szinten az adatok főként lokálisan léteznek: táblázatokban, egy kolléga fejében, egy rendszerben, amelyet már senki nem ért teljesen. Foundation szinten a legfontosabb adatkészletek megnevezettek, és van egy kezdeti tulajdonosi struktúra, még ha a definíciók még eltérőek is. Hogy ez a foundation-szint mit jelent a gyakorlatban, más dimenziók esetében is, azt a mit jelent a foundation szint a gyakorlatban oldal írja le, és ugyanez érvényes a kiindulási pontra magára is a mit jelent a baseline szint a gyakorlatban oldalon. Activation szintnél a definíciók nagyrészt megosztottak, és van egy folyamat az eltérések jelzésére. Insight szintnél az adatokat aktívan használják döntések alátámasztására, minőségi és eredeti áttekintéssel. Intelligence szintnél az adatkezelés már nem külön folyamat, hanem az organizáció működésének állandó jellemzője.
A plot-forduló megmutatja, hogy ez a becslés helyes-e. Amikor a CIO az adatkezelést activation szintre helyezi, és a csapatok, amelyek naponta dolgoznak vele, baseline szintre, ez a szórás többet mond a valós helyzetről, mint a két pontszám átlaga. Gyakran kiderül, hogy a rendszerek egy szinttel magasabbra vannak beállítva, mint a benne lévő viselkedés: van egy központi rendszer, de az emberek még saját fájljaikban dolgoznak mellette, mert nem bíznak a rendszerben.
Hogy mennyibe kerül baseline-ról foundation-re lépni, attól függ, mennyire szórtak jelenleg az adatok, és hány osztály alkalmaz saját igazságverziót. A munka ekkor főként a tulajdonosi struktúra kijelölésében és a definíciók rögzítésében rejlik, nem új technológiában. A foundationtől activationig gyakrabban igényel technikai lépést: egy forrás kijelölése, mások megszüntetése vagy csak olvasásra korlátozása. Az activationtől insightig a súlypont a governance felé mozdul: ki módosíthat mit, hogyan ellenőrzik a minőséget, mi történik, ha hibát találnak. Ennek a folyamatnak a hossza és súlya az organizáció méretétől, az adatokat nyilvántartó rendszerek számától és attól függ, mennyire szoktak már hozzá az emberek, hogy egy forrást tekintsenek irányadónak. Ezt nem lehet egy rögzített összegbe vagy egy rögzített átfutási időbe belefoglalni; attól függ, hol koncentrálódik a szórás az Ön plot-fordulójában.
Az adatkezelés ritkán áll önmagában. Egy organizáció, amely nem bízik saját adataiban, nehezen fog tudni válaszolni a mennyibe kerül a magánélet és biztonság egy szinttel feljebb emelése kérdésre is, mert nem tud biztosítani azt, amit nem térképezett fel. Ezzel szemben az erős adatkezelés olyan alapot teremthet, amelyre könnyebb választ adni a mennyibe kerül a teljesítménymenedzsment egy szinttel feljebb emelése kérdésére, mivel a teljesítménymenedzsmenthez megbízható adatok szükségesek ahhoz, hogy valamit mérni lehessen. A mennyibe kerül az etika egy szinttel feljebb emelése kérdés is közvetlenül érinti az adatkezelést: a felelős adatkezelés azzal kezdődik, hogy tudjuk, mivel rendelkezünk és honnan származik. Aki ezeket a dimenziókat egymástól elszigetelten kezeli, kockázatot vállal, hogy az egyik dimenzión végzett munkát egy másik dimenzióban lévő lemaradás visszatartja.
Ez a mérés megmutatja, hogy az organizáció rendelkezik-e az adatokkal, rendszerekkel és emberekkel a mesterséges intelligencia hordozásához. Ez más kérdés, mint hogy a munka mely részét tudja a mesterséges intelligencia valójában átvenni. Amint tisztázódik, hol állnak az alapvető dimenziók, beleértve az adatkezelést is, érdemes feladatonként megvizsgálni, mit tud és mit nem tud megtenni a mesterséges intelligencia. Ez az FTE TO AI munkascan területe: az adott pillanatban valóban meglévő adatok és rendszerek alapján feladatonként kiszámítja, hogy a munka mely része vehető át.
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.