AI modeliai yra tokie geri, kokie geri yra duomenys, kuriuos jie gauna. Tai nėra šūkis, o praktinė problema: kalbos modelis, kuris dirba su išskaidytais, pasenusiais ar neapibrėžtais duomenimis, sukuria atsakymus, kurie yra lygiai tokie pat išskaidyti, pasenę ir neapibrėžti. Daugelis organizacijų tai pastebi tik po to, kai pradedamas pilotinis projektas, kai paaiškėja, kad duomenys, kurių reikia modeliui, nėra sukaupti vienoje vietoje, arba kad niekas nebežino, kuri failo versija yra teisinga. Duomenų valdymas yra viena iš pagrindinių dimensijų: klausimas nėra, kokias užduotis AI galėtų perimti, o ar tas užduotis palaiko duomenų sluoksnis, kuris yra pakankamai tvirtas, kad ant jo būtų galima statyti.
Duomenų valdymas nagrinėja, iš kur duomenys atkeliauja, kas už juos atsakingas, kokia jų būklė ir kaip lengvai jie randami ir sujungiami. Tai apima, be kita ko, ar duomenys laikomi centralizuotai ar išskaidytai, ar kiekvienam duomenų rinkiniui priskirtas savininkas, ar sąvokų, tokių kaip „klientas“ ar „aktyvus projektas“, apibrėžimai yra nuoseklūs tarp skyrių, ir ar yra aiškumo apie kasdien naudojamų duomenų kokybę. Organizacija gali turėti aukštą IT infrastruktūros įvertinimą, tačiau žemą duomenų valdymo įvertinimą: sistemos yra, bet niekas niekada nėra užfiksavęs, kas jose tiksliai yra ar kas gali ką pakeisti.
„Baseline“ lygyje duomenys egzistuoja daugiausia izoliuotai: kiekvienas skyrius tvarko savo failus, neturėdamas bendros struktūros ar nuosavybės. „Foundation“ lygyje pradedama tvarka: sutariama, kur turėtų būti tam tikri duomenys, bet įgyvendinimas dar priklauso nuo individualių įpročių. „Activation“ etape duomenų nuosavybė yra priskirta ir egzistuoja bendra sąvokų sistema, todėl skirtingi skyriai tą pačią sąvoką naudoja vienodai. „Insight“ lygyje duomenų kokybė matuojama ir sekama, ir yra aiškumo, kur duomenų grandinėje yra silpnosios vietos. „Intelligence“ lygis reiškia, kad duomenų valdymas yra įtvirtintas kasdieniame darbe: kokybė, kilmė ir prieiga nuolat tikrinami, ne kaip atskiras projektas, o kaip nuolatinė darbo dalis.
Praktiškas rodiklis yra klausimas, kiek laiko užtrunka atsakyti į paprastą klausimą, pavyzdžiui, kiek klientų pirko tam tikrą produktą per pastaruosius metus. Jei atsakymas iš vienos sistemos gaunamas per kelias minutes, tai rodo aukštesnį lygį. Jei pirmiausia reikia skambinti trims žmonėms, kad sužinotumėte, kuris failas yra aktualus, tai rodo „baseline“ arba „foundation“ lygį. Kitas rodiklis yra tai, kas nutinka, kai išeina žmogus, žinantis apie duomenų rinkinį: ar informacija išlieka pasiekiama, ar dingsta su tuo žmogumi. Taip pat svarbu, ar yra kas nors, kas prisiima atsakomybę už duomenų rinkinį, ar ta atsakomybė faktiškai niekam nepriskirta.
Brandos vertinime šį matmenį vertina ne vienas žmogus, o keli žmonės atskirai. IT vadovas gali įvertinti duomenų valdymą aukštai, nes sistemos techniškai yra tvarkoje, o veiklos vadovas gali įvertinti žemai, nes praktiškai duomenys atrodo nerandami ar nepatikimi. Šis skirtumas atsispindi grafike ir pats savaime yra signalas: didelis atotrūkis tarp įvertinimų dažnai reiškia, kad organizacija popieriuje yra pažengusi labiau nei kasdienėje praktikoje, arba kad skirtingi skyriai dirba su skirtingomis tiesos versijomis. Siauras atotrūkis, net ir žemesniame lygyje, rodo realistinį ir bendrą vaizdą, nuo kurio galima pradėti dirbti.
Žingsnis nuo „baseline“ iki „foundation“ dažnai nereikalauja naujos technologijos, o sutarimų: kas yra kurio duomenų rinkinio savininkas ir kur kokia informacija laikoma. Žingsnis nuo „foundation“ iki „activation“ reikalauja bendros sąvokų sistemos, kad skyriai vienas kitam nepriklausomai neapibrėžtų, kas yra „aktyvus klientas“ ar „užbaigtas projektas“. Kiek konkretus žingsnis kainuoja ir kiek laiko užima, priklauso nuo organizacijos dydžio ir pagrindinių sistemų būklės; tai išsamiau aptarta puslapyje apie kiek kainuoja organizacijos pakylėjimas vienu lygiu ir puslapyje apie kiek kainuoja IT infrastruktūros pakylėjimas vienu lygiu, nes duomenys ir infrastruktūra praktikoje dažnai kylą kartu.
Duomenų valdymas nėra atskirtas nuo kitos vertinimo dalies. Neturint aiškių susitarimų, kas gali naudoti kokius duomenis ir kokiu tikslu, kyla klausimų, kurie iš tikrųjų priklauso privatumui ir saugumui. Neturint žmonių, kurie supranta, kas yra duomenų kokybė, ir kaip į tai atsižvelgti savo darbe, atsilieka dimensija žmonės ir įgūdžiai. O neturint aiškumo, kas nusprendžia, kas su duomenimis gali ir kas negali būti daroma, trūksta sąsajos su etika. Septyni vertinimo matmenys yra tarpusavyje susiję; duomenų valdymas yra vienas iš jų ir dažniausiai ne paskutinis, kuriam reikia skirti dėmesį.
Šis vertinimas parodo, ar pagrindas, ant kurio remiasi AI taikymai, yra pakankamai tvirtas: ar duomenys yra randami, patikimi ir turi savininką. Tai kitas klausimas nei tas, kokią dalį darbo AI pati gali perimti. Į šį klausimą atsako FTE TO AI darbo vertinimas, kuris kiekvienai užduočiai apskaičiuoja, kokia dalis yra tinkama perduoti AI, atsižvelgiant į tuo metu esančią duomenų struktūrą. Šie du vertinimai skirti skaityti vienas po kito: pirmiausia pajėgumas, tada užduotys, kurios gali ant jo remtis.
Brandos vertinimas, įskaitant duomenų valdymo dimensiją, šiuo metu yra kuriamas. Norintys atlikti vertinimą, kai jis bus pasiekiamas, gali registruotis į laukiančiųjų sąrašą.
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.