AI modeļi ir tikpat labi, cik labi ir dati, ko tie redz. Tas nav sauklis, bet praktiska problēma: valodas modelis, kas strādā ar izkaisītiem, novecojušiem vai nedefinētiem datiem, sniedz atbildes, kas ir tikpat izkaisītas, novecojušas un nedefinētas. Daudzas organizācijas to pamana tikai pēc pilotprojekta sākuma, kad izrādās, ka modelim nepieciešamie dati nekur nav apkopoti vienā vietā, vai ka vairs nav zināms, kura faila versija ir pareizā. Datu pārvaldība ir viena no pamata dimensijām: jautājums nav par to, kādus uzdevumus AI varētu pārņemt, bet par to, vai zem šiem uzdevumiem ir pietiekami stabils datu slānis, uz kura var būvēt.
Datu pārvaldība attiecas uz to, no kurienes dati nāk, kas par tiem ir atbildīgs, kādā stāvoklī tie ir un cik vieglu tos var atrast un apvienot. Tas ietver, cita starpā, vai dati ir glabāti centralizēti vai izkaisīti, vai katram datu kopumam ir norādīts īpašnieks, vai jēdzienu definīcijas, tādas kā 'klients' vai 'aktīvs projekts', ir konsekventas starp nodaļām, un vai ir pārskats par to datu kvalitāti, kas tiek lietoti ik dienu. Organizācija var uzrādīt augstu rezultātu IT infrastruktūrā, tomēr zemu datu pārvaldībā: sistēmas ir pieejamas, bet nekad nav noteikts, kas tieši tajās ir vai kam ir tiesības tur kaut ko mainīt.
Baseline līmenī dati galvenokārt pastāv silosos: katra nodaļa uztur savus failus, bez kopīgas struktūras vai īpašumtiesībām. Foundation līmenī parādās sakārtotības aizmetnis: pastāv vienošanās par to, kur konkrētiem datiem jāatrodas, bet izpilde joprojām atkarīga no individuāliem ieradumiem. Activation līmenī datu īpašumtiesības ir piešķirtas un pastāv kopīgs jēdzienu ietvars, tā ka dažādas nodaļas vienu un to pašu terminu izmanto vienādi. Insight līmenī datu kvalitāte tiek mērīta un uzraudzīta, un ir pārskats par to, kur datu ķēdē atrodas vājās vietas. Intelligence līmenis nozīmē, ka datu pārvaldība ir iestrādāta ikdienas darba veidā: kvalitāte, izcelsme un piekļuve tiek pastāvīgi kontrolētas, ne kā atsevišķs projekts, bet kā neatņemama darba sastāvdaļa.
Viens praktisks rādītājs ir jautājums, cik ilgs laiks nepieciešams, lai atbildētu uz vienkāršu jautājumu, piemēram, cik klientu iepriekšējā gadā iegādājās noteiktu produktu. Ja atbilde no vienas sistēmas ir pieejama pāris minūtēs, tas liecina par augstāku līmeni. Ja vispirms jāzvana trim cilvēkiem, lai noskaidrotu, kurš fails ir aktuāls, tas norāda uz baseline vai foundation līmeni. Cits rādītājs ir tas, kas notiek, kad aiziet cilvēks, kuram bija zināšanas par konkrētu datu kopumu: vai informācija paliek pieejama, vai tā pazūd līdz ar to personu. Nozīmīgi ir arī tas, vai ir kāds, kas uzņemas atbildību par datu kopumu, vai šī atbildība faktiski nav uzņemta nevienam.
Brieduma mērījumā šo dimensiju nenovērtē viena persona, bet vairāki cilvēki neatkarīgi viens no otra. IT vadītājs var novērtēt datu pārvaldību augstu, jo sistēmas tehniski ir kārtībā, kamēr operatīvais vadītājs to novērtē zemu, jo praktiski dati nav atrodami vai nešķiet uzticami. Šī izkliede parādās sadalījuma attēlā un pati par sevi ir signāls: liela atšķirība starp vērtējumiem bieži norāda, ka organizācija uz papīra ir tālāk, nekā ikdienas praksē, vai ka dažādas nodaļas strādā ar dažādām patiesības versijām. Neliela izkliede, pat zemākā līmenī, norāda uz reālistisku un kopīgu izpratni, no kuras strādāt tālāk.
Solis no baseline uz foundation bieži nav prasa jaunas tehnoloģijas, bet vienošanās: kas ir kāda datu kopuma īpašnieks un kur atrodas kāda informācija. Solis no foundation uz activation prasa kopīgu jēdzienu ietvaru, lai nodaļas nedefinētu neatkarīgi vienu no otras, kas ir 'aktīvs klients' vai 'pabeigts projekts'. Cik konkrēts solis prasa izmaksu un laika ziņā, ir atkarīgs no organizācijas apjoma un pamatā esošo sistēmu stāvokļa; tas ir izklāstīts lapā par ko izmaksā organizācijas kāpināšana par vienu līmeni un lapā par ko izmaksā IT infrastruktūras kāpināšana par vienu līmeni, jo dati un infrastruktūra praksē bieži attīstās vienlaicīgi.
Datu pārvaldība nav atrauta no pārējā mērījuma. Bez skaidrām vienošanām par to, kurš var izmantot kādus datus un kādam nolūkam, radīsies jautājumi, kas faktiski pieder pie privātuma un drošības. Bez cilvēkiem, kuri saprot, ko nozīmē datu kvalitāte un kā tam sekot savā darbā, dimensija cilvēki un prasmes paliks atpalikusi. Un bez skaidra redzējuma par to, kurš izlemj, ko ar datiem drīkst un ko nedrīkst darīt, trūkst saiknes ar ētiku. Mērījuma septiņas dimensijas ir savstarpēji saistītas; datu pārvaldība ir viena no tām, un parasti ne pēdējā, kas ir pelnījusi uzmanību.
Šis mērījums parāda, vai pamats zem AI lietojumiem ir pietiekami stabils: vai dati ir atrodami, uzticami un kādam pieder. Tas ir cits jautājums nekā tas, kāda daļa no darba pati var tikt nodota AI. Šo jautājumu atbild FTE TO AI darba skenējums, kas katram uzdevumam aprēķina, kāda tā daļa ir piemērota nodošanai AI, ņemot vērā datu struktūru, kas šajā brīdī pastāv. Šie divi mērījumi ir domāti lasīšanai pēc kārtas: vispirms nesošā spēja, tad uzdevumi, kas uz tās var atbalstīties.
Brieduma mērījums, ieskaitot datu pārvaldības dimensiju, šobrīd ir izstrādes procesā. Tie, kas vēlas veikt mērījumu, tiklīdz tas būs pieejams, var pieteikties gaidīšanas sarakstā.
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.