Modele AI są tak dobre, jak dane, które otrzymują. To nie slogan, a praktyczny problem: model językowy pracujący na rozproszonych, przestarzałych lub niezdefiniowanych danych, produkuje odpowiedzi, które są równie rozproszone, przestarzałe i niezdefiniowane. Wiele organizacji odkrywa to dopiero po rozpoczęciu pilotu, gdy okazuje się, że dane potrzebne modelowi nie znajdują się w jednym miejscu, albo że nikt już nie wie, która wersja pliku jest tą właściwą. Zarządzanie danymi to jeden z fundamentalnych wymiarów: pytanie nie brzmi, jakie zadania AI mogłaby przejąć, ale czy pod tymi zadaniami leży warstwa danych wystarczająco solidna, by na niej budować.
Zarządzanie danymi dotyczy tego, skąd dane pochodzą, kto jest za nie odpowiedzialny, w jakim stanie się znajdują oraz jak łatwo je znaleźć i połączyć. Obejmuje to między innymi to, czy dane są przechowywane centralnie czy rozproszenie, czy dla każdego zbioru danych wyznaczono właściciela, czy definicje pojęć takich jak 'klient' lub 'aktywny projekt' są konsekwentne między działami, oraz czy istnieje wgląd w jakość danych używanych na co dzień. Organizacja może uzyskać wysoki wynik w zakresie infrastruktury IT i jednocześnie niski w zakresie zarządzania danymi: systemy są obecne, ale nikt nigdy nie zapisał, co się w nich dokładnie znajduje, ani kto może to zmieniać.
Na poziomie baseline dane istnieją głównie w silosach: każdy dział prowadzi własne pliki, bez wspólnej struktury czy własności. Na poziomie foundation istnieje początek porządku: są ustalenia co do tego, gdzie powinny znajdować się określone dane, ale wykonanie wciąż zależy od indywidualnych przyzwyczajeń. Przy activation przypisano własność danych i istnieje wspólne ramy pojęciowe, dzięki czemu różne działy używają tego samego terminu w ten sam sposób. Na poziomie insight mierzy się i monitoruje jakość danych, a także istnieje wgląd w to, gdzie znajdują się słabe punkty w łańcuchu danych. Poziom intelligence oznacza, że zarządzanie danymi jest wbudowane w codzienny sposób pracy: jakość, pochodzenie i dostęp są stale kontrolowane, nie jako osobny projekt, lecz jako stały element sposobu działania.
Praktycznym wskaźnikiem jest to, jak długo trwa odpowiedź na proste pytanie, na przykład ile klientów kupiło określony produkt w ostatnim roku. Jeśli odpowiedź pochodzi z jednego systemu w ciągu kilku minut, wskazuje to na wyższy poziom. Jeśli najpierw trzeba zadzwonić do trzech osób, aby ustalić, który plik jest aktualny, wskazuje to na baseline lub foundation. Innym wskaźnikiem jest to, co się dzieje, gdy odchodzi osoba posiadająca wiedzę o danym zbiorze danych: pozostaje informacja dostępna, czy zanika wraz z tą osobą. Istotne jest również, czy istnieje osoba odpowiedzialna za dany zbiór danych, czy odpowiedzialność ta faktycznie nie leży po stronie nikogo.
W ramach pomiaru dojrzałości ten wymiar ocenia nie jedna osoba, lecz kilka osób niezależnie. Menedżer IT może ocenić zarządzanie danymi wysoko, ponieważ systemy są technicznie w porządku, podczas gdy menedżer operacyjny ocenia je niżej, ponieważ w praktyce dane nie są łatwo znajdowalne czy wiarygodne. To rozproszenie staje się widoczne na wykresie i sama w sobie jest sygnałem: duża odległość między wynikami często oznacza, że organizacja jest bardziej rozwinięta na papierze niż w codziennej praktyce, albo że różne działy pracują na różnych wersjach prawdy. Wąskie rozproszenie, nawet na niższym poziomie, wskazuje na realistyczny i wspólny obraz, na którym można budować dalszą pracę.
Krok od baseline do foundation często nie wymaga nowej technologii, lecz ustaleń: kto jest właścicielem którego zbioru danych i gdzie znajduje się jaka informacja. Krok od foundation do activation wymaga wspólnych ram pojęciowych, aby działy nie definiowały niezależnie od siebie, co oznacza 'aktywny klient' czy 'zakończony projekt'. To, czego wymaga konkretny krok w kosztach i czasie, zależy od wielkości organizacji oraz stanu systemów bazowych; zostało to opisane na stronie o tym, co kosztuje podniesienie organizacji o jeden poziom oraz na stronie o tym, co kosztuje podniesienie infrastruktury IT o jeden poziom, ponieważ dane i infrastruktura w praktyce często rozwijają się razem.
Zarządzanie danymi nie jest oddzielone od pozostałej części pomiaru. Bez jasnych ustaleń dotyczących tego, kto może korzystać z jakich danych i do czego, powstają pytania, które właściwie należą do prywatności i bezpieczeństwa. Bez ludzi, którzy rozumieją, co znaczy jakość danych i jak na nią zwracać uwagę w swojej pracy, wymiar ludzie i umiejętności pozostaje w tyle. A bez spojrzenia na to, kto decyduje, co można, a czego nie można robić z danymi, brakuje powiązania z etyką. Siedem wymiarów pomiaru jest ze sobą powiązanych; zarządzanie danymi jest jednym z nich i zwykle nie tym ostatnim, który zasługuje na uwagę.
Ten pomiar pokazuje, czy podłoże pod zastosowaniami AI jest wystarczająco solidne: czy dane są łatwe do znalezienia, wiarygodne i przypisane do kogoś. To inne pytanie niż to, jaka część pracy może zostać przejęta przez AI. Na to pytanie odpowiada skan pracy FTE TO AI, który dla każdego zadania oblicza, jaka jego część jest odpowiednia do przekazania AI, wychodząc od struktury danych obecnej w danym momencie. Te dwa pomiary są przeznaczone do odczytania po sobie: najpierw zdolność nośna, następnie zadania, które mogą na niej się opierać.
Pomiar dojrzałości, w tym wymiar zarządzania danymi, jest obecnie w budowie. Osoby chcące przeprowadzić pomiar, gdy będzie dostępny, mogą zapisać się na listę oczekujących.
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.