Modelele AI sunt la fel de bune ca datele pe care le văd. Aceasta nu este un slogan, ci o problemă practică: un model de limbaj care lucrează cu date dispersate, îmbătrânite sau nedefinite produce răspunsuri care sunt la fel de dispersate, îmbătrânite și nedefinite. Multe organizații observă acest lucru abia după ce a fost lansat un pilot, când se constată că datele de care modelul are nevoie nu se află nicăieri într-un singur loc, sau că nimeni nu mai știe care versiune a unui fișier este cea corectă. Managementul datelor este una dintre dimensiunile fundamentale: întrebarea nu este ce sarcini ar putea prelua AI, ci dacă sub aceste sarcini se află un strat de date suficient de solid pentru a construi pe el.
Managementul datelor se referă la de unde vin datele, cine este responsabil pentru ele, în ce stare se află și cât de ușor sunt de găsit și de combinat. Aceasta include, printre altele, dacă datele sunt stocate central sau dispersat, dacă a fost desemnat un proprietar pentru fiecare set de date, dacă definițiile unor concepte precum „client” sau „proiect activ” sunt consistente între departamente, și dacă există o imagine clară asupra calității datelor utilizate zilnic. O organizație poate obține un scor ridicat la infrastructura IT și totuși un scor scăzut la managementul datelor: sistemele sunt prezente, dar nimeni nu a stabilit vreodată exact ce conțin sau cine poate modifica ceva în ele.
La nivelul baseline, datele există în principal în silozuri: fiecare departament își păstrează propriile fișiere, fără o structură sau un proprietariat comun. La nivelul foundation există un început de ordonare: există acorduri privind unde trebuie să se afle anumite date, dar execuția depinde încă de obiceiurile individuale. La activation, proprietariatul asupra datelor este atribuit și există un cadru conceptual comun, astfel încât diferite departamente folosesc același termen în același mod. La nivelul insight, calitatea datelor este măsurată și monitorizată, și există o imagine clară asupra punctelor slabe din lanțul de date. Nivelul intelligence înseamnă că managementul datelor este integrat în modul de lucru zilnic: calitatea, proveniența și accesul sunt verificate continuu, nu ca un proiect separat, ci ca parte fixă a modului în care se lucrează.
Un indicator practic este întrebarea cât timp durează să răspunzi la o întrebare simplă, precum câți clienți au achiziționat un anumit produs în ultimul an. Dacă răspunsul provine dintr-un singur sistem în câteva minute, aceasta indică un nivel mai ridicat. Dacă mai întâi trebuie contactate trei persoane pentru a afla care fișier este actual, aceasta indică baseline sau foundation. Un alt indicator este ce se întâmplă atunci când o persoană cu cunoștințe despre un set de date părăsește organizația: informația rămâne accesibilă, sau dispare împreună cu acea persoană. De asemenea, este relevant dacă există cineva care poartă responsabilitatea pentru un set de date, sau dacă această responsabilitate nu este de fapt a nimănui.
În cadrul măsurării maturității, această dimensiune nu este evaluată de o singură persoană, ci de mai multe persoane separat. Un manager IT poate estima managementul datelor ca fiind ridicat, pentru că sistemele sunt corecte din punct de vedere tehnic, în timp ce un manager operațional dă un scor scăzut, pentru că în practică datele nu se simt găsibile sau de încredere. Această dispersie devine vizibilă în plot și este ea însăși un semnal: o distanță mare între scoruri înseamnă adesea că organizația este mai avansată pe hârtie decât în practica zilnică, sau că diferite departamente lucrează cu versiuni diferite ale adevărului. O dispersie mică, chiar și la un nivel mai scăzut, indică o imagine realistă și comună de la care se poate lucra.
Pasul de la baseline la foundation necesită de multe ori nu tehnologie nouă, ci acorduri: cine este proprietarul cărui set de date și unde se află fiecare informație. Pasul de la foundation la activation necesită un cadru conceptual comun, astfel încât departamentele să nu definească separat ce este un „client activ” sau un „proiect finalizat”. Ce necesită un pas specific în costuri și timp depinde de dimensiunea organizației și de starea sistemelor subiacente; acest lucru este detaliat pe pagina despre cât costă să ridici organizația cu un nivel și pagina despre cât costă să ridici infrastructura IT cu un nivel, pentru că în practică datele și infrastructura avansează adesea împreună.
Managementul datelor nu este separat de restul măsurării. Fără acorduri clare privind cine poate folosi ce date și în ce scop, apar întrebări care de fapt aparțin dimensiunii confidențialitate și securitate. Fără persoane care înțeleg ce înseamnă calitatea datelor și cum să fie atente la aceasta în munca lor, dimensiunea oameni și competențe rămâne în urmă. Și fără o privire asupra cine decide ce se poate și ce nu se poate face cu datele, lipsește legătura cu etica. Cele șapte dimensiuni ale măsurării sunt interconectate; managementul datelor este una dintre ele, și de obicei nu ultima care merită atenție.
Această măsurare arată dacă solul de sub aplicațiile AI este suficient de solid: dacă datele sunt găsibile, de încredere și au un proprietar. Aceasta este o întrebare diferită de care parte a muncii poate fi preluată efectiv de AI. La această întrebare răspunde scanarea de muncă a FTE TO AI, care calculează per sarcină ce parte este adecvată pentru transfer către AI, pe baza structurii de date prezente în acel moment. Cele două măsurări sunt destinate a fi citite una după alta: mai întâi capacitatea de susținere, apoi sarcinile care se pot baza pe aceasta.
Măsurarea maturității, inclusiv dimensiunea managementul datelor, este momentan în construcție. Cei care doresc să efectueze măsurarea imediat ce va fi disponibilă se pot înscrie pe lista de așteptare.
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.