AI modely sú len tak dobré, ako dáta, ktoré vidia. To nie je slogan, ale praktický problém: jazykový model, ktorý pracuje s rozptýlenými, zastaranými alebo nedefinovanými dátami, produkuje odpovede, ktoré sú rovnako rozptýlené, zastarané a nedefinované. Mnohé organizácie si to všimnú až po tom, čo pilotný projekt spustia, keď sa ukáže, že údaje, ktoré model potrebuje, nie sú nikde na jednom mieste, alebo že už nikto nevie, ktorá verzia súboru je tá správna. Manažment dát je jedna zo základných dimenzií: otázkou nie je, ktoré úlohy by AI mohla prevziať, ale či pod týmito úlohami existuje vrstva dát dostatočne stabilná, aby sa na nej dalo stavať.
Manažment dát sa týka toho, odkiaľ dáta pochádzajú, kto za ne zodpovedá, v akom stave sa nachádzajú a ako ľahko sa dajú nájsť a kombinovať. Zahŕňa okrem iného to, či sú údaje uložené centrálne alebo rozptýlene, či je pre každý súbor dát určený vlastník, či sú definície pojmov ako 'klient' alebo 'aktívny projekt' konzistentné medzi oddeleniami, a či existuje prehľad o kvalite dát, ktoré sa denne používajú. Organizácia môže dosahovať vysoké skóre v IT infraštruktúre a napriek tomu nízke skóre v manažmente dát: systémy sú prítomné, ale nikto nikdy nezaznamenal, čo presne v nich je alebo kto to môže meniť.
Na úrovni baseline existujú dáta najmä v silách: každé oddelenie si vedie vlastné súbory bez zdieľanej štruktúry alebo vlastníctva. Na úrovni foundation je začiatok usporiadania: existujú dohody o tom, kde by mali byť určité dáta uložené, ale realizácia ešte závisí od individuálnych zvykov. Pri activation je vlastníctvo dát pridelené a existuje zdieľaný rámec pojmov, takže rôzne oddelenia používajú rovnaký výraz rovnakým spôsobom. Na úrovni insight sa meria a sleduje kvalita dát a existuje prehľad o tom, kde sa v dátovom reťazci nachádzajú slabé miesta. Úroveň intelligence znamená, že manažment dát je zabudovaný do každodenného spôsobu práce: kvalita, pôvod a prístup sa neustále kontrolujú, nie ako samostatný projekt, ale ako pevná súčasť toho, ako sa pracuje.
Praktickým indikátorom je otázka, ako dlho trvá odpovedať na jednoduchú otázku, napríklad koľko klientov si za posledný rok kúpilo určitý produkt. Ak odpoveď prichádza z jedného systému v priebehu niekoľkých minút, poukazuje to na vyššiu úroveň. Ak treba najprv zavolať trom ľuďom, aby sa zistilo, ktorý súbor je aktuálny, poukazuje to na baseline alebo foundation. Ďalším indikátorom je to, čo sa stane, keď odíde niekto so znalosťami o danom súbore dát: zostanú informácie prístupné, alebo zmiznú s touto osobou. Relevantné je aj to, či existuje niekto, kto nesie zodpovednosť za súbor dát, alebo táto zodpovednosť fakticky neleží na nikom.
V rámci merania vyspelosti túto dimenziu neskóruje jedna osoba, ale viacero ľudí samostatne. IT manažér môže odhadnúť manažment dát vysoko, pretože systémy sú technicky v poriadku, zatiaľ čo operačný manažér skóruje nízko, pretože dáta v praxi nepôsobia dohľadateľne alebo dôveryhodne. Tento rozptyl sa zobrazí v grafe a je sám osebe signálom: veľký odstup medzi skóre často znamená, že organizácia je na papieri ďalej než v každodennej praxi, alebo že rôzne oddelenia pracujú s rôznymi verziami pravdy. Úzky rozptyl, aj na nižšej úrovni, poukazuje na realistický a zdieľaný obraz, z ktorého sa dá vychádzať.
Krok z baseline na foundation si často nevyžaduje novú technológiu, ale dohody: kto je vlastníkom ktorého súboru dát a kde sa nachádzajú aké informácie. Krok z foundation na activation si vyžaduje zdieľaný rámec pojmov, aby oddelenia nedefinovali navzájom nezávisle, čo je 'aktívny klient' alebo 'ukončený projekt'. Čo si konkrétny krok vyžaduje v nákladoch a čase, závisí od veľkosti organizácie a stavu podkladových systémov; to je rozpracované na stránke o tom, čo stojí posunúť organizáciu o úroveň vyššie a na stránke o tom, čo stojí posunúť IT infraštruktúru o úroveň vyššie, pretože dáta a infraštruktúra sa v praxi často posúvajú spolu.
Manažment dát nestojí oddelene od zvyšku merania. Bez jasných dohôd o tom, kto môže používať ktoré dáta a na čo, vznikajú otázky, ktoré vlastne patria do súkromia a bezpečnosti. Bez ľudí, ktorí chápu, čo znamená kvalita dát a ako na ňu pri svojej práci dbajú, zostáva dimenzia ľudia a schopnosti pozadu. A bez pohľadu na to, kto rozhoduje, čo sa s dátami môže a nemôže robiť, chýba prepojenie s etikou. Sedem dimenzií merania spolu súvisí; manažment dát je jednou z nich, a väčšinou nie tou, ktorá si zaslúži pozornosť ako posledná.
Toto meranie ukazuje, či je pôda pod AI aplikáciami dostatočne stabilná: či sú dáta dohľadateľné, dôveryhodné a majú svojho vlastníka. To je iná otázka než to, akú časť práce môže samotné AI prevziať. Na túto otázku odpovedá pracovný skener od FTE TO AI, ktorý pre každú úlohu vypočíta, aká časť je vhodná na presun na AI, vychádzajúc z dátovej štruktúry, ktorá je v danom momente prítomná. Tieto dve merania sú určené na čítanie po sebe: najprv nosná kapacita, potom úlohy, ktoré na nej môžu spočívať.
Meranie vyspelosti, vrátane dimenzie manažment dát, sa momentálne pripravuje. Kto chce meranie absolvovať hneď, ako bude dostupné, môže sa prihlásiť na čakaciu listinu.
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.