AI-modeli so tako dobri kot podatki, ki jih vidijo. To ni slogan, ampak praktičen problem: jezikovni model, ki dela z razpršenimi, zastarelimi ali nedefiniranimi podatki, ustvarja odgovore, ki so prav tako razpršeni, zastareli in nedefinirani. Veliko organizacij to opazi šele po začetku pilotnega projekta, ko se izkaže, da podatki, ki jih model potrebuje, niso zbrani na enem mestu, ali da nihče več ne ve, katera različica datoteke je pravilna. Upravljanje podatkov je ena od temeljnih dimenzij: vprašanje ni katere naloge bi AI lahko prevzel, temveč ali je pod temi nalogami dovolj trdna plast podatkov, na kateri se lahko gradi.
Upravljanje podatkov se nanaša na to, od kod podatki prihajajo, kdo je zanje odgovoren, v kakšnem stanju so ter kako enostavno jih je najti in kombinirati. To med drugim vključuje, ali so podatki shranjeni centralno ali razpršeno, ali je za vsak nabor podatkov določen lastnik, ali so definicije pojmov, kot sta 'stranka' ali 'aktiven projekt', usklajene med oddelki, in ali obstaja vpogled v kakovost podatkov, ki se dnevno uporabljajo. Organizacija lahko na tem področju visoko oceni IT-infrastrukturo in kljub temu nizko oceni upravljanje podatkov: sistemi so na voljo, vendar nihče ni nikoli zapisal, kaj natančno vsebujejo ali kdo lahko to spreminja.
Na ravni baseline podatki obstajajo predvsem v silosih: vsak oddelek vodi svoje lastne datoteke, brez skupne strukture ali lastništva. Na ravni foundation obstaja začetek urejenosti: obstajajo dogovori o tem, kje naj bodo določeni podatki, vendar izvedba še odvisi od individualnih navad. Pri activation je lastništvo podatkov dodeljeno in obstaja skupni okvir pojmov, tako da različni oddelki uporabljajo isti izraz na enak način. Na ravni insight se kakovost podatkov meri in spremlja, in obstaja vpogled v to, kje so šibke točke v podatkovni verigi. Raven intelligence pomeni, da je upravljanje podatkov vgrajeno v vsakodnevni način dela: kakovost, izvor in dostop se stalno preverjajo, ne kot ločen projekt, temveč kot ustaljen del delovnega procesa.
Praktičen kazalnik je vprašanje, koliko časa traja, da se odgovori na preprosto vprašanje, na primer koliko strank je kupilo določen izdelek v preteklem letu. Če odgovor pride iz enega sistema v nekaj minutah, to kaže na višjo raven. Če je treba najprej poklicati tri osebe, da bi ugotovili, katera datoteka je aktualna, to kaže na baseline ali foundation. Drug kazalnik je, kaj se zgodi, ko oseba z znanjem o naboru podatkov odide: ali informacija ostane dostopna, ali izgine s to osebo. Prav tako pomembno je, ali obstaja nekdo, ki nosi odgovornost za nabor podatkov, ali ta odgovornost dejansko ne leži pri nikomer.
Znotraj meritve zrelosti to dimenzijo ne oceni ena oseba, temveč več oseb ločeno. Vodja IT lahko upravljanje podatkov oceni visoko, ker so sistemi tehnično urejeni, medtem ko operativni vodja oceni nizko, ker se podatki v praksi ne zdijo najdljivi ali zanesljivi. Ta razpršenost se pokaže na grafu in je sama po sebi signal: velika razdalja med ocenami pogosto pomeni, da je organizacija na papirju dlje kot v vsakodnevni praksi, ali da različni oddelki delujejo z različnimi različicami resnice. Ozka razpršenost, tudi na nižji ravni, kaže na realno in skupno sliko, iz katere se lahko izhaja.
Korak od baseline do foundation pogosto ne zahteva nove tehnologije, temveč dogovore: kdo je lastnik katerega nabora podatkov in kje se nahaja katera informacija. Korak od foundation do activation zahteva skupni okvir pojmov, tako da oddelki ne definirajo ločeno, kaj pomeni 'aktivna stranka' ali 'zaključen projekt'. Kaj določen korak zahteva v stroških in času, je odvisno od velikosti organizacije in stanja obstoječih sistemov; to je podrobneje razloženo na strani o tem, koliko stane, da organizacija naraste za eno raven in strani o tem, koliko stane, da IT-infrastruktura naraste za eno raven, saj se podatki in infrastruktura v praksi pogosto premikajo skupaj.
Upravljanje podatkov ni ločeno od preostalega dela meritve. Brez jasnih dogovorov o tem, kdo lahko uporablja katere podatke in za kakšen namen, se pojavijo vprašanja, ki pravzaprav sodijo v zasebnost in varnost. Brez ljudi, ki razumejo, kaj pomeni kakovost podatkov in kako na to paziti pri svojem delu, dimenzija ljudje in spretnosti zaostaja. In brez pogleda na to, kdo odloča, kaj se s podatki lahko in kaj ne sme početi, manjka povezava z etiko. Sedem dimenzij meritve je med seboj povezanih; upravljanje podatkov je ena od njih, in običajno ni zadnja, ki si zasluži pozornost.
Ta meritev pokaže, ali je temelj pod AI-uporabami dovolj trden: ali so podatki najdljivi, zanesljivi in imajo lastnika. To je drugo vprašanje kot to, kateri del dela lahko sam prevzame AI. Na to vprašanje odgovarja delovna analiza (werkscan) podjetja FTE TO AI, ki za vsako nalogo izračuna, kateri del je primeren za prenos na AI, izhajajoč iz podatkovne strukture, ki je na voljo v tistem trenutku. Obe meritvi sta namenjeni branju eno za drugo: najprej nosilna zmogljivost, nato naloge, ki lahko na njej temeljijo.
Meritev zrelosti, vključno z dimenzijo upravljanja podatkov, je trenutno v izdelavi. Kdor želi opraviti meritev takoj, ko bo na voljo, se lahko prijavi na čakalni seznam.
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.