Технологические лидеры: используйте подход, основанный на искусственном интеллекте, к стратегии обработки данных, чтобы ускорить трансформацию

11 апреля 2023 г.

Внедрение ИИ в современном бизнесе является само собой разумеющимся. Последнее исследование данных и аналитики, проведенное Forrester, показало, что три из четырех предприятий начали использовать ИИ для преобразования своего бизнеса.

Теперь, когда ChatGPT появился на рабочем месте, лидеры ИИ ищут способы воспользоваться преимуществами новых генеративных возможностей ИИ. Однако ИИ стал больше, чем просто еще одной аналитической возможностью; Руководители ИИ узнают, что им также необходимо решать более широкие вопросы, связанные с этикой, предвзятостью, безопасностью, правилами и непредвиденными последствиями.

Чтобы ускорить трансформацию с помощью ИИ и повысить доверие, технологические лидеры должны пересмотреть свою стратегию работы с данными. Это может показаться нелогичным. Разве вы не инвестируете больше в ресурсы по науке о данных и не развиваете таланты в области науки о данных, чтобы дополнить использование ИИ? Хотя это, безусловно, необходимо, когда мы говорим с любым руководителем ИИ, он скажет вам, что его главный принцип — целостность данных. Данные поезда ИИ; данные усиливают ИИ в решениях; и данные наблюдает ИИ. Вы должны правильно разработать стратегию обработки данных, чтобы ваши инициативы в области ИИ принесли плоды.

Если ИИ собирается преобразовать ваш бизнес, ваша стратегия работы с данными должна объединять партнеров по данным, практики и платформы. Техническим руководителям следует пересмотреть способы получения данных, способы их использования и разработки для приложений и систем ИИ, а также то, как управление данными обеспечивает доверие к ИИ. В конечном счете, для создания системы объединенной аналитики компаниям необходим современный подход к данным, особенно в отношении трех компетенций.

Перейти к:

Стратегический поиск данных Операции с данными Управление ИИ

Стратегический поиск данных

Традиционно все предметные области охватывают и определяют основные концепции данных, такие как клиент и продукт. Традиционные домены данных являются монолитными и рассчитаны на все варианты использования. Хотя это упрощает управление данными, это, в свою очередь, мешает ИИ. Специалисты по данным борются с ограниченными областями данных, разработанными для бизнес-аналитики и отчетов о производительности. Чтобы модель машинного обучения выполнила задачу и приняла решение, требуется больше информации. Для описания объекта, поведения или результата требуется больше метаданных. А специалисты по данным полагаются на различные типы данных, помимо структурированных данных, таких как документы, электронные письма, изображения, видео и аудио, для создания возможностей ИИ.

Сегодня предметная область зависит от бизнес-цели, решения и результата. Сфера конкретная. ИИ заставляет ученых и распорядителей данных искать внутренние и внешние данные, которые являются релевантными, подходящими, высокого качества и допустимыми для использования. Современные корпоративные платформы данных должны поддерживать все корпоративные данные. Распорядители данных сотрудничают с учеными, занимающимися данными, чтобы не только идентифицировать данные от третьих лиц и партнеров, но и ориентироваться в условиях, условиях и стоимости. Рынок данных обеспечивает самообслуживание специалистов по данным, где данные, представления и политики готовы к использованию и применению.

Операции с данными

Исторически сложилось так, что архитектура данных, разработка и управление были сосредоточены на специализированных централизованных системах. Команды корпоративных данных занимались хранением данных и базами данных приложений. Данные перемещаются пакетами и бесконечно копируются. Централизованные системы удовлетворяют потребности бизнеса в едином источнике достоверной информации, но при этом создают сложность, стоимость и негибкость.

В будущем ученые и инженеры данных должны объединиться, чтобы подготовить итеративные обучающие данные для моделей машинного обучения и, в целом, для масштаба науки о данных. Инженеры данных используют ML для маркировки, классификации и аннотирования всех данных, чтобы сделать их готовыми для специалистов по данным. Затем специалисты по данным завершают последнюю проверку гигиены и подготовку данных для обучения. Партнерство между инженерами данных и учеными данных имеет еще одно преимущество: методы Agile и подходы CI/CD используются совместно и координируются. Каждая роль создает компоненты ИИ (т. е. модели, конвейеры и элементы управления). Затем ИИ можно компоновать и быстрее развертывать.

Управление ИИ

Традиционная аналитика часто развертывается и забывается. Управление данными — это второстепенная задача. Эти методы ставят ИИ в невыгодное положение. Машинному обучению обучает специалист по данным, но он учится и развивается в производственных приложениях. Изменение производительности и результатов ИИ постоянно. А автоматизированный ИИ может быстро масштабировать предвзятость и нежелательные результаты, когда он не контролируется и слабо регулируется.

Управление ИИ расширяет возможности и роли управления данными. Во-первых, введение уровня контроля гарантирует, что все машинное обучение, конвейеры, данные и обработка выполняются в соответствии с соглашением об уровне обслуживания. Политики, стандарты и бизнес-логика объединяются и зависят от опыта ИИ, а не от источника данных и структуры данных. Система прозрачна с возможностью наблюдения и возможностями ModelOps, что позволяет инженерам данных и машинного обучения получать доступ к данным и ландшафту ИИ. Во-вторых, заинтересованные стороны бизнеса и лица, принимающие решения, отслеживают, тестируют и оптимизируют данные, машинное обучение и ИИ в целом, чтобы соответствовать требованиям управления ИИ и бизнес-результатам.

ИИ больше не следует добавлять в цифровые системы в последнюю очередь; он определяет и стимулирует цифровую трансформацию. Специалисты по данным, ИИ и бизнесу играют роль в проектировании, разработке и владении ИИ. Подключенная интеллектуальная структура может помочь техническим лидерам обеспечить, чтобы их компании подняли ИИ до первоклассного статуса и, как следствие, сосредоточились в первую очередь на своей стратегии обработки данных.

Узнайте больше о ключевых элементах, из которых состоит стратегия обработки данных, ориентированная на ИИ.

Изображение: Мишель Гетц

Мишель Гетц, вице-президент и главный аналитик Forrester Research, обслуживает корпоративных архитекторов, директоров по данным и бизнес-аналитиков, пытающихся справиться со сложностями данных при ведении бизнеса, основанного на анализе данных. Ее исследования охватывают технологии искусственного интеллекта и консультации, семантические технологии, стратегию управления данными, управление данными и интеграцию данных. Мишель имеет более чем 20-летний опыт работы в области управления данными, бизнес-аналитики и аналитики.

---

Оригинал