Οι οργανισμοί αγωνίζονται εδώ και καιρό με το «αιώνιο πρόβλημα δεδομένων» – δηλαδή πώς να συλλέγουν, να αποθηκεύουν και να διαχειρίζονται τον τεράστιο όγκο δεδομένων που παράγουν οι επιχειρήσεις τους. Αυτό το πρόβλημα θα γίνει πιο περίπλοκο καθώς οι οργανισμοί υιοθετούν νέες τεχνολογίες έντασης πόρων όπως η τεχνητή νοημοσύνη και δημιουργούν ακόμη περισσότερα δεδομένα. Μέχρι το 2025, η IDC αναμένει να φτάσει τα παγκόσμια δεδομένα 175 ζεταμπάιτ, υπερδιπλάσιο του τρέχοντος ορίου μας.

Σε όλο αυτό το θόρυβο, η τεχνητή νοημοσύνη ξεχωρίζει ως μια βιώσιμη επιλογή για την αυτοματοποίηση της αναγνώρισης μοτίβων και τάσεων. Ωστόσο, παρά τη φασαρία γύρω από τις καινοτόμες εφαρμογές τεχνητής νοημοσύνης όπως το ChatGPT και το Bard, οι επιχειρήσεις πρέπει να προχωρήσουν προσεκτικά. Τα δεδομένα δεν είναι εγγενώς αποκρυπτογραφήσιμα, ακόμη και από τους πιο προηγμένους αλγόριθμους τεχνητής νοημοσύνης, και ο λόξυγκας μπορεί να προκαλέσει καταστροφή. Για παράδειγμα, φανταστείτε μια τράπεζα να χρησιμοποιεί τεχνητή νοημοσύνη για την αντιστοίχιση και τη συγχώνευση ονομάτων χωρίς ντετερμινιστικούς κανόνες που περιγράφονται και ελέγχονται – ένα σφάλμα σε αυτήν την περίπτωση θα μπορούσε να έχει σοβαρές συνέπειες για τη φήμη και την κατάσταση συμμόρφωσης της τράπεζας.

Όταν οι οργανισμοί αναπτύσσουν τεχνητή νοημοσύνη σε επιχειρηματική κλίμακα, αναλαμβάνουν κινδύνους σε επίπεδο επιχείρησης. Ως εκ τούτου, προτού λάβουν δραστικά μέτρα, οι ηγέτες πρέπει να κάνουν τη δέουσα επιμέλεια στα συστήματά τους για να εξασφαλίσουν ότι οι προηγμένοι αλγόριθμοί τους θα λειτουργούν με τις πιο πρόσφατες και υψηλής ποιότητας πληροφορίες. Το μυστικό για να το κάνεις; Μια ολοκληρωμένη στρατηγική σύνθεσης και διαχείρισης δεδομένων, η οποία μπορεί να πραγματοποιηθεί μέσω κύρια διαχείριση δεδομένων (MDM). 

Η κατακλυσμός δεδομένων είναι ένα πρόβλημα σε όλη την επιχείρηση

Ζούμε σε μια ψηφιακή εποχή όπου οι σύγχρονες επιχειρήσεις παράγουν περισσότερα δεδομένα από ποτέ. Διάφορες συνηθισμένες αλληλεπιδράσεις – συμπεριλαμβανομένων των συναλλαγών πελατών και της δραστηριότητας των μέσων κοινωνικής δικτύωσης – δημιουργούν τεράστια αποθέματα δεδομένων. Επιπλέον, οι μεσαίες και μεγάλες επιχειρήσεις πρέπει να συγκεντρώνουν δεδομένα που δημιουργούνται σε πολλές τοποθεσίες. Ακόμη και οι μικροί οργανισμοί πρέπει να δώσουν προσοχή στην εξάπλωση των δεδομένων που δημιουργείται από το απομακρυσμένο ή υβριδικό εργατικό δυναμικό τους. 

Αλλά δεν αρκεί να δημιουργηθούν αυτά τα δεδομένα – τα συστήματα πρέπει επίσης καταλαβαίνω αυτό.

Ωστόσο, πολλές επιχειρήσεις δεν χρησιμοποιούν τα δεδομένα τους αποτελεσματικά επειδή τα εργαλεία, οι δεξιότητες ή οι πόροι τους είναι περιορισμένοι. Οι ηγέτες μπορούν να εντοπίσουν δεδομένα με ανεπαρκή διαχείριση διενεργώντας έλεγχο που στοχεύει στα ακόλουθα κοινά ζητήματα:

• Μη βιώσιμες πρακτικές αποθήκευσης: Καθώς η παραγωγή δεδομένων αυξάνεται εκθετικά, οι ηγέτες πληροφορικής και δεδομένων θα δυσκολεύονται να τα αποθηκεύσουν και να τα επεξεργαστούν.
• Πάρα πολλές πηγές και εργαλεία: Πολλοί οργανισμοί αντιμετωπίζουν τη αταξία δεδομένων υιοθετώντας νέες τεχνολογίες. Ωστόσο, πολλά από αυτά τα εργαλεία παράγουν περισσότερα δεδομένα αντί να αναλύουν και να αποθηκεύουν δεδομένα, οδηγώντας σε περαιτέρω χάος και ενημερωτικά σιλό.
• Χαμηλή εμπιστοσύνη: Όταν τα δεδομένα δεν επικυρώνονται, είναι δύσκολο να εμπιστευτείς την ακεραιότητά τους.

Δυστυχώς, οι ηγέτες χωρίς σωστή διαχείριση δεδομένων η στρατηγική λείπει. Τα μεγάλα δεδομένα παρέχουν κρίσιμες πληροφορίες. Για παράδειγμα, τα δεδομένα που αντιμετωπίζουν οι καταναλωτές μπορούν να μεταδώσουν πληροφορίες σχετικά με τη συμπεριφορά των πελατών, ενώ τα δεδομένα logistics μπορούν να βοηθήσουν στη βελτίωση της λειτουργικής αποτελεσματικότητας και στην ανάπτυξη νέων προϊόντων και υπηρεσιών.

Το AI δεν μπορεί να λύσει τη διαταραχή δεδομένων

Πολλοί ειδικοί προαναγγέλλουν το Generative AI (GenAI) ως τη γέφυρα σε μια νέα εποχή εργασίας. Σίγουρα, η GenAI θα αλλάξει τον τρόπο με τον οποίο οι εργαζόμενοι αλληλεπιδρούν με τα συστήματά τους και εκτελούν εργασίες. Σύμφωνα με μια μελέτη του Εθνικού Γραφείου Οικονομικών Ερευνών (NBER), οι ενσωματώσεις GenAI συμβάλλουν σε α Αύξηση παραγωγικότητας 14%. μεταξύ των πρακτόρων υποστήριξης πελατών, με υπαλλήλους χαμηλής ειδίκευσης να λαμβάνουν τα σημαντικότερα κέρδη παραγωγικότητας. Άλλοι επαγγελματίες στην οικονομία της πληροφορίας έχουν δει παρόμοιες αυξήσεις στην παραγωγικότητα χάρη στο GenAI.

Ωστόσο, η ποιότητα δεδομένων περιορίζει σοβαρά τις δυνατότητες του GenAI. Το AI δεν μπορεί να ερμηνεύσει, να κατηγοριοποιήσει ή να κατανοήσει σωστά τα αποθέματα δεδομένων εάν ο οργανισμός φιλοξενίας δεν έχει στρατηγική διαχείρισης. Γιατί; Επειδή τα κορυφαία εργαλεία τεχνητής νοημοσύνης, συμπεριλαμβανομένου του GenAI, βασίζονται σε δεδομένα για να διαμορφώσουν το περιβάλλον τους. Χωρίς τις κατάλληλες πληροφορίες για να αντλήσετε, αυτές οι προηγμένες τεχνολογίες είναι άχρηστες. Στην πραγματικότητα, ανάλογα με την περίπτωση χρήσης, τα εργαλεία τεχνητής νοημοσύνης που βασίζονται σε αποδιοργανωμένα δεδομένα μπορεί να είναι ακόμη και επιζήμια για τα επιχειρηματικά αποτελέσματα.

Για να το δείξουμε, ας επιστρέψουμε στο προηγούμενο παράδειγμά μας σχετικά με μια τράπεζα που χρησιμοποιεί το GenAI για να συνθέσει τα αρχεία των πελατών της. Αυτή η μεσαίου μεγέθους τράπεζα έχει ένα εκατομμύριο πελάτες και βασίζεται σε ένα μη αυτόματο σύστημα διαχείρισης δεδομένων. Ένας ηγέτης πληροφορικής αναθέτει σε μια νέα ενσωμάτωση GenAI να ενοποιήσει τα διπλά δεδομένα πελατών καθώς προσπαθούν να εξορθολογίσουν το σχέδιο cloud του οργανισμού τους.

Κατά τη διάρκεια αυτής της διαδικασίας, η ενσωμάτωση GenAI προσδιορίζει αρκετούς πελάτες που ονομάζονται Robert Smith και προτείνει έναν τρόπο συνδυασμού όλων των Robert Smith χωρίς ενεργή διεύθυνση στο αρχείο. Επειδή η τράπεζα εφαρμόζει αυτήν την ενσωμάτωση γρήγορα και χωρίς την κατάλληλη εκπαίδευση, αυτές οι λανθασμένες συγχωνεύσεις εγκρίνονται από ανθρώπινους συντονιστές. Τώρα, το GenAI έχει απορροφήσει παραπλανητικές οδηγίες σχετικά με το πότε και γιατί να συγχωνεύσει τις πληροφορίες πελατών – που σημαίνει ότι αυτό το σφάλμα θα διαπράττεται στο διηνεκές, τουλάχιστον, μέχρι να επισημανθεί από έναν συντονιστή συστήματος και να αντιμετωπιστεί. 

Αυτό το απλοποιημένο παράδειγμα καταδεικνύει το πρόβλημα που θα αντιμετωπίσουν οι ηγέτες εάν χρησιμοποιήσουν το GenAI για να μειώσουν την αποδιοργάνωση δεδομένων: η τεχνητή νοημοσύνη δεν μπορεί να δημιουργήσει πλαίσιο. Τα συστήματα τεχνητής νοημοσύνης απαιτούν ανθρώπινη επίβλεψη και ισχυρές οδηγίες για τη λειτουργία τους. Χωρίς δεδομένα στη σωστή τους θέση και μορφή, τα συστήματα τεχνητής νοημοσύνης θα παράγουν ανακριβή αποτελέσματα, δημιουργώντας πονοκεφάλους στους ανθρώπινους συντονιστές και παρεμποδίζοντας την πρόοδο.

Το MDM είναι μια μακροπρόθεσμη λύση για ένα μακροπρόθεσμο πρόβλημα

Τα συστήματα MDM είναι ο τέλειος συνεργάτης για το GenAI, επειδή αυτά τα συστήματα αποκαθιστούν την ακεραιότητα των δεδομένων, παρέχοντας στην τεχνητή νοημοσύνη την προηγούμενη γνώση που χρειάζεται για τη δημιουργία σωστών εξόδων. Στο τραπεζικό μας παράδειγμα, η MDM θα μπορούσε να έχει καθαρίσει, αναλύσει και ταξινομήσει τα δεδομένα της τράπεζας πριν από την ενσωμάτωση του GenAI. Με μια ολοκληρωμένη άποψη των δεδομένων πελατών, η GenAI θα μπορούσε να επικεντρωθεί στη δημιουργία πιο χρήσιμων αποτελεσμάτων, όπως η παροχή πληροφοριών για τη συμπεριφορά των πελατών ή ο εντοπισμός υποψηφίων για ειδικές τιμές και προσφορές.

Όπως είναι λογικό, οι ηγέτες όλων των βιομηχανιών είναι ενθουσιασμένοι από τις δυνατότητες του GenAI. Ωστόσο, το να γίνεις οργανισμός με γνώμονα τα δεδομένα δεν είναι μια απλή διαδικασία και δεν υπάρχουν γρήγορες λωρίδες για σωστή οργάνωση και διακυβέρνηση δεδομένων. Ίσως ο μόνος γρήγορος τρόπος για την αποτελεσματική υιοθέτηση του GenAI είναι η αναθεώρηση των λύσεων MDM και η υιοθέτηση ενός εργαλείου με μια τεράστια πρόταση χρόνου προς αξία. Διαφορετικά, οι ηγέτες πιθανότατα θα ακολουθήσουν μια συντόμευση που θα τους κοστίσει -και στην οργάνωσή τους- πολύ.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.dataversity.net/why-master-data-management-mdm-and-ai-go-hand-in-hand/