Les organisations sont depuis longtemps confrontées au « problème éternel des données », c’est-à-dire à la manière de collecter, de stocker et de gérer la quantité massive de données générées par leur entreprise. Ce problème deviendra plus complexe à mesure que les organisations adopteront de nouvelles technologies gourmandes en ressources comme l’IA et généreront encore plus de données. D’ici 2025, l’IDC s’attend à ce que les données mondiales atteignent 175 zettaoctets, soit plus du double de notre seuil actuel.

Dans tout ce bruit, l’IA apparaît comme une option viable pour automatiser l’identification des modèles et des tendances. Cependant, malgré le brouhaha autour des applications d’IA innovantes comme ChatGPT et Bard, les entreprises doivent procéder avec prudence. Les données ne sont pas intrinsèquement déchiffrables, même par les algorithmes d’IA les plus avancés, et un problème peut provoquer un désastre. Par exemple, imaginez une banque utilisant l'IA pour faire correspondre et fusionner des noms sans règles déterministes définies et auditées : une erreur dans ce cas pourrait avoir de graves conséquences sur la réputation et le statut de conformité de la banque.

Lorsque les organisations déploient l’IA à l’échelle de l’entreprise, elles prennent des risques au niveau de l’entreprise. Ainsi, avant de prendre des mesures drastiques, les dirigeants doivent faire preuve de diligence raisonnable sur leurs systèmes pour garantir que leurs algorithmes avancés fonctionneront sur les informations les plus récentes et de haute qualité. Le secret pour y parvenir ? Une stratégie globale de synthèse et de gestion des données, qui peut être réalisée grâce à gestion des données de référence (MDM). 

Le déluge de données est un problème à l'échelle de l'entreprise

Nous vivons à l’ère du numérique dans laquelle les entreprises modernes génèrent plus de données que jamais. Diverses interactions courantes – notamment les transactions des clients et l’activité sur les réseaux sociaux – créent des réserves de données tentaculaires. De plus, les moyennes et grandes entreprises doivent regrouper les données générées sur plusieurs sites. Même les petites organisations doivent tenir compte de la prolifération des données créée par leur personnel distant ou hybride. 

Mais il ne suffit pas de générer ces données : les systèmes doivent également comprendre le

Cependant, de nombreuses entreprises n’utilisent pas efficacement leurs données parce que leurs outils, compétences ou ressources sont limités. Les dirigeants peuvent identifier les données mal gérées en effectuant un audit qui cible les problèmes courants suivants :

• Pratiques de stockage non durables : À mesure que la génération de données croît de manière exponentielle, les responsables informatiques et responsables des données auront du mal à les stocker et à les traiter.
• Trop de sources et d'outils : De nombreuses organisations résolvent le désarroi des données en adoptant de nouvelles technologies. Cependant, bon nombre de ces outils génèrent davantage de données au lieu de les analyser et de les stocker, ce qui entraîne davantage de chaos et de silos d’informations.
• Faible confiance : Lorsque les données ne sont pas validées, il est difficile de se fier à leur intégrité.

Malheureusement, les dirigeants sans véritable gestion des données la stratégie manque. Le Big Data fournit des informations essentielles. Par exemple, les données destinées aux consommateurs peuvent communiquer des informations sur le comportement des clients, tandis que les données logistiques peuvent contribuer à améliorer l’efficacité opérationnelle et à développer de nouveaux produits et services.

L'IA ne peut pas résoudre le désordre des données

De nombreux experts considèrent l’IA générative (GenAI) comme une passerelle vers une nouvelle ère de travail. Il est certain que GenAI changera la façon dont les employés interagissent avec leurs systèmes et accomplissent leurs tâches. Selon une étude du National Bureau of Economic Research (NBER), les intégrations GenAI contribuent à un Gain de productivité de 14 % parmi les agents du support client, les employés peu qualifiés bénéficiant des gains de productivité les plus significatifs. D'autres professionnels de l'économie de l'information ont constaté augmentations similaires de la productivité merci à GenAI.

Pourtant, la qualité des données limite considérablement le potentiel de GénAI. L’IA ne peut pas interpréter, catégoriser ou comprendre correctement les réserves de données si l’organisation d’hébergement n’a pas de stratégie de gestion. Pourquoi? Parce que les principaux outils d’IA, dont GenAI, subsistent grâce aux données pour contextualiser leur environnement ; Sans les bonnes informations, ces technologies avancées sont inutiles. En fait, selon le cas d’utilisation, les outils d’IA reposant sur des données désorganisées peuvent même nuire aux résultats commerciaux.

Pour illustrer, revenons à notre exemple précédent d'une banque utilisant GenAI pour synthétiser les dossiers de ses clients. Cette banque de taille moyenne compte un million de clients et s'appuie sur un système de gestion de données manuel. Un responsable informatique charge une nouvelle intégration GenAI de consolider les données clients en double alors qu'il cherche à rationaliser le plan cloud de son organisation.

Au cours de ce processus, l'intégration GenAI identifie plusieurs clients nommés Robert Smith et suggère un moyen de combiner tous les Robert Smith sans adresse active dans le fichier. Parce que la banque met en œuvre cette intégration rapidement et sans formation appropriée, ces fusions erronées sont approuvées par des modérateurs humains. Désormais, GenAI a absorbé des conseils trompeurs sur quand et pourquoi fusionner les informations client – ​​ce qui signifie que cette erreur sera commise à perpétuité, au moins jusqu'à ce qu'elle soit signalée par un modérateur du système et résolue. 

Cet exemple simplifié démontre le problème auquel les dirigeants seront confrontés s’ils utilisent GenAI pour réduire la désorganisation des données : l’IA ne peut pas créer de contexte. Les systèmes d’IA nécessitent une surveillance humaine et des lignes directrices solides pour fonctionner. Sans les données à leur place et dans leur format corrects, les systèmes d’IA généreront des résultats inexacts, créant des maux de tête pour les modérateurs humains et entravant les progrès.

MDM est une solution à long terme pour un problème à long terme

Les systèmes MDM sont le partenaire idéal pour GenAI car ces systèmes restaurent l’intégrité des données, fournissant à l’IA les connaissances préalables dont elle a besoin pour générer des résultats corrects. Dans notre exemple bancaire, MDM aurait pu nettoyer, analyser et trier les données de la banque avant l'intégration de GenAI. Grâce à une vue complète des données clients, GenAI pourrait se concentrer sur la création de résultats plus utiles, tels que la fourniture d'informations sur le comportement des clients ou l'identification de candidats à des tarifs et offres spéciaux.

Naturellement, les dirigeants de tous les secteurs sont enthousiasmés par les possibilités de GenAI. Cependant, devenir une organisation axée sur les données n’est pas un processus unique, et il n’existe pas de voie rapide vers une organisation et une gouvernance appropriées des données. Le seul moyen rapide d’adopter efficacement GenAI est peut-être de revoir les solutions MDM et d’adopter un outil offrant un immense délai de rentabilisation. Sinon, les dirigeants prendront probablement un raccourci qui leur coûtera cher, ainsi qu’à leur organisation.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://www.dataversity.net/why-master-data-management-mdm-and-ai-go-hand-in-hand/