Нажмите здесь, чтобы узнать больше о Хайне Крог Иверсен.

Все больше и больше компаний хотят использовать искусственные
интеллект (ИИ) в своей организации для улучшения операций и производительности.
Создание хорошего ИИ - это совсем другое дело.

Инициативы AI могут занять много времени и усилий, чтобы начать работу, часто превышая первоначальный бюджет и целевые сроки. Еще более тревожным является это оценки; (платный доступ), в котором утверждалось, что почти половина проектов ИИ даже не запущена в производство. Несмотря на этот риск, постоянно растущее число компаний инвестирует чрезмерное количество своих ресурсов в надежде извлечь выгоду из ИИ.

Многие проекты часто срываются, потому что их среда данных просто не подходит для AI. Та же проблема часто возникает и в программах машинного обучения (ML). Это не положительные признаки; Однако хорошая новость заключается в том, что есть шаги, которые организация может предпринять, чтобы исправить положение.

Хотя есть разные причины, почему ИИ
проекты терпят неудачу, одна из основных проблем, связанных с данными, с которыми сталкиваются компании
достижение хорошего ИИ можно объяснить низким качеством данных. Чтобы понять, сначала
давайте признаем, что низкое качество данных само по себе может нести единоличную ответственность за
значительная утечка ресурсов для компаний и виновник множества проблем
во всей организации. В качестве одного примера, менеджер по маркетингу пытается
разработать прямую рассылочную кампанию может быть очень сложно, если данные, используемые для
формулировать почтовую стратегию для потенциальных клиентов устарело, отсутствует
адреса или неправильно помечены.  

Наличие необходимых данных, обладающих
Добросовестность - необходимое условие успеха ИИ в компании. Когда организации оказываются в затруднительном положении
чтобы попытаться правильно подготовить свои данные после начала разработки ИИ,
они остаются с бюджетом и расходами ресурсов, выделенными на проект ИИ
это откладывается… во многих случаях приводит к значительным упущенным издержкам.  

К этому добавляется тот факт, что за последние несколько лет организации переход на аналитику самообслуживания. Это великое начинание, которое сейчас поддерживается большинством - бизнес-пользователи, которым нужны данные «на месте» для быстрого принятия решений, безусловно, теперь в их пользу; однако бизнес-пользователи не всегда являются лучшими хранителями для интерпретации уровня качества данных, которые они получают.

Учитывая эти встречи, многие компании решили просто развеять свои надежды на ИИ. Но разве отказ от белого флага ИИ - лучший способ действий? Различные отчеты, такие как эта статья в Гарвардский бизнес-обзор, указали, что наличие надежной программы искусственного интеллекта может стать настоящим стимулом для повышения корпоративной производительности. Так что видение достойное, и, безусловно, есть способ стабилизировать инициативу ИИ, чтобы способствовать успеху компании. Имея это в виду, вот три шага, которые помогут вам начать работу.

Во-первых, давайте посмотрим, что имея сильную Качество данных Ведь ваши исторические данные необходимы для создания надежной модели прогнозирования. Бизнес также должен учитывать свои более современные данные и объем будущих данных, которые поступят в организацию - все это также может повлиять на вашу прогнозную модель. По мере того как компании стремятся объединить огромное количество собранных данных с неструктурированными данными и более сложными наборами данных, потребность в качестве данных растет еще больше. Все эти данные должны строго соответствовать стандартам качества данных, и должны быть установлены методы для правильной идентификации, маркировки, описания, категоризации, устранения дублирования и т. Д.

Во-вторых, организации должны назначить человека (а)
для контроля качества корпоративных данных. Система обеспечения качества (ОК) должна быть
место, которое следует лучшим практикам, таким как наличие надлежащего протокола для управления метаданными.

В-третьих, технология доступна на
рынок, чтобы помочь предприятиям значительно сократить время, необходимое для создания и
поддерживать аналитические данные, используя возможности автоматизации для моделирования,
консолидировать, интегрировать и централизовать все данные вашей организации в
единый репозиторий, что упрощает подготовку данных для ИИ. С современными
инновации, компании теперь могут использовать этот тип технологии автоматизации
очищать, преобразовывать и моделировать данные в соответствии с предпочтениями их развертывания, будь то
локальное, гибридное, облачное, мультиоблачное или частное облако.

В общем, компании ищут
более быстрые и разумные способы доступа к их данным. А теперь, благодаря инвестициям в ИИ
программ эта потребность стала еще более распространенной. Компании жаждут
стратегические способы использования своих аналитических данных и ИИ, а также использование прогнозных
аналитики, чтобы помочь им решать проблемы, прогнозировать и прогнозировать, а также планировать
будущее.

Но это не заканчивается тем, что данные
Качество также важно для поддержки управления данными: создание гарантий для
обеспечить надлежащий доступ, контроль, безопасность и конфиденциальность; все из которых имеют решающее значение
компоненты, помогающие вашей организации соответствовать требованиям и соответствовать существующим и
будущие нормативные требования.

Забегая вперед, поскольку мы готовимся ко всему 2021 году,
вот призыв к действию: давайте начнем
год вперед, учитывая важность качества данных - понимание
как это влияет на ваши шансы на успех аналитики и искусственного интеллекта и какие шаги предпринимаются
чтобы гарантировать, что это достигается во всей вашей организации. И если ты цель
заключается в использовании полнофункционального ИИ для вашего бизнеса, эти усилия по обеспечению качества данных
поможет вам начать работу на более прочном фундаменте.

В качестве примечания, это гайд дает более широкий взгляд с советами о том, как попытаться улучшить свой успех при внедрении ИИ. 

Источник: https://www.dataversity.net/good-ai-in-2021-starts-with-great-data-quality/