Goede AI in 2021 begint met geweldige datakwaliteit

Klik hier voor meer informatie over Heine Krog Iversen.

Steeds meer bedrijven willen kunstmatige intelligentie (AI) in hun organisatie gebruiken om de bedrijfsvoering en prestaties te verbeteren. Het bereiken van een goede AI is een heel ander verhaal.

AI-initiatieven kunnen veel tijd en moeite kosten om van start te gaan, en overschrijden vaak het oorspronkelijke budget en de tijdsdoelen. Dit is nog verontrustender beoordeling (paywall) die beweerde dat bijna de helft van de AI-projecten de productie niet eens heeft gehaald. Ondanks dit risico investeert een voortdurend groeiend aantal bedrijven een buitensporig groot deel van hun middelen in de hoop waarde te halen uit AI.

Veel projecten lopen vaak ontspoord omdat hun data-omgeving dat is gewoon niet geschikt voor AI. Hetzelfde probleem doet zich ook vaak voor bij machine learning-programma’s (ML). Dit zijn geen positieve signalen; het goede nieuws is echter dat er stappen zijn die een organisatie kan nemen om het schip weer recht te zetten.

Hoewel er verschillende redenen zijn waarom AI-projecten mislukken, kan een van de grootste datagerelateerde uitdagingen waarmee bedrijven worden geconfronteerd bij het bereiken van goede AI worden toegeschreven aan een slechte datakwaliteit. Laten we, om dit te begrijpen, eerst aanvaarden dat een slechte datakwaliteit op zichzelf de enige verantwoordelijke kan zijn voor een aanzienlijke aanslag op bedrijven en de boosdoener van talloze problemen in een organisatie. Om maar een voorbeeld te noemen: een marketingmanager die een direct mailercampagne probeert te ontwikkelen, kan het erg moeilijk hebben als de gegevens die worden gebruikt om een ​​mailstrategie naar potentiële klanten te formuleren, verouderd zijn, adressen missen of onjuist zijn gelabeld.

Het hebben van essentiële gegevens die integriteit bezitten, is een voorwaarde voor AI om succesvol te zijn in een bedrijf. Wanneer organisaties moeite hebben om te proberen hun gegevens op de juiste manier voor te bereiden nadat ze met hun AI-ontwerp zijn begonnen, blijven er budget- en middelenuitgaven over die worden toegewezen aan een AI-project dat vertraging oploopt … in veel gevallen, wat leidt tot aanzienlijke alternatieve kosten.

Daarbij komt nog dat organisaties dat de afgelopen jaren zijn geweest overstappen op selfservice-analyse. Dit is een groot streven dat de meesten nu ondersteunen – zakelijke gebruikers die gegevens “ter plaatse” nodig hebben om snelle beslissingen te nemen, zijn er nu zeker voor; zakelijke gebruikers zijn echter niet altijd de beste bewaarders voor het interpreteren van het niveau van datakwaliteit van de informatie die ze ophalen.

Gezien deze ontmoetingen hebben veel bedrijven ervoor gekozen om hun AI-hoop alleen maar te doven. Maar is het afzien van de witte vlag van de AI de beste manier van handelen? Diverse rapporten, zoals dit artikel in Harvard Business Review, hebben aangegeven dat het hebben van een robuust AI-programma een echte drijfveer kan zijn voor sterkere bedrijfsprestaties. Dus de visie is waardevol, en er is zeker een manier om het AI-initiatief te stabiliseren om het bedrijfssucces te bevorderen. Met dat in gedachten, volgen hier drie stappen om u op weg te helpen.

Laten we eerst eens kijken of u sterk bent Data kwaliteit want uw historische gegevens zijn een must om over een formidabel voorspellend model te beschikken. Een bedrijf moet ook rekening houden met zijn modernere gegevens en de hoeveelheid toekomstige gegevens die de organisatie binnenstromen, wat allemaal ook van invloed kan zijn op uw voorspellende model. Nu bedrijven de talloze gegevens die ze hebben verzameld, willen koppelen aan ongestructureerde gegevens en meer geavanceerde gegevenssets, groeit de behoefte aan gegevenskwaliteit nog verder. Al deze gegevens moeten voldoen aan strikte naleving van de gegevenskwaliteitsnormen en er moeten methoden worden ingesteld om correct te identificeren, labelen, beschrijven, categoriseren, ontdubbelen, enz.

Ten tweede moeten organisaties een persoon / personen toewijzen om toezicht te houden op de gegevenskwaliteit van het bedrijf. Er moet een kwaliteitsborgingssysteem (QA) zijn dat de beste praktijken volgt, zoals het hebben van een goed protocol voor het beheren van metadata.

Ten derde is er technologie beschikbaar op de markt om bedrijven te helpen de tijd die nodig is om analytische gegevens te bouwen en te onderhouden aanzienlijk te verkorten door gebruik te maken van de kracht van automatisering om al uw organisatiegegevens te modelleren, consolideren, integreren en centraliseren in één enkele opslagplaats, waardoor het gemakkelijker om gegevens voor AI voor te bereiden. Met moderne innovatie kunnen bedrijven nu ook gebruikmaken van dit type automatiseringstechnologie om gegevens op te schonen, te transformeren en te modelleren voor hun implementatievoorkeur, of het nu gaat om on-premise, hybride, cloud, multi cloud of private cloud.

Over het algemeen zoeken bedrijven naar snellere, slimmere manieren om bij hun gegevens te komen. En nu, met de investering in AI-programma’s, komt deze behoefte nog meer voor. Bedrijven hebben honger naar strategische manieren om hun analysegegevens en AI te benutten, en om voorspellende analyses te gebruiken om problemen op te lossen, te voorspellen en te voorspellen en plannen te maken voor de toekomst.

Maar daar houdt het niet op, want datakwaliteit is ook essentieel voor het ondersteunen van datagovernance: het bouwen van waarborgen om te zorgen voor een goede toegang, controle, beveiliging en privacy; Dit zijn allemaal cruciale componenten om uw organisatie te helpen compliant te blijven en te voldoen aan bestaande en toekomstige wettelijke vereisten.

Vooruitkijkend, terwijl we ons voorbereiden op heel 2021, volgt hier een oproep tot actie: laten we het jaar goed beginnen door rekening te houden met het belang van datakwaliteit – begrijpen hoe dit uw kansen op analyses en AI-succes beïnvloedt en de nodige stappen nemen om ervoor te zorgen dat het wordt bereikt in uw hele organisatie. En als het uw doel is om volledig functionele AI voor uw bedrijf in te zetten, zullen deze inspanningen op het gebied van datakwaliteit u helpen om op een veel stevigere basis aan de slag te gaan.

Als een kanttekening, dit artikel biedt een bredere kijk met tips om te proberen uw succes voor AI-acceptatie te verbeteren.

Table of Contents

Vragen voor onze consultants?

Twijfel niet en neem direct contact met ons op met uw vraagstuk.