mk_maturingdg_102020.jpg

Ouder worden van gegevensbeheer en gegevensgeletterdheid om organisaties beter van dienst te zijn

Het volwassen worden van Data Governance betekent dat de opvatting en het beheer van een organisatie over haar gegevensactiva groeit, van een beperkt IT-projectconcept tot de bredere business. Organisaties kunnen deze aanpak niet langer negeren terwijl ze verder rijden digitaal transformeren, de bedrijfsefficiëntie en -effectiviteit verbeteren door middel van digitalisering en human resources. Al-Ruithe, et al. hamer dit punt naar huis door te stellen dat onderzoekers en praktijkmensen vaak de IT-governance die rond hardware en applicaties draait, verwarren met Gegevensbeheer.

Deze warboel van IT en Data Governance kan worden begrepen naarmate de technologie zichtbaarder lijkt binnen een digitaal transformatieproject. Denk aan Amazon en stel je een website voor waar klanten dingen kopen. Kopen een sneaker via de Nike-app op je telefoon en beschouw het als de digitale transformatie. Vervolgens wordt Data Governance toegewezen aan een bepaald IT-project of box op het enterprise Data Architecture-model.

Helaas stemmen veel organisaties Data Governance niet goed af op de zakelijke behoeften. Volgens The DATAVERSITY® Trends in Data Management 2020-rapportzei ongeveer 83% van de deelnemers aan de enquête dat hun organisatie ofwel een Data Governance had of er plannen voor had. Maar slechts 7,34% had Data Governance op een hoog niveau van volwassenheid. Zoals Jenny Schultz van Freddie Mac: “we hebben meer dan een paar keer geprobeerd het ‘data-ding’ te doen, gedreven door IT, maar het bleef nooit hangen omdat het bedrijf de waarde van het beheer ervan niet inzag.”

Dus, hoe kan een bedrijf zijn Data Governance volwassener maken om het bedrijf beter van dienst te zijn? Uit onderzoek komen ten minste vier gemeenschappelijke thema’s naar voren:

Verbind gegevensstrategie en gegevensbeheer

Volwassen organisaties aansluiten een zakelijke datastrategie met datagovernance. Ze bereiken dit doel door verder te kijken dan data-assets voor individuele projecten om te dienen en mee te evolueren met het bedrijf. Jeff Fuller schrijft in het North Carolina Medical Journal dat organisaties moeten weten welke gegevensbeheerstatistieken van belang zijn door zich opnieuw af te stemmen op de prioriteiten van de gegevensstrategie. Wanneer bedrijven kortzichtig worden door zich alleen te concentreren op datasets die het gemakkelijkst beschikbaar zijn, lijdt het vermogen om de zakelijke context van morgen te voorspellen of ermee om te gaan. Aan de andere kant, wanneer organisaties een goed afstemmen Gegevensstrategie met Data Governance richten ze zich op de kritieke gegevensactiva die de onderneming dienen.

Naast het beter aanpassen van informatie aan toekomstige bedrijfsbehoeften, vergroot de koppeling van de datastrategie met datagovernance het begrip van hoe goed het deze ondersteunt. Donna Burbank van Global Data Strategy, Ltd., creëerde een visual die een top-down en bottom-up zakelijk perspectief van datastrategie, technologie en datagovernance beschrijft.

Afbeelding tegoed: Wereldwijde datastrategie

Bijvoorbeeld, CEMEX ontwikkelde een datagedreven strategie met de hulp van Burbank. Het draaide om de klantervaring, vanaf het eerste contact tot de verkoop. CEMEX evalueerde zijn bestaande governance op zijn datastrategie en herbestemde het met behulp van “… kleine en flexibele digitale teams om prioriteit te geven aan projecten en verschillende interne klanten af ​​te stemmen op een gemeenschappelijk doel.” Door dit initiatief heeft CEMEX zijn datagovernance volwassen gemaakt in symmetrie met de CEMEX-datastrategie, door het beheer opnieuw af te stemmen op de bedrijfsdoelen.

Gebruik een Data Governance Maturity Model

Om te weten hoe Data Governance volwassen kan worden in de richting van een zakelijke mentaliteit, moet naast de Data Strategy, de uitvoering van Data Governance worden vergeleken met wat het voorheen was en met algemeen bekende best practices. Het betekent periodiek en objectief Data Governance beoordelen aan de hand van een volwassenheidsmodel.

Er bestaan ​​verschillende modellen met een duidelijke nadruk op verschillende doelen. Gartner, IBM, het Capability Maturity Model of Integration (CMMI), en het Data Management Maturity (DMM) -model vertegenwoordigen enkele veelvoorkomende voorbeelden. Het kiezen van een goed model hangt af van zakelijke uitdagingen, structuur en cultuur.

Bijvoorbeeld, moest de staat Arizona, een gedecentraliseerde regering die werkt op basis van consensus tussen instanties, een manier vinden om gegevens beter te delen. Jeff Wolkove en zijn team werkten aan een oplossing voor het probleem van Arizona. Ze gebruikten uiteindelijk een algemeen aanvaarde en gestandaardiseerde standaard voor gegevensbeheer, de Volwassenheid gegevensbeheer (DMM) model van CMMI (zie onderstaand diagram).

Afbeelding tegoed: Blauwdruk voor gegevens

Jeff en zijn team kozen voor het DMM CMMI-model om technologieneutrale feedback te geven aan de staat met handige tools om hun aanpak aan te passen. Tijdens de implementatie van het CMMI-model is een State-wide Executive Governance Council ontwikkeld, samen met een Data Stewardship-cursus.

De training leverde nuttige inhoud op voor het IT- en bedrijfspersoneel. Specifieke vaardigheden zorgden voor gegevensbeheer en een werkrelatie tussen IT en het bedrijfsleven, en zorgden ook voor een grotere datavolwassenheid van de staat Arizona.

Het belangrijkste is dat de staat Arizona een datavolwassenheidsmodel heeft gevonden dat voor zijn bedrijf werkte. In sommige gevallen moeten organisaties er een helemaal opnieuw opzetten. Bijvoorbeeld de regering van Zuid-Afrika had Data Governance nodig ter ondersteuning van de integratie van complexe datastromen en diverse behoeften van belanghebbenden. In de tussentijd hebben de overheidsdiensten weinig of geen Data Governance geïmplementeerd. Om grip te krijgen op zijn gegevensactiva en te zorgen voor een gedegen besluitvorming, ontwikkelden onderzoekers een Data Governance-volwassenheidsmodel, de DGMEM, en adviseerden dit. De DGMEM identificeerde hiaten en creëerde “bewustzijn van gegevensbeheerprocessen en de negatieve implicaties van niet-beheerde gegevens …” in de provincie Oost-Kaap in Zuid-Afrika. Organisaties moeten dus bedenken hoe een volwassenheidsmodel past bij de zakelijke behoeften.

Bouw geloofwaardige gegevensbeheer van bovenaf

Hoewel het gebruik van een volwassenheidsmodel kan helpen, vereist Data Governance geloofwaardigheid in de hele onderneming, vooral bij het bedrijf. Michele Goetz van Forester uitgelegd:

“Het doel van Data Governance is om geïnteresseerde partijen te katalyseren om een ​​cultuur van participatie, ondersteuning en duurzaamheid voor dataconformiteit en waarde op te bouwen.”

Dat vertrouwen krijgen kan moeilijk zijn, zoals onderzoekers aantonen. Een DATAVERSITY®-respondent zei bijvoorbeeld:

“We zien dat data governance noodzakelijk is om te slagen als een wereldwijd bedrijf. Maar sommige groepen in het bedrijf verzetten zich tegen de veranderingen die ermee gepaard gaan. ”

Gebouw Gegevensbeheer geloofwaardigheid komt ook voort uit de acties van het uitvoerende leiderschap om dit te ondersteunen. Het afgelopen jaar hebben organisaties de betrokkenheid van het senior management bij datamanagement vergroot. De Trends in Data Management 2020 rapporteren een stijging van de Chief Data Officer (CDO), 8,62%, als drijfveer voor Data Management voor de onderneming. Terwijl veel datamanagementinitiatieven nog steeds worden aangestuurd door IT; het onderzoek heeft geleid tot meer betrokkenheid van het bedrijfsleven, waaronder een Chief Financial Officer (CFO), Chief Accounting Officer (CAO) en Chief Operating Officer (COO). Deze verschuiving naar bedrijfsmanagers belooft meer vertrouwen in Data Governance.

Freddie Mac, een hypotheekfinancieringsbedrijf, ontdekte hoe het ondersteunen van bedrijven een Data Governance-merk maakte dat zou blijven en betrouwbaar zou zijn. Jenny Schultz en Stephanie Grimes van Freddie Mac zagen de geloofwaardigheid van Data Governance niet als een technologisch probleem, maar als een ‘communicatieprobleem tussen mensen en cultuur’. Ze haalden de juiste mensen erbij en communiceerden een datagovernanceprogramma op basis van de behoeften van het bedrijf. Freddie Mac’s hoofd van de door zaken gesteunde Schultz en Grimes is van plan verder te gaan. Terwijl Schultz en Grimes de feedback van andere werknemers in dienst namen en integreerden, werd degenen die niet wilden veranderen van het bedrijf ten goede, door het hoofd van het bedrijf verteld om mee te doen. Door de aanpak van Schultz en Grimes groeide het vertrouwen in Freddie Mac’s Data Governance en evolueerde dit naar een breder perspectief van zakelijke oplossingen.

Toon de waarde van datagovernance door middel van collectieve datageletterdheid

De geloofwaardigheid van gegevensbeheer bij het bedrijf moet worden voortgezet, en collectieve datageletterdheid maakt dit mogelijk. De Data Governance-structuur die tijdens het ene project werkte, moet worden toegepast en aangepast aan andere en moet omgaan met toekomstige hoge datakwaliteit en toegankelijkheid behoeften

collectieve datageletterdheid zorgt voor een gedeeld begrip en een gedeelde taal over het lezen, interpreteren, gebruiken en discussiëren met bedrijfsgegevens. Door de collectieve datageletterdheid te vergroten, blijft datagovernance levend en betrouwbaar, waardoor IT en het bedrijfsleven kunnen samenwerken.

Vanessa Lam, Optoro’s Business Intelligence Manager, herbeoordeeld en verbeterde gegevensbeheer. Ze identificeerde drie problemen onder bedrijfsanalisten: “angst voor gegevens, inconsistent gebruik van vocabulaire en statistieken, en wantrouwen ten opzichte van gegevens.” Ze werkte achteruit van deze problemen naar herstel, ook op lange termijn Gegevensbeheer processen. Optoro maakte van collectieve datageletterdheid een prioriteit voor nieuwe medewerkers, bestaande analisten en anderen binnen het bedrijf. Het educatieve programma versterkte de communicatie, het begrip van metrics en een ticketsysteem om feedback te geven. Deze aanpak demonstreerde de continue waarde en flexibiliteit van Data Governance.

Zoals bovenstaande voorbeelden laten zien, kunnen organisaties vastlopen in het naderen Gegevensbeheer vanuit een informatietechnologie kortetermijnprojectperspectief. Om volwassen te worden, hebben organisaties een bredere zakelijke benadering van Data Governance nodig. Het afstemmen van datagovernance op een goede datastrategie, het kiezen van een datavolwassenheidsmodel, het opbouwen van geloofwaardigheid en het tonen van waarde door middel van collectieve datageletterdheid helpt organisaties om af te stappen van een IT-projectperspectief naar het voordeel van de onderneming en het digitaal transformeren ervan.

Afbeelding gebruikt onder licentie van Shutterstock.com

mk_dataliteracy_2019.jpg

Wat is datageletterdheid? – DATAVERSITEIT

Datageletterdheid beschrijft het vermogen om gegevens te lezen, ermee te werken, te analyseren en te argumenteren, volgens Raul Bhargava en Catherine D’ignazio van MIT en Emerson College.

Gemakkelijke toegang tot datasets is essentieel om deze te oefenen vaardigheden. Alle werknemers in een organisatie die betrokken zijn bij datagestuurde beslissingen, moeten leren kritisch na te denken over de gegevens die ze gebruiken voor analyses en hoe ze de resultaten van hun werk beoordelen en interpreteren. Een zakelijk team zou bijvoorbeeld kunnen ontdekken waar gegevens verduidelijking nodig hebben voor een project. Augmented analytics Het is belangrijk voor datageletterdheid om snel kritische data aan te bieden en rapporten begrijpelijker te maken. Bedrijven moeten stappen ondernemen om onderwijzen hun medewerkers om datageletterd te worden.

Andere definities van datageletterdheid zijn onder meer:

  • “Mensen betrekken, zodat hun acties en beslissingen leiden tot betere besluitvorming voor de organisatie.” (Met Amber Lee Dennis)
  • “De mogelijkheid hebben om gegevens in context te lezen, schrijven en communiceren, inclusief inzicht in gegevensbronnen en constructies, toegepaste analytische methoden en technieken, en de mogelijkheid om de use case, toepassing en resulterende waarde te beschrijven.” (Gartner)
  • “Gegevens effectief gebruiken voor zakelijke acties en resultaten.” (Forbes)
  • “Zinvolle informatie afleiden uit gegevens, net zoals geletterdheid in het algemeen, het vermogen is om informatie af te leiden uit het geschreven woord.” (Techtarget)
  • Begrijpen wat gegevens betekenen: inclusief het lezen van grafieken, het trekken van de juiste conclusies en het herkennen wanneer gegevens worden gebruikt op een misleidende of ongepaste manier ”. (Eastern Michigan University)

Voorbeelden van datageletterdheid zijn:

  • De … gebruiken Adoptief kader om een ​​datageletterdheidsprogramma te maken.
  • Een medewerker die met spreadsheets werkt, leert waarom een ​​set gegevens tot een beslissing heeft geleid, krijgt een beter begrip van het bedrijfsdomein of pleit voor een andere handelwijze.
  • Een werkteam ziet waar gegevens verduidelijking nodig hebben voor een project.

Bedrijven hebben medewerkers met gegevenskennis nodig om:

  • Communiceer in een gemeenschappelijke taal van gegevens om gesprekken erover beter te begrijpen
  • Spoor onverwachte operationele problemen op en identificeer de hoofdoorzaken
  • Voorkom het nemen van slechte beslissingen door verkeerde interpretatie van gegevens

Afbeelding gebruikt onder licentie van Shutterstock.com

Scott-Taylor_300x224.png

Hoe u gegevensbeheer kunt verbinden met de essentie van uw bedrijf

Klik voor meer informatie over auteur Scott Taylor.

De videoblogserie Data Rants begint met de host Scott Taylor “The Data Whisperer.” De serie behandelt enkele van de meest prominente vragen in datamanagement, zoals masterdata, het verschil tussen masterdata en MDM, ‘waarheid’ versus ‘betekenis’ in data, datakwaliteit en nog veel meer.

In de videoblog van vandaag bespreekt Scott hoe u ervoor kunt zorgen dat u uw zakelijke prioriteiten afstemt op uw behoeften op het gebied van gegevensbeheer.

Keith_Foote_600x448.jpg

Chatbots begrijpen – DATAVERSITY

Klik voor meer informatie over auteur Keith D. Foote.

Sinds kort is er een nieuwe tool beschikbaar om met klanten en potentiële klanten te communiceren. Het wordt een chatbot genoemd en het vereenvoudigt de interacties tussen computers en mensen. Chatbots bieden bedrijven een nieuwe en opwindende manier om in de onmiddellijke behoeften van potentiële klanten te voorzien. Chatbots kunnen 24 uur per dag in realtime reageren op online vragen, terwijl menselijke werknemers zich concentreren op ander werk of wanneer het bedrijf gesloten is. Verschillende organisaties, waaronder Facebook, Google, Amazon, Apple en Microsoft, hebben hun eigen chatbots ontwikkeld. Chatbots zijn ook een populaire tool geworden voor banken.

Chatbots worden door sommigen beschouwd als de op het randje van computers die interactie hebben met mensen. Het beantwoorden van vragen in natuurlijke taal is een gemeenschappelijk doel van bedrijven die 24-uursservice tegen minimale kosten aanbieden. Vanuit technologisch perspectief vertegenwoordigen chatbots de volgende logische stap in de evolutie van “vraag- en antwoord” -systemen die gebruik maken van natuurlijke taalverwerking (NLP). Door het ontwerp verzamelt een chatbot gedragsinformatie van zijn gebruikers, waardoor deze zich intelligenter kan ontwikkelen en op vragen kan reageren. Zo traint het zichzelf om geleidelijk beter te worden in zijn werk. Naarmate de chatbot ervaring opdoet, blijft hij verbeteren.

Chatbots zijn populair geworden omdat ze consumenten normaal gesproken snelle, intelligente antwoorden op hun vragen bieden. Als mensen een vraag stellen, willen ze over het algemeen niet 24 uur wachten op een antwoord, maar krijgen ze liever een onmiddellijke reactie. Chatbots bieden die service. Als een klant geen snel antwoord krijgt, gaan ze meestal verder en doen ze hun aankoop op een andere website (een die hun vragen beantwoordt). Door direct te reageren, houden chatbots klanten betrokken en vergroten ze de kans dat ze een aankoop doen.

Een chatbot installeren

Er zijn verschillende benaderingen die kunnen worden gebruikt bij het installeren en integreren van een chatbot. Om de effectiviteit te maximaliseren, moet een chatbot worden ontworpen met het oog op een specifiek klantenbestand (of specifieke medewerkers). Afhankelijk van waarvoor het wordt gebruikt, zijn sommige platforms betere keuzes dan andere. De verschillende technologieën, zoals machine learning, natuurlijke taalverwerking, en semantisch begrip, kan worden aangepast om communicatie te bieden die nuttig is voor specifieke klantenbestanden.

Het installeren en implementeren van een chatbot is eigenlijk vrij eenvoudig. Omdat chatbots steeds populairder worden, is er ook een groot aantal tools beschikbaar gekomen om ze te bouwen en te implementeren. Dit zijn enkele van de beschikbare tools en sjablonen:

  • Landbot biedt een zeer efficiënte, gebruiksvriendelijke interface voor het maken van chatbots die kunnen worden geïntegreerd met andere services, waaronder Twitter, Slack en Facebook. Dit is een geweldige optie voor bedrijven die op verschillende platforms met hun klanten willen communiceren.
  • Chatfuel concentreert zich op Facebook-integratie. Deze dienst ondersteunt bots voor reacties van Facebook Messenger en gaat verder dan de standaard chatantwoordfuncties die normaal door Facebook worden gebruikt.
  • Sequel richt zich ook op Facebook. Deze dienst ondersteunt slepen en neerzetten voor het maken van bots.
  • Botsify ondersteunt chatbots die kunnen worden geïntegreerd met WordPress-sites. Botsify-chatbots zijn flexibeler en aanpasbaarder dan veel andere versies.
  • ManyChat is ook gericht op Facebook, maar dit platform is opmerkelijk gebruiksvriendelijk.

Hoe chatbots werken

Een chatbot gebruikt machine learning-software om gesprekken (of chats) tussen mensen en computers te ondersteunen via websites, mobiele apps, berichtentoepassingen of de telefoon. Twee verschillende taken (analyse van gebruikersverzoeken en het terugsturen van de respons) worden uitgevoerd door de chatbot. Een gebruikersverzoekanalyse identificeert de intentie van de gebruiker en zoekt en extraheert vervolgens de relevante gegevens. Het doel van de chatbot is om een ​​passend antwoord te geven op het verzoek. (Als het verzoek niet wordt begrepen, kan de chatbot het juiste antwoord niet geven.)

Bij het terugsturen van de reactie streeft de chatbot naar de meest geschikte reactie. Het antwoord kan zijn in de vorm van:

  • Tekst opgehaald uit een database met verschillende gestandaardiseerde antwoorden
  • Opgeslagen gegevens in bedrijfssystemen
  • Gecontextualiseerde informatie (informatie die in context is, op basis van de verstrekte gegevens)
  • Een vraag die de chatbot helpt de vraag van de gebruiker te begrijpen
  • Verbale reacties

Beveiligingsproblemen rond chatbots

Helaas bieden chatbots hackers nog een andere manier om toegang te krijgen tot privé- en vertrouwelijke informatie, die is opgeslagen op de website van het bedrijf. De locatie van gevoelige gegevens, hoe lang deze zijn opgeslagen, wie toegang heeft en hoe de gegevens worden gebruikt, zijn Veiligheidsproblemen die potentiële risico’s worden. Dit geldt met name voor sterk gereguleerde bedrijfstakken die zeer gevoelige informatie verwerken, zoals financiën en gezondheidszorg. Voordat een chatbot wordt opgezet, moet een organisatie regels opstellen over de verzamelde gegevens. Volgens Chaitanya Hiremath, CEO van Scanta:

“We geven steeds meer verantwoordelijkheid aan chatbots om gesprekstaken te automatiseren die mensen eerder hebben uitgevoerd. Deze gesprekken werden vroeger gevolgd door supervisors, managers en goed oud gezond verstand om gedrag te sturen. Dit wordt nu geautomatiseerd door op machine learning getrainde systemen die 24 × 7 zonder toezicht op de achtergrond draaien. Het goede nieuws is dat we kosteneffectieve hyperproductiviteit uit deze systemen kunnen halen. Het slechte nieuws is dat slechte actoren deze systemen kunnen vergiftigen en manipuleren en grootschalige schade kunnen aanrichten. “

Chaitanya vervolgt:

“Neem bijvoorbeeld het geval van de Microsoft Tay-chatbot die is ontworpen om te leren van de interactie met zijn gebruikers. Hackers vergiftigden de chatbot met racistische en vrouwonvriendelijke opmerkingen en binnen een paar dagen begon Tay deze hatelijke gesprekken na te bootsen. Denk nu eens aan andere mogelijke gevallen waarin u gehackt advies krijgt van een bankrobeadviseur of een zorgadviseurbot. Zou u op een enquêtekoppeling klikken die een chatbot voor klantenservice u heeft verstrekt? We vertrouwen e-mail niet meer, maar wel chatbots? “

Chatbot veiligheidsrisico’s kunnen over het algemeen worden onderverdeeld in twee categorieën: kwetsbaarheden en bedreigingen. Zelfs systemen met strakke beveiligingssystemen hebben potentiële kwetsbaarheden en kunnen het risico lopen te worden blootgesteld aan aanvallen. Kwetsbaarheden zijn doorgaans langetermijnkwesties die regelmatig moeten worden aangepakt. Het wijzigen van wachtwoorden, het bijwerken van de toegang van werknemers en het sluiten van achterdeuren zijn allemaal stappen die nodig zijn om zwakke punten te elimineren waardoor het systeem kan worden geopend en gecompromitteerd. Particuliere platforms hebben normaal gesproken volledige controle over hun beveiliging. Openbare chatbots veranderen de situatie echter drastisch. Chatbots worden vaak onbemand gelaten (dat is hun doel), wat hackers de tijd geeft om elke beschikbare toegang te vinden en te gebruiken.

Op de vraag waarom chatbots zo kwetsbaar zijn voor aanvallen, antwoordde Chaitanya Hiremath:

“Allereerst zijn deze systemen meestal ofwel gebouwd op open-source machine learning-modellen en getraind op open-source datasets, ofwel gebouwd op openbaar toegankelijke AI-as-a-Service-platforms. Dit geeft slechte acteurs de blauwdrukken die ze nodig hebben om een ​​systeem te onderzoeken, zwakke punten te ontdekken en een aanval uit te voeren. Ten tweede verzamelen chatbots voortdurend nieuwe informatie om van te leren. Dit maakt ze op een unieke manier kwetsbaar om te leren van vergiftigde gegevens die zijn verzameld van kwaadwillende gebruikers. Ten slotte worden de gesprekken die op deze chatbots worden gevoerd vrijwel niet gecontroleerd. Bedrijven vertrouwen erop dat gebruikers legitiem een ​​chatbot gebruiken en het systeem niet aanvallen. En gebruikers vertrouwen erop dat de output van de chatbot legitiem is, aangezien deze afkomstig is van een vertrouwd bedrijf. “

Aanvallen op machine learning worden ook wel vijandige aanvallen genoemd. Traditionele technieken, zoals uitval en gewichtsverlies, bieden over het algemeen geen bruikbare verdediging tegen vijandige aanvallen. Op dit moment lijken er slechts twee verdedigingen te zijn:

  • Tegenstrijdige training: Een ML trainingsoplossing dat genereert veel voorbeelden van vijandige aanvallen en traint het model om te voorkomen dat ze door elk van hen worden misleid. Open-source versies van vijandige training zijn beschikbaar in het cleverhans bibliotheek.
  • Defensieve destillatie: Deze strategie traint het model om output “waarschijnlijkheden” van verschillende klassen te bieden, in plaats van moeilijke beslissingen te nemen over welke klasse moet worden uitgevoerd. Deze kansen zijn afkomstig van een eerder model dat voor dezelfde taak is getraind met behulp van harde klassenlabels. Het proces creëert een model dat is getraind om zich tegen deze inspanningen te verdedigen, waardoor het voor hackers moeilijk wordt om het systeem aan te vallen. (Oorspronkelijk was distillatie geïntroduceerd in “Distilling the Knowledge in a Neural Network”, beschreven als een compressietechniek van een model, waarbij een klein model wordt getraind om een ​​groter model te imiteren in een poging om computerefficiëntie te verkrijgen.)

De twee belangrijkste methoden voor het verkrijgen van chatbotbeveiliging zijn authenticatie en autorisatie. Authenticatie verwijst naar het verificatieproces van de gebruikersidentiteit, terwijl autorisatie beschrijft het geven van toestemming aan specifieke gebruikers, hen in staat stellen om specifieke taken uit te voeren of toegang te verlenen tot een portaal. Bovendien heeft Scanta (het bedrijf waarvan Chaitanya Hiremath CEO is) een krachtige beveiligingslaag voor chatbots ontwikkeld met behulp van kunstmatige intelligentie. Het wordt het VA-schild genoemd en Chaitanya beschreef het als volgt:

“Het is een SaaS-beveiligingsoplossing die een verbeterde laag van realtime supervisie op gespreksniveau biedt om aanvallen op chatbots te voorkomen. Bedrijven kunnen beleid aanpassen om verdachte gesprekken te controleren, analyseren of blokkeren om kwaadwillig gebruik te stoppen en te voorkomen dat gecompromitteerde systemen vertrouwelijke, valse of ongepaste informatie vrijgeven. Deze beveiligingsoplossing werkt door een kritisch Zero Trust-beveiligingsraamwerk toe te voegen aan chatbotsystemen waardoor ze soepel en veilig blijven werken. “

Tot slot

Hoewel chatbots voor klantenservice de kosten verlagen, kunnen de verbeteringen die ze aanbrengen in de klantervaring ook een aanzienlijke positieve impact hebben. Chatbots zijn 24/7 toegankelijk en beantwoorden vragen vaak sneller dan mensen. Chatbots zijn het meest effectief wanneer ze worden gebruikt in klantenservicetoepassingen voor dienstverlenende industrieën, zoals de detailhandel, reizen en telecom. Chatbots zijn voorspelbaar waardevoller voor bedrijven die duizenden telefoontjes van klanten afhandelen, in plaats van 4 of 5 oproepen per week.

Chatbot-beveiliging is een probleem dat “moet” worden aangepakt.

Voor organisaties die een groot aantal verzoeken verwerken, kan de impact van een chatbot aanzienlijk zijn. Bank of America beschrijft bijvoorbeeld een toename van 7 tot 10 miljoen gebruikers in zes maanden. Dit werd veroorzaakt door de lancering van proactieve inzichten (ook bekend als Erica). Erica biedt klanten begeleiding en aanbevelingen op basis van hun specifieke gedrag, wat hen helpt om met hun geld om te gaan.

Christian Kitchell, AI Solutions en Erica executive bij Bank of America verklaarde:

“Binnen een maand na lancering inzichten, we zagen een meer dan twee keer sprong in engagement, en dat hebben we op het pad van vorig jaar volgehouden. Het is een functie van meer klanten die de aantrekkingskracht en waarde die we brengen, beginnen te erkennen – omdat we Erica behoorlijk wat hebben verbeterd tijdens onze ontwikkelingscyclus. ”