Gotowość na strategię AI i dźwignię biznesową: gdy dane są chaotyczne

Nieuporządkowane dane nie oznaczają, że sztuczna inteligencja jest niemożliwa. Sprawiają natomiast, że nieostrożna sztuczna inteligencja staje się kosztowna.

Większość firm nie dysponuje idealnymi danymi. Dane klientów są niekompletne, pola CRM są wykorzystywane niespójnie, notatki projektowe są przechowywane w różnych miejscach, informacje o produktach są nieaktualne, arkusze kalkulacyjne są sprzeczne z pulpitami nawigacyjnymi, a zespoły często opierają się na wiedzy ukrytej, która nigdy nie przekształciła się w ustrukturyzowaną dokumentację.

Nie oznacza to, że firma powinna unikać sztucznej inteligencji, dopóki wszystkie źródła nie będą czyste. Oznacza to, że strategia dotycząca sztucznej inteligencji musi być uczciwa w kwestii tego, które dane są wiarygodne, które przydatne, ale niekompletne, które wrażliwe, a które nie powinny jeszcze napędzać automatyzacji.

Gotowość strategii AI w sytuacji, gdy dane są nieuporządkowane, polega na umiejętności wyboru przypadków użycia, które tworzą przewagę biznesową, bez udawania, że ​​podstawa danych jest silniejsza niż jest w rzeczywistości.

Pytanie o gotowość nie brzmi: „Czy nasze dane są idealne?”

Idealne dane to zły standard. Opóźniają one wdrożenie skutecznych programów pilotażowych i zachęcają zespoły do ​​ukrywania rzeczywistego stanu firmy.

Lepsze pytanie brzmi: jakie przypadki użycia sztucznej inteligencji mogą bezpiecznie tworzyć wartość przy użyciu danych, którymi dysponujemy?

Niektóre przypadki użycia mogą działać z niedoskonałymi danymi, ponieważ dane wyjściowe są weryfikowane przez człowieka, ryzyko jest niskie lub sztuczna inteligencja pomaga jedynie w przygotowaniu informacji. Inne przypadki użycia wymagają bardziej przejrzystych i kontrolowanych danych, ponieważ dane wyjściowe wpływają na klientów, finanse, ryzyko prawne, obsadę kadrową, bezpieczeństwo lub decyzje strategiczne.

Stan danych	Odpowiednia rola AI
Czysty, zadbany, aktualny i dobrze zdefiniowany	Automatyzacja przepływu pracy, wsparcie decyzyjne, pomoc w raportowaniu
Przydatne, ale niekompletne	Redagowanie, podsumowywanie, wsparcie badań, rekomendacje recenzowane przez ludzi
Rozdrobnione w systemach	Wyszukiwanie, klastrowanie, odzyskiwanie wiedzy, priorytetyzacja czyszczenia
Wrażliwe lub regulowane	Ograniczeni piloci z kontrolą dostępu, ścieżką audytu i nadzorem ludzkim
Sprzeczne lub niemożliwe do wyśledzenia	Oczyszczanie danych, mapowanie źródeł i zarządzanie przed automatyzacją

Dzięki temu nieuporządkowane dane stają się niejasnością, a nie problemem sekwencjonowania.

Zmapuj dane przed zmapowaniem narzędzi

Gdy dane są chaotyczne, wybór narzędzi może rozpraszać uwagę. Dopracowany interfejs AI może na chwilę ukryć słabe dane wejściowe, ale firma i tak później ponosi konsekwencje w postaci błędów, poprawek, braku zaufania i niskiej adopcji.

Przed wyborem narzędzi należy zmapować dane, które będą wykorzystane w przypadku użycia.

Zapytaj:

• Gdzie znajdują się wymagane informacje?
• Do kogo należy źródło?
• Jak bardzo jest to aktualne?
• Które pola są wiarygodne?
• Które pola są opcjonalne, niewłaściwie użyte, zduplikowane lub nieaktualne?
• Czy zespół wie, co oznacza każde pole?
• Czy dane wyjściowe można powiązać z dowodami?
• Jakich danych nigdy nie należy udostępniać temu narzędziu?
• Co by się stało, gdyby sztuczna inteligencja użyła niewłaściwego źródła?

Aby zapoznać się z szerszym widokiem przed zakupem, zapoznaj się z artykułem Gotowość na strategię AI i dźwignię biznesową: przed zakupem narzędzi.

Sortuj problemy z danymi według ryzyka biznesowego

Nie wszystkie chaotyczne dane zasługują na takie samo traktowanie.

Niektóre problemy z danymi są irytujące, ale możliwe do opanowania. Inne mogą sprawić, że wyniki AI będą mylące, stronnicze, niebezpieczne lub szkodliwe komercyjnie. Przegląd gotowości powinien sortować problemy z danymi według ryzyka, jakie stwarzają w konkretnym przypadku użycia.

Problem z danymi	Przypadek użycia o niskim ryzyku	Przypadek użycia o wyższym ryzyku
Brakujące notatki CRM	Tworzenie pytań badawczych	Prognozowanie ryzyka odnowienia
Niespójne nazwy usług	Sugestie dotyczące czyszczenia treści	Automatyczne generowanie propozycji
Nieaktualna dokumentacja produktu	Podsumowania wiedzy recenzowane przez ludzi	Automatyzacja obsługi klienta
Duplikaty rekordów klientów	Raport jakości danych	Spersonalizowane rekomendacje sprzedażowe
Niejasne uprawnienia	Wewnętrzny asystent badawczy	Zewnętrzny chatbot z danymi klienta
Stronnicze decyzje historyczne	Przegląd wzorców z przeszłości	Automatyczne przesiewanie lub ustalanie priorytetów

Ten sam problem z danymi może być akceptowalny w jednym przepływie pracy, a nieakceptowalny w innym. Dlatego gotowość do wdrożenia sztucznej inteligencji należy oceniać w każdym przypadku osobno.

Wybierz pomoc przed automatyzacją

Kiedy dane są chaotyczne, sztuczna inteligencja powinna najpierw pomóc, a dopiero potem zająć się automatyzacją.

Asysta oznacza, że ​​sztuczna inteligencja pomaga ludziom znaleźć, podsumować, porównać, sporządzić, sklasyfikować lub przygotować pracę. Automatyzacja oznacza, że ​​system działa, podejmuje decyzje, wysyła, aktualizuje, zatwierdza, ocenia, kieruje lub uruchamia przepływ pracy z mniejszą ingerencją człowieka.

Nieuporządkowane dane sprzyjają pomocy, ponieważ człowiek jest w stanie wychwycić luki w kontekście.

Tryb AI	Dobre wykorzystanie chaotycznych danych	Bardziej ryzykowne wykorzystanie nieuporządkowanych danych
Szukaj	Znajdź istotne dokumenty wewnętrzne	Traktuj każdy pobrany dokument jako aktualny
Podsumowanie	Podsumuj spotkanie lub historię zgłoszeń	Podsumuj sprzeczne zapisy bez ostrzeżenia
Redakcja	Przygotuj projekt propozycji do przeglądu	Automatyczne wysyłanie kopii przeznaczonych dla klientów
Klasyfikacja	Zaproponuj kategorie do oczyszczenia	Przekieruj sprawy o dużym wpływie bez przeglądu
Analiza	Podświetl anomalie w celu przeprowadzenia badań przez ludzi	Wyciąganie wniosków zarządczych z niepewnych pól

To nie czyni strategii nieśmiałą. Zwiększa to jej szanse na przetrwanie w kontakcie z rzeczywistością.

Zdecyduj, co należy najpierw wyczyścić

Chaotyczne dane stają się przytłaczające, gdy firma próbuje uporządkować wszystko.

Nie rozpoczynaj pełnego programu transformacji danych, chyba że firma naprawdę tego potrzebuje. Zacznij od minimalnego czyszczenia wymaganego do kolejnego, użytecznego zastosowania sztucznej inteligencji.

Oto kilka praktycznych wskazówek dotyczących sprzątania:

• Usuń zduplikowane źródła danych dla wybranego przepływu pracy.
• Zdefiniuj najważniejsze pola.
• Archiwizuj nieaktualne dokumenty, których nie należy odzyskiwać.
• Oznaczaj wyraźnie zaufane dokumenty.
• Ogranicz dostęp do poufnych danych.
• Dodaj właścicieli kluczowych zestawów danych.
• Utwórz przykłady poprawnych i niepoprawnych wyników.
• Zdefiniuj, czego sztuczna inteligencja nigdy nie powinna wnioskować.
• Utwórz ścieżkę przeglądu dla niepewnych odpowiedzi.

Celem nie jest oczyszczenie całego biznesu. Celem jest uczynienie jednego, wartościowego procesu pracy na tyle czystym, aby można go było przetestować.

Zbuduj zarządzanie wokół zamierzonego zastosowania

Zarządzanie sztuczną inteligencją jest łatwiejsze, gdy jest ona powiązana z zamierzonym zastosowaniem.

Ramy Zarządzania Ryzykiem AI opracowane przez NIST opisują zarządzanie ryzykiem związanym ze sztuczną inteligencją poprzez funkcje takie jak zarządzanie, mapowanie, pomiar i zarządzanie. Praktyczna lekcja płynąca z nieuporządkowanych danych jest oczywista: firma powinna znać kontekst, ryzyko, podejście do pomiaru i odpowiedzialność, zanim rozszerzy wykorzystanie sztucznej inteligencji.

Zasady OECD dotyczące sztucznej inteligencji (AI) kładą nacisk na wiarygodność sztucznej inteligencji (AI) i jej zorientowanie na człowieka, w tym na przejrzystość, rozliczalność, solidność, bezpieczeństwo i odpowiedni nadzór ze strony człowieka. Idee te wchodzą w życie, gdy firma określi, w jaki sposób system AI będzie wykorzystywany, kto będzie go kontrolował i jakie dane są dozwolone.

W przypadku firm podlegających przepisom UE, wymogi dotyczące wysokiego ryzyka zawarte w ustawie o sztucznej inteligencji (AI) kładą duży nacisk na zarządzanie danymi, ich jakość, trafność, reprezentatywność, kontrolę błędów, weryfikację stronniczości oraz kontekst użycia. Nawet jeśli przypadek użycia nie jest obarczony wysokim ryzykiem, koncepcje te są przydatne jako dyscyplina naukowa.

Przekształć te zasady w proste elementy sterowania:

Control:	Cel danych chaotycznych
Rejestr przypadków użycia	Zapobiega niekontrolowanemu rozprzestrzenianiu się narzędzi
Lista źródeł danych	Pokazuje, które dane wejściowe zostały zatwierdzone
Zasady dostępu	Chroni poufne dane lub dane klientów
Poziom przeglądu przez człowieka	Nadzór meczowy w odniesieniu do ryzyka
Powiązania dowodowe	Umożliwia sprawdzenie wyjść
Dziennik awarii	Rejestruje błędy i powtarzające się luki w danych
Zasady zatrzymania	Definiuje, kiedy przypadek użycia musi zostać wstrzymany

Zarządzanie nie powinno być czymś wiążącym. Powinno być systemem operacyjnym, który zapobiega niekontrolowanej złożoności dźwigni finansowej.

Wykorzystaj chaotyczne dane, aby znaleźć lepsze możliwości w zakresie sztucznej inteligencji

Nieuporządkowane dane mogą ujawnić, na czym strategia w zakresie sztucznej inteligencji powinna się skupić w pierwszej kolejności.

Jeśli firma ciągle napotyka te same sprzeczności, opóźnienia, brakujące pola lub ręczne uzgadnianie, to są to sygnały. Wskazują one, gdzie wiedza jest uwięziona, gdzie przepływy pracy zależą od pamięci i gdzie menedżerowie podejmują decyzje bez jasnego kontekstu.

Sztuczna inteligencja może pomóc zidentyfikować te wzorce zanim zostaną zautomatyzowane.

Sygnał danych bałaganiarskich	Możliwa okazja dla AI
Zespoły przeszukują wiele folderów w poszukiwaniu tej samej odpowiedzi	Wewnętrzne wyszukiwanie wiedzy z zatwierdzonych źródeł
Menedżerowie ręcznie przepisują aktualizacje statusu	Projekty podsumowań statusu z sygnałów przepływu pracy
Notatki CRM są niekompletne	Rejestrowanie podsumowań spotkań i sugestii dotyczących terenu
Zgłoszenia pomocy technicznej powtarzają te same problemy	Grupowanie biletów i wykrywanie luk w bazie wiedzy
Raporty są rozbieżne	Asystent uzgadniania danych i przegląd wyjątków
Propozycje są zbyt zróżnicowane	Wsparcie w zakresie tworzenia zatwierdzonego języka oferty

W przypadku przeciążonych zespołów pokrywa się to z pytaniem o pojemność omówionym w artykule „ Gotowość na strategię AI i dźwignię biznesową: Kiedy zespoły są przeciążone” . Najlepszy pierwszy przypadek użycia często zmniejsza presję i jednocześnie poprawia śledzenie danych.

Pomiar dźwigni i poprawa danych w jednym

Pilotaż sztucznej inteligencji, który korzysta z nieuporządkowanych danych, powinien zmierzyć dwie rzeczy: wpływ biznesowy i uczenie się danych.

Dźwignia biznesowa pyta, czy przypadek użycia poprawia szybkość, jakość, koszty, kontrolę ryzyka, jasność decyzji lub przepustowość. Uczenie się danych pyta, czy pilotaż ujawnił, co należy wyczyścić, kontrolować, udokumentować lub usunąć przed kolejnym krokiem.

Obszar pomiaru	Przydatne pytanie
Prędkość	Czy przepływ pracy przebiegał szybciej bez dodatkowego obciążenia przeglądem?
Jakość	Czy wyniki były bardziej spójne i łatwiejsze do przeglądu?
Przyjęcie	Czy użytkownicy zaufali systemowi na tyle, aby korzystać z niego regularnie?
Ryzyko	Czy błędy były widoczne, ograniczone i możliwe do naprawienia?
Luki w danych	Które brakujące lub niewiarygodne źródła pojawiały się najczęściej?
Zarządzanie	Czy zasady dostępu, własności i przeglądu okazały się aktualne?
Gotowość do skalowania	Czy przypadek użycia można rozszerzyć bez mnożenia wyjątków?

W przypadku rozwijających się firm ta sama logika powinna wiązać się z wąskimi gardłami i dojrzałością operacyjną, jak omówiono w dokumencie Readiness for AI Strategy And Business Leverage: For Growing Companies.

Typowe błędy

Największym błędem jest czekanie na idealne dane, zanim zrobi się coś pożytecznego.

Drugim największym błędem jest ignorowanie chaotycznych danych i pozwolenie, aby sztuczna inteligencja mimo wszystko rozprzestrzeniła się w firmie.

Do innych częstych błędów zaliczają się:

• Zakup narzędzi przed mapowaniem źródeł danych.
• Traktowanie wszystkich problemów z danymi jako równie pilnych.
• Automatyzacja decyzji w sytuacjach, gdy pomoc byłaby bezpieczniejsza.
• Umożliwienie sztucznej inteligencji korzystania z nieaktualnych dokumentów bez kontroli kodu źródłowego.
• Uruchamianie programów pilotażowych bez reguł dostępu.
• Pomiar wolumenu produkcji zamiast dźwigni biznesowej.
• Globalne czyszczenie danych zamiast czyszczenia kolejnego ważnego przepływu pracy.
• Zignorowano kwestię adopcji, ponieważ demo wyglądało imponująco.
• Niezarejestrowanie błędów i luk w danych podczas pilotażu.

Nieuporządkowane dane wymagają uporządkowania, a nie paniki.

Praktyczna lista kontrolna gotowości

Zanim zaczniesz używać sztucznej inteligencji, mając do dyspozycji nieuporządkowaną bazę danych, sprawdź podstawy.

Obszar	Pytanie o gotowość
Wartość:	Jakie wyniki biznesowe należy poprawić?
Workflow	Jakie miejsce zajmie sztuczna inteligencja w prawdziwej pracy?
Dane	Które źródła są wystarczająco wiarygodne w tym przypadku użycia?
Ryzyko	Co się stanie, jeśli sztuczna inteligencja się myli?
Przeoczenie	Kto i kiedy dokonuje przeglądu wyników?
Uzyskiwania dostępu	Jakie dane są ograniczone lub wyłączone?
Dowód	Czy wyniki można prześledzić do źródeł?
Pomiary	W jaki sposób będą mierzone dźwignia finansowa i luki w danych?
Decyzja	Czy projekt pilotażowy zostanie rozszerzony, zawężony, przeprojektowany czy wstrzymany?

Jeśli zespół nie potrafi odpowiedzieć na te pytania, przypadek użycia nie jest gotowy. Jeśli jednak potrafi, chaotyczne dane nadal mogą nadawać się do wykorzystania.

FAQ

Czy firma może korzystać ze sztucznej inteligencji, jeśli jej dane są nieuporządkowane?

Tak, ale przypadek użycia musi odpowiadać warunkowi danych. Nieuporządkowane dane są często akceptowalne w przypadku pomocy weryfikowanej przez ludzi, podsumowań, szkiców, wyszukiwania i priorytetyzacji czyszczenia. Jest to bardziej ryzykowne w przypadku zautomatyzowanych decyzji, odpowiedzi skierowanych do klienta, punktacji, routingu lub przepływów pracy o dużym wpływie.

Czy oczyszczanie danych powinno następować przed opracowaniem strategii dotyczącej sztucznej inteligencji?

Przed każdym pilotażem należy przeprowadzić pewne porządki, ale nie każdy problem z danymi musi zostać rozwiązany jako pierwszy. Lepszym podejściem jest wybranie jednego wartościowego przepływu pracy, określenie minimalnego wymaganego porządku danych i zmierzenie, czego pilotaż uczy o szerszym fundamencie danych.

Jaki jest najbezpieczniejszy pierwszy przypadek użycia sztucznej inteligencji w przypadku nieuporządkowanych danych?

Bezpieczniejszy punkt wyjścia zazwyczaj wiąże się z niskim ryzykiem, przejrzystą kontrolą ludzką, widocznymi dowodami źródłowymi i wymiernymi korzyściami dla przepływu pracy. Przykładami są wewnętrzne wyszukiwanie wiedzy, podsumowania spotkań, grupowanie zgłoszeń, wersje robocze propozycji do przeglądu lub raporty dotyczące jakości danych.

Kiedy należy wstrzymać użycie sztucznej inteligencji?

Zatrzymaj się, gdy system wykorzystuje niezaufane dane, generuje błędy niezauważalne dla użytkowników, ujawnia poufne informacje, generuje więcej pracy w zakresie przeglądu niż oszczędza lub wpływa na ważne decyzje bez wystarczającego nadzoru.

Źródła

• NIST: Ramy zarządzania ryzykiem sztucznej inteligencji
• NIST: Ramy zarządzania ryzykiem sztucznej inteligencji AI RMF 1.0
• OECD: Zasady sztucznej inteligencji
• EUR-Lex: Rozporządzenie (UE) 2024/1689, artykuł 10 dotyczący danych i zarządzania danymi

Nieuporządkowane dane to filtr strategiczny

Nieuporządkowane dane nie tylko ujawniają problem techniczny. Ujawniają również, czy firma wie, jak sztuczna inteligencja powinna budować przewagę.

Jeśli liderzy potrafią zdefiniować przepływ pracy, jakość źródeł, poziom ryzyka, nadzór, reguły dostępu i wskaźniki biznesowe, sztuczna inteligencja może tworzyć wartość, nawet zanim fundamenty danych będą idealne. Jeśli im się to nie uda, sztuczna inteligencja prawdopodobnie doda kolejną warstwę złożoności do i tak już niejasnego systemu operacyjnego.

Właściwym kolejnym krokiem nie jest czyszczenie wszystkiego. Chodzi o wybranie pierwszego przypadku użycia sztucznej inteligencji, w którym dane są wystarczająco dobre, ryzyko jest kontrolowane, a firma może nauczyć się czegoś przydatnego od pilota.