A prontidão para a IA requer adesão, tecnologia e boa governança #ÚltimasNotícias

Suporte para IA

Embora a tecnologia e a governança sejam aspectos críticos da prontidão da IA, o processo de preparação para o desenvolvimento e a implantação da IA ​​começa com a adesão organizacional. Aqueles que querem usar a IA para revelar insights e informar decisões precisam obter suporte da suíte executiva que se espalha pelo resto da organização.

A novidade era da IA ​​em gerenciamento e estudo de dados começou em novembro de 2022, quando a OpenAI lançou o ChatGPT, marcando uma melhoria significativa nos recursos de IA generativa.

As empresas há muito tempo desejam tornar o uso da estudo mais espalhado, oferecido que as decisões baseadas em dados estimulam o desenvolvimento a uma taxa maior do que as decisões tomadas sem dados. No entanto, devido à dificuldade das plataformas de gerenciamento de dados analíticos, que exigem codificação para executar a maioria das tarefas e treinamento em alfabetização de dados para interpretar saídas, o uso da estudo estagnou por murado de duas décadas. Somente murado de um quarto dos funcionários dentro das organizações usam dados regularmente em seus fluxos de trabalho.

A IA generativa tem o potencial de mudar isso ao habilitar o verdadeiro processamento de linguagem procedente que as ferramentas desenvolvidas por fornecedores de estudo e gerenciamento de dados nunca poderiam. Ou por outra, as ferramentas de IA generativa podem ser programadas para automatizar tarefas repetitivas, o que alivia os fardos colocados sobre engenheiros de dados e outros especialistas em dados.

Porquê resultado, muitos fornecedores fizeram da IA ​​generativa um foco do desenvolvimento de seus produtos, construindo ferramentas porquê assistentes de IA que podem ser usadas em conjunto com os dados de uma empresa para habilitar consultas e análises de linguagem procedente. Simultaneamente, muitas empresas fizeram da IA ​​generativa um foco de seu próprio desenvolvimento, construindo modelos e aplicativos que podem ser usados ​​para gerar insights e automatizar tarefas.

Ainda assim, de harmonia com Halper, às vezes é preciso esforço para fazer com que os executivos reconheçam a prestígio da IA ​​generativa.

“Zero disso funciona se a organização não estiver comprometida”, disse ela.

O comprometimento é um processo contínuo, com somente dois anos de existência nesta novidade era, continuou Halper, observando que uma pesquisa do TDWI mostrou que somente 10% dos entrevistados têm uma estratégia de IA definida em vigor e outros 20% estão em processo de implementação de uma estratégia de IA. Ou por outra, menos da metade de todos os entrevistados relatam que sua liderança está comprometida em investir nos recursos necessários, incluindo as pessoas necessárias para trabalhar com as ferramentas necessárias, porquê a equipe de operações de dados.

Para obter suporte executivo, é preciso provar que os problemas existentes podem ser resolvidos com recursos de IA e mostrar os resultados potenciais, porquê economia de custos ou aumento do desenvolvimento.

“Sua organização vai precisar estar cônscio do que é necessário para a IA”, ela disse. “É realmente melhor entender os problemas de negócios que você está tentando resolver com IA para que você possa enquadrar [the need for AI] de uma forma que os líderes empresariais entendam. Logo você pode mostrar porquê medirá o valor da IA. Isso pode dar qualquer trabalho, mas é necessário para envolver as partes interessadas do negócio.”

A Instauração

Supondo que haja suporte organizacional, a prontidão da IA ​​começa com os dados na base de qualquer protótipo ou emprego.

Modelos e aplicativos treinados com dados de subida qualidade fornecerão resultados de subida qualidade. Modelos e aplicativos treinados com dados de baixa qualidade fornecerão resultados de baixa qualidade. Ou por outra, quanto mais dados de qualidade puderem ser aproveitados para treinar um protótipo ou aplicativo de IA, mais preciso ele será.

Porquê resultado, dados estruturados, porquê registros financeiros e de transações que tenham relatórios e painéis de estudo historicamente informados, são necessários. Ou por outra, dados não estruturados, porquê texto e imagens, muitas vezes deixados sem uso, são importantes.

Acessar dados não estruturados além de dados estruturados e transformar esses dados não estruturados para torná-los detectáveis ​​e utilizáveis ​​exige uma plataforma de dados moderna. Assim porquê combinar esses dados com um grande protótipo de linguagem, porquê ChatGPT ou Google Gemini, para impor IA generativa.

Um data warehouse de 20 anos não tem a tecnologia necessária, que inclui o poder de computação, para mourejar com cargas de trabalho de IA. Nem um banco de dados sítio.

“As organizações estão preocupadas em preparar seu envolvente para o porvir para mourejar com as necessidades de maior disponibilidade de dados, velocidade e potência da trouxa de trabalho e escalabilidade para IA”, disse Halper.

Data warehouses em nuvem, data lakes e data lakehouses são capazes de mourejar com o volume de dados necessário para informar modelos e aplicativos de IA. Para esse termo, os gastos com implantações baseadas em nuvem estão aumentando, enquanto os gastos com implantações locais estão caindo.

Mas isso é só o primórdio. Os dados confiáveis ​​necessários para a prontidão da IA ​​continuam sendo um problema, com menos da metade dos entrevistados pelo TDWI relatando que têm uma base de dados confiável em vigor.

A automação pode ajudar, de harmonia com Halper. Ao usar ferramentas de gerenciamento e estudo de dados que usam IA para automatizar a preparação de dados, as organizações podem melhorar a qualidade dos dados e a confiabilidade dos insights.

A ingestão de dados, integração, desenvolvimento de pipeline e curadoria são complexos e trabalhosos. Ferramentas que automatizam esses processos melhoram a eficiência, já que as máquinas são muito mais rápidas que os humanos. Elas também melhoram a precisão. Nenhuma pessoa ou equipe de pessoas pode examinar cada ponto de dados entre potencialmente milhões para precisão, enquanto as máquinas podem ser programadas para fazer isso.

“A automação pode desempenhar um papel fundamental no mapeamento de dados para precisão, manuseio de trabalhos e automação de fluxos de trabalho”, disse Halper. “Onde mais vemos é automação e aumento para classificação e qualidade de dados.”

Por exemplo, ferramentas baseadas em IA, porquê plataformas de observabilidade de dados, são usadas para escanear pipelines de dados para identificar áreas problemáticas.

“Usar essas ferramentas inteligentes é importante”, disse Halper. “As organizações estão percebendo que precisam procurar ferramentas que as ajudem com [data readiness for AI]. Existem essas ferramentas que as organizações podem utilizar à medida que continuam a aumentar sua quantidade de dados.”

Governança

A qualidade dos dados e a tecnologia adequada — em conjunto com o suporte organizacional — ainda não são suficientes por si só para prometer a prontidão de uma empresa para desenvolver e implementar modelos e aplicativos de IA.

Para proteger as organizações de potencialmente expor informações confidenciais, violar regulamentações ou simplesmente tomar medidas sem a devida diligência, diretrizes devem ser implementadas para limitar quem pode acessar determinados modelos e aplicativos de IA e porquê eles podem ser usados.

As organizações estão tentando se preparar para a IA porque muitas delas a veem porquê um imperativo para um tanto porquê transformação do dedo, competitividade, eficiência operacional e outros impulsionadores de negócios.

Quando as plataformas de estudo de autoatendimento foram desenvolvidas pela primeira vez, permitindo que usuários empresariais trabalhassem com dados além das equipes de TI que historicamente supervisionavam todo o gerenciamento e estudo de dados, as organizações precisaram desenvolver estruturas de governança de dados.

Essas estruturas de governança de dados, quando feitas corretamente, permitem simultaneamente estudo e tomada de decisão de autoatendimento confiantes, ao mesmo tempo em que protegem a empresa de danos. À medida que o uso de modelos e aplicativos de IA — especificamente aplicativos de IA generativos que permitem que mais pessoas se envolvam com dados — se torna mais espalhado dentro da empresa, estruturas de governança semelhantes precisam estar em vigor para seu uso.

“Para que a IA tenha sucesso, será necessária governança”, disse Halper.

A IA requer novos tipos de dados, porquê texto e imagens. Ou por outra, a IA requer o uso de várias plataformas, incluindo data warehouses e lakes, bancos de dados vetoriais que permitem a invenção de dados não estruturados e pipelines de geração aumentada por recuperação para treinar modelos e aplicativos com dados relevantes.

Governança, portanto, abrange dados diversos e múltiplos ambientes para abordar a prontidão da IA, de harmonia com Halper. Governança também deve incluir supervisão dos vários tipos de IA, incluindo IA generativa, para mandar se as saídas são tóxicas ou incorretas, muito porquê se há viés em um protótipo ou aplicativo.

“O porvir começa agora, e há muito o que pensar”, disse Halper. “O gerenciamento de dados continuará sendo uma jornada em termos de gerenciamento de novos dados para IA e além. As organizações realmente precisam pensar estrategicamente e não serem pegas desprevenidas.”

Eric Avidon é redator sênior de notícias da TechTarget Editorial e jornalista com mais de 25 anos de experiência. Ele cobre estudo e gerenciamento de dados.