Искусственный интеллект спотыкается о слабые данные: главная проблема компаний не в ИИ

Многие компании активно инвестируют в технологии искусственного интеллекта (ИИ), однако ожидаемой отдачи достигают лишь немногие. Развитие ИИ происходит беспрецедентными темпами, но результаты его внедрения внутри организаций зачастую не соответствуют заявленным возможностям. Эта разница объясняется не неготовностью самого ИИ, а отсутствием прочных основ, необходимых для его эффективной работы.

По сути, качество работы ИИ напрямую зависит от качества данных, с которыми он взаимодействует. Если информация противоречива или плохо управляема, то модели, построенные на её основе, будут отражать эти недостатки. Именно поэтому многие пилотные проекты выглядят многообещающими в отрыве от общей инфраструктуры, но терпят неудачу при попытке их масштабирования.

Важность готовности и управления данными

На протяжении многих лет управление данными (data governance) рассматривалось компаниями как формальная процедура соответствия. К нему подходили как к разовой инициативе, внедряемой сверху. Результаты такого подхода предсказуемы: он часто приводит к бюрократическим проволочкам, разочарованию команд и, в конечном итоге, к застою ИИ-проектов, поскольку никто не доверяет лежащим в их основе данным.

Сегодня ситуация меняется благодаря слиянию двух факторов. Во-первых, ИИ значительно повысил ставки. Организации больше не могут позволить себе данные, которые слабо контролируются или непоследовательно определены. Модель ИИ, обученная на некачественных данных, не просто выдает ошибочный отчёт, она с огромной скоростью распространяет эту ошибку по всей компании. Во-вторых, сам ИИ становится частью решения. Теперь у компаний есть доступ к инструментам, способным автоматизировать рутинную работу по управлению данными, такую как их классификация и обнаружение аномалий. Таким образом, управление данными может стать незаметным и интегрированным в цикл разработки, а не быть прикрепленным к нему постфактум.

Тем не менее, даже при наличии этих достижений, управление данными во многих организациях остаётся оторванным от повседневной работы. ИИ вводит новые обязанности в отношении качества и надзора за данными, и эти обязанности не могут быть возложены на одну команду. Они требуют более широких организационных возможностей. Когда управление данными непоследовательно, ответственность неясна, а качество данных не рассматривается как общекорпоративная задача, одни и те же проблемы возникают снова и снова.

Эта проблема усугубляется тем, что многие организации по-прежнему начинают с технологий, а не с постановки задачи. Пилотные проекты ИИ часто запускаются потому, что такая возможность существует, а не потому, что определён чёткий бизнес-результат. Без прочной связи между данными, их управлением и реальной ценностью даже самые передовые модели с трудом находят применение.

Почему пилотные проекты ИИ не удаётся масштабировать

Пилотные ИИ-проекты часто достигают успеха, поскольку они строятся на тщательно подготовленных данных и поддерживаются выделенными командами. Однако, когда организации пытаются масштабировать эти пилоты, управление данными зачастую рассматривается как второстепенная задача, обычно из-за сложности её измерения и медленных изменений. Это также является причиной, по которой большинство программ управления данными не могут поддерживать себя после первоначального этапа.

Даже с учётом растущего понимания важности и улучшения инструментария, организации по-прежнему с трудом выходят за рамки изолированных ИИ-пилотов. Проблема редко заключается в самой модели; чаще это отсутствие повторяемых и надёжных данных, которые позволили бы инструментам ИИ стабильно работать в различных командах и системах. Пилотные проекты процветают в контролируемых условиях, но без последовательного управления и чёткой ответственности за качество данных они не могут пережить переход в производственную среду.

Что должны приоритизировать компании для достижения реальной ценности от ИИ

В различных организациях часто повторяются три характерные модели поведения:

• Во-первых, это убеждение, что управление данными должно быть доведено до совершенства, прежде чем будут запущены какие-либо инициативы в области ИИ или аналитики. Такой подход часто приводит к планированию длительностью от 12 до 18 месяцев (то есть, год-полтора) с минимальными видимыми результатами. Управление данными следует развивать параллельно с их использованием, а не до него. Наиболее успешные компании выстраивают управление данными, напрямую связанное с реальными бизнес-сценариями, что позволяет ценности и возможностям расти одновременно.
• Во-вторых, это предположение, что одни только инструменты решат все проблемы управления данными. Организации инвестируют в передовые каталоги данных или платформы качества, но не могут выстроить модель ответственности для их поддержания. Без чёткой подотчётности даже лучшие инструменты превращаются в дорогостоящее, неиспользуемое программное обеспечение. Технологии могут автоматизировать управление данными, но не могут заменить человеческую ответственность за их определение и поддержание.
• В-третьих, это отсутствие чёткой связи между деятельностью по управлению данными и бизнес-ценностью. Когда команды не могут объяснить, для чего существует тот или иной процесс управления или какой результат он защищает, это становится излишней нагрузкой, а не инструментом для развития, и быстро теряет приоритет при усилении давления на сроки выполнения задач.

Кроме того, командам необходимы навыки для интерпретации результатов работы ИИ, понимания рисков и осуществления надзора. Без этого даже самые сильные системы управления данными будут испытывать трудности.

Организации, которые преодолевают эти стереотипы, переходят от восприятия управления данными как бремени к осознанию его как фундамента, поддерживающего бизнес. Они рассматривают управление данными как инфраструктуру, лежащую в основе каждого решения, которое они хотят принимать быстрее, каждой инициативы ИИ, которой они хотят доверять, и каждого ценного вывода, который они хотят масштабировать. ИИ не принесёт ценности просто потому, что он внедрён. Он принесёт её тогда, когда лежащие в его основе данные будут последовательными и надёжными. Успеха добьются те организации, которые будут рассматривать управление данными как стратегическую возможность и интегрируют его в основы того, как они создают и используют данные.

Ранее в обзорах TechRadar Pro были представлены лучшие ИИ-чат-боты для бизнеса. Данный материал подготовлен в рамках рубрики «Мнения экспертов» TechRadar Pro, которая знакомит читателей с идеями ведущих специалистов технологической отрасли. Высказанные здесь мнения принадлежат обозревателю и не обязательно отражают позицию TechRadar Pro или Future plc. Обозреватель является Техническим директором по решениям в компании AND Digital.