Bir veri liderinin önceliklerinde veri soyu nerede sıralanmalıdır? – tdan.com

Kariyerim boyunca çeşitli teknolojiler kullanarak veri soyunun uygulanmasına derinden katıldım, ancak şimdi işler farklı.

Pratik bir fark, şimdi veri liderleri için danışmanlık çalışması yapmam. Öncelikleri ve stratejileri üzerinde girdi bekliyorlar, bu yüzden değer, fırsat maliyeti ve örgütsel olgunluğa dayalı gerekçelere ihtiyacım var. Bu, taktiksel olarak gerçekleştirilebilecek olanlarla dokunmayı kaybetmezken stratejik resme daha fazla odaklandığım anlamına gelir.

Diğer fark – bunun için bekle – ai. Orada söyledim. Üzgünüm. Hepimizin istila edildiğini ve AI'nın her şeyi değiştiren şey olduğunu duymaktan biraz bıktığını biliyorum. AI ile ilgili olarak düşünmeniz gereken bir şey daha vermek biraz suçlu hissediyorum, ancak özür dilemeyeceğim çünkü bunun benzersiz bir bakış açısı ve düşünceli düşünmeniz gereken bir bakış açısı olduğuna ikna oldum.

Standart soy değeri önermeleri

Veri soyuna yatırım yapmak için standart değer önermeleri çok fazla değişmedi.

• Düzenleyici uyumluluk: Değer, operasyonel riskleri azaltmak için veri yönetimi kontrollerinin mevcut olduğunu denetimler yoluyla kanıtlamaktadır.

• Operasyonel verimlilik: Değer, sistem sorunlarının temel nedeninin tanımlanabileceği ve çözülebileceği hızla ilgilidir.

• Kalkınma Verimliliği: Değer, yeni uygulamaların/entegrasyonların değiştirilmesinde veya uygulanmada yer alan çabaların kapsamını ve düzeyini anlamakla ilgilidir. Genellikle, buna etki analizi denir.

Her bir vurgu, yasal değişiklikler ve teknolojinin evrimi nedeniyle değişmiş olsa da, geleneksel bilgelik bunların temel değer sürücüleri olmaya devam etmesidir.

Bu değer sürücüleri, bir veri liderinin bütçelerinin daha fazlasını veri soyuna tahsis etmesi için yeterince önemli ve etkili mi? Sorunun anahtarı, veri liderlerinin endüstrileri için standartlar, normlar ve ölçütler, organizasyon büyüklüğü ve veri manzaralarının karmaşıklığı için zaten harcama yaptığını varsayıyorum. Doğal olarak, bir veri lideri yetersiz kalıyorsa, maruz kalırlar ve yatırımı artırmalıdır.

Asıl soru, veri soyunun stratejik önemde yükselmesi ve ek finansmanı ve vurguyu hak eden yeni bir değer önerisi sağlamak mı?

Cevap AI'yı yönetmek için soy kullanıyor mu?

Geleneksel bilgelik, AI'nın yönetilmesi gerektiğidir ve bunun önemli bir unsuru, eğitildiği ve ürettiği verileri anlamaktır. %100 katılıyorum. Veri soyu AI'nın yönetiminde önemli bir rol oynamalıdır.

Tabii ki, önyargı, fikri mülkiyet ihlali, doğruluk vb. Gibi AI'ya özgü birçok nüans var, ancak veri tüketen ve üreten diğer herhangi bir uygulama veya teknolojiyi yönetmek için farklı bir AI'yı yönetmeye yardımcı olmak için soy kullanıyor mu?

Basit cevap hayır. İyi uygulanan yönetişim politikaları, prosedürleri ve kontroller tüm veri kullanımları için uygulanmalıdır ve AI en yeni ve çok heyecan vericidir. Değer sürücüleri hala uyumluluk, operasyonel ve geliştirme verimliliğidir.

Oryantasyonumuzu döndürelim

Girişim için AI vaadi, akıllı bir aktör setinden (şu anda ajan olarak adlandırılan) kaynaklanan benzeri görülmemiş verimlilik ve otomasyon seviyelerine katılmaktır.

Bir yana, ABD Çalışma İstatistikleri Bürosu da dahil olmak üzere tüm saygın emek verimliliği önlemleri, 1950'lerde ölçmeye başladıklarından beri verimliliğin önemli ölçüde arttığını ve sağda olduğunu gösteriyor. AI, bu eğilimin devam etmesi için başka bir kolaylaştırıcıdır, ancak üstel bir oranda.

AI bu verimliliği ve üretkenliği tam olarak nasıl sağlayabilecek? AI'nın eğitilmesi gerekmiyor mu? Bu eğitimin kurumsal bağlam ve anlam sağlaması gerekmiyor mu? Bu nereden gelecek? Bununla nereye gittiğimi görebilirsiniz.

Veri soyu, özünde, bir işletmenin veri varlıklarının, ilişkilerinin ve terminolojiyi, süreçleri, metrikleri, politikaları, rolleri vb. Açıklayan bağlamsal bilgilerin bir temsilidir. İyi, soyun, “veri ikiz” şirketidir ve gerekli tüm eğitim bağlamını sağlayan AI'nın 'yang'a' yin 'olabilir.

Soy güdümlü yapay zeka zekası

Doğru veri soyuyla yönlendirilen AI'nın gücünü hayal etmemize izin verirsek, olasılıklar şaşırtıcıdır. İşte sadece birkaçı:

• Endüstri ölçütlerini iş süreci verimliliğiyle karşılaştırabilir ve belirli maliyet optimizasyonu değişikliklerini önerebilir.

• Mevcut verilere dayalı olarak satışları optimize etmek ve boşlukları tanımlamak için yaklaşımlar önerebilir.

• Veri ve raporlama sorunlarını öngörebilir, sorunları bildirebilir ve muhtemelen proaktif olarak uygulayabilir.

• Veri kullanımı ve güvenlik politikalarını izleyebilir ve uygulayabilir, yeni politikalara olan ihtiyacı belirleyebilir ve bunları insan incelemesi için hazırlayabilir.

• Karar vericilerin baş asistanı olarak hizmet verebilir, dikkatlerini gerektiren, analizler sağlayan ve seçenekleri özetleyen sorunları önerebilir.

Mesele şu ki, AI'nın işletmeye özgü veri manzarası üzerinde eğitim alması ve ilgili tüm iş bağlamı, yapay zekayı kişisel üretkenlik yardımından iş optimizasyonu için stratejik bir araca dönüştürmek için gereken temel unsurlardan biridir.

Lineage için yeni değer teklifi nedir?

Veri soyunun yapay zeka eğitimi için kullanılması gerektiğini kabul ederseniz, o zaman lider olarak, yatırım yapmaya değer olup olmadığını anlaması için değer sorusunu sormalıyız.

Birçoğu yapay zekayı çok fazla gözden geçiriyor. Gerçek şu ki, bir işletmenin AI uygulamaktan aldığı değerin şu anda belirsiz. Büyük bir potansiyel olsa da, mevcut AI nesli işçilerin verimliliğini artırmada iş süreçlerini optimize etmek, karar vermek veya akıllı görevleri yerine getirmekten daha iyidir.

Artan hayal kırıklığını hissediyorum. Gartner'ın “yutturmaca döngüsü” olarak adlandırdığı şeyin sonuna yaklaşıyor ve “umutsuzluk oluğu” na giriyoruz. Yine de, bazı soy satıcıları LLMS ile teknolojileriyle evlenmeye çalışan bazı yeşil deneyler görüyorum.

Ayrıca, LLM eğitimi, ince ayar ve alım aşamalı nesil (RAG) desenli dağıtımlar için soy ve diğer meta veri varlıklarını çıkarmak için standart API'leri kullanarak satıcıların önünde bazı ileri eğilimli işletmeler görüyorum.

Henüz somut değeri gösterebilir miyiz? Görmedim, ama bunun olacağına kesinlikle inanıyorum. İşletmeler, AI'ya, soyuna dayalı veri ortamının doğru bir şekilde anlaşılmasını kullanarak eğitim alarak güçlendirecektir.

Pratik Sonraki Adımlar

Veri soyu önemi artmaktadır ve daha stratejik hale gelecektir. Bununla birlikte, çok az sayıda liderin, işletmeyi etkileyen yakın vadeli bir değer olmayan deney projelerinde takımların çalışmasını sağlama lüksüne sahip olduğunu da anlıyorum.

İşte şimdi ekibinizi hazırlamak ve geleceğe konumlandırmak için yapmanızı öneririm:

1. Trend izleme listenize veri soyunu yüksek yerleştirin ve en az altı ayda bir Gartner gibi endüstri analistlerinden en sonuncuyu gözden geçirin.
2. Yılda en az bir kez, demolarını ve yol haritalarını görmek için önde gelen bir soy sağlayıcısı olduğunu düşündüğünüz şeyle etkileşime geçin.
3. Veri soyuna yapılan mevcut yatırımınızın, akranlarınıza uygun veya aşan makul bir standardı karşıladığından emin olun.
4. Kurumsal mimarlar, veri mimarları ve AI uzmanlarının dahili bir çalışma grubu oluşturun ve yönetir. Gruba araştırma yapmak ve rapor vermekle görevlendirin.
5. Dahili deneyim kazanmak için, herhangi bir AI pilot projesinin meta verilerin bazı yönlerini ve soy tabanlı veri ilişkileri LLM eğitimini içerdiğinden emin olun.
6. Mevcut yetenekler, sınırlamalar ve öncelikler hakkında bir görünüm oluşturmaya başlamak için mevcut araçlarınızdan soy meta verilerinin çıkarılması ve bir LLM'ye beslenmesi ile sınırlı deneyler yapın.