Poskrbite za zanesljive podatke za odločanje, preden z njimi poganjate umetno inteligenco
Pripravljenost podatkov je vezana na konkretno odločitev in uporabo; nobena platforma je ne more razglasiti na splošno. MTera poveže poslovni pomen, lastništvo, izvor, nadzor kakovosti in inženiring z odločitvami, ki jih morajo podatki podpirati, nato pa opredeli praktično pot od trenutnih vrzeli do zanesljive analitike in umetne inteligence.
Poročila se ne strinjajo, ker se ključni izrazi razlagajo različno.
Težave s kakovostjo se merijo, vendar niso razvrščene glede na poslovne posledice.
Lastništvo obstaja na papirju, vendar pravice odločanja ostajajo nejasne.
Podatkov, uporabljenih za model, ni mogoče izslediti do izvora in transformacije.
Skupine ne morejo pojasniti, ali pretekli podatki ustrezajo predvideni uporabi.
Delo z umetno inteligenco se začne, preden so načrtovani dostop, hramba in človeški nadzor.
02
Zakaj delni popravki ne uspejo
Centralizacija podatkov ne ustvarja skupnega pomena, katalog pa ne ustvarja odgovornosti. Splošne ocene kakovosti lahko skrijejo tudi napake, ki so najpomembnejše za določeno odločitev.
03
Poslovna posledica
Vodje ukrepajo na podlagi neusklajenih dokazov, ekipe porabljajo čas za usklajevanje rezultatov, umetna inteligenca pa uvaja odločitve, ki jih je težko pojasniti, spremljati ali odgovorno upravljati.
04 · Ciljno stanje
Ključni podatki imajo jasen pomen, dovoljeno uporabo, odgovorne lastnike, sledljiv izvor in kontrole, povezane s tveganjem odločitve; vloge modela in ljudi so opredeljene pred produkcijsko uporabo.
05
Pristop
01Začeti pri odločitvi, uporabniku in posledici napake.
02Prikazati ključne podatkovne elemente, vire, pretvorbe in lastnike.
03Opredeliti zahteve glede kakovosti in dokazov za predvideno uporabo.
04Oceniti vrzeli v procesih, integracijah in operativnem modelu.
05Spremembe prednostno razvrstiti glede na vrednost in tveganje primera uporabe.
06
Ključne odločitve
01Kateri podatki so pomembni za to odločitev in zakaj?
02Kdo lahko opredeli, spremeni, dostopa in odobri njegovo uporabo?
03Katere napake v kakovosti zahtevajo preprečevanje, odkrivanje ali človeški pregled?
04Katere dokaze je treba ohraniti za razlago in izpodbijanje?
07
Rezultati
01Povezava med odločitvami in podatki
02Model ključnih podatkovnih elementov in lastništva
03Zasnova izvora podatkov in nadzora kakovosti
04Ocena pripravljenosti podatkov za umetno inteligenco
