Η εμπιστοσύνη είναι εύθραυστη και αυτό είναι ένα από τα προβλήματα με την τεχνητή νοημοσύνη, η οποία είναι τόσο καλή όσο τα δεδομένα. Τα προβλήματα της ακεραιότητας των δεδομένων, τα οποία εδώ και δεκαετίες ενοχλούν ακόμη και τους πιο αιχμηρούς οργανισμούς, έθεσαν και πάλι τα κεφάλια τους. Και οι εμπειρογνώμονες της βιομηχανίας είναι ανησυχητικοί. Οι γενετικοί χρήστες AI μπορούν να υποβληθούν με ελλιπείς, διπλές ή εσφαλμένες πληροφορίες που επιστρέφουν για να τις δαγκώσουν – χάρη στα δεδομένα ασθενούς ή Olivata που βασίζονται σε αυτά τα συστήματα.
“Η AI και η Gen AI αυξάνουν το μπαρ για δεδομένα ποιότητας”, ανέφερε η πρόσφατη ανάλυση της Ashish Verema, του επικεφαλής των δεδομένων και των αναλυτικών στοιχείων στο Deloitte, και της ομάδας των συν-συγγραφέων. “Οι στρατηγικές Genai μπορούν να πολεμήσουν χωρίς σαφή αρχιτεκτονική δεδομένων, η οποία επιτρέπει διάφορους τύπους και μεθόδους, λαμβάνοντας υπόψη την ποικιλία των δεδομένων και της μεροληψίας και της επαναφοράς δεδομένων για πιθανοτικά συστήματα”, ανέφερε η ομάδα.
Επίσης: Ο αγώνας μοντέλου του AI ξαφνικά έγινε πολύ πιο κοντά, ας πούμε, επιστήμονες από το Στάνφορντ
Η αρχιτεκτονική δεδομένων A-AADE είναι ένα άλλο θηρίο από τις παραδοσιακές προσεγγίσεις παράδοσης δεδομένων. Το AI είναι χτισμένο σε πιθανοτικά μοντέλα – πράγμα που σημαίνει ότι το συμπέρασμα θα ποικίλει ανάλογα με την πιθανότητα και τα βοηθητικά δεδομένα που βρίσκονται παρακάτω κατά τη διάρκεια της αίτησης. Αυτό περιορίζει το σχεδιασμό του συστήματος δεδομένων, έγραψε VerM και οι συνεργάτες του. “Τα συστήματα δεδομένων δεν μπορούν να αναπτυχθούν για πιθανοτικά μοντέλα που μπορούν να παρέχουν υψηλό κόστος κατάρτισης και επανεκπαίδευσης χωρίς μετασχηματισμό δεδομένων που περιλαμβάνουν τις οντολογίες δεδομένων, τις ενέργειες διαχείρισης και την εμπιστοσύνη, καθώς και τη δημιουργία αιτημάτων δεδομένων που αντικατοπτρίζουν τα πραγματικά σενάρια”.
Σημείωσαν ότι η προσθήκη ψευδαισθήσεων και παρασυρόμενων του μοντέλου σε προβλήματα. Όλα αυτά είναι λόγοι για να διατηρηθούν τα χέρια ενός ατόμου στη διαδικασία – και να αυξήσουν τις προσπάθειες εξισορρόπησης και να εξασφαλίσουν τη συνέπεια στα δεδομένα.
Αυτό ενδεχομένως μετατρέπεται σε εμπιστοσύνη, ίσως το πιο πολύτιμο προϊόν στον κόσμο του AI, δήλωσε ο Zdnet Ian Clayton, διευθυντής του προϊόντος Redpoint Global.
“Η δημιουργία ενός περιβάλλοντος δεδομένων με αξιόπιστη διαχείριση δεδομένων, γραμμές δεδομένων και διαφανείς κανόνες εμπιστευτικότητας βοηθά στη διασφάλιση της ηθικής χρήσης του AI ως μέρος των παραμέτρων υπόσχεσης μάρκας”, δήλωσε ο Clayton. Η δημιουργία ενός ταμείου εμπιστοσύνης βοηθά στην πρόληψη της εμφάνισης του AI, η οποία μπορεί εύκολα να οδηγήσει σε ανομοιογενή εμπειρία των πελατών. «
Επίσης: με μοντέλα τεχνητής νοημοσύνης
Σε όλη τη διάρκεια της βιομηχανίας, η ανησυχία αναπτύσσεται από την ετοιμότητα για δεδομένα για το AI.
“Η ποιότητα των δεδομένων είναι ένα μακροπρόθεσμο πρόβλημα που έχουν συναντήσει οι επιχειρήσεις εδώ και δεκαετίες”, δήλωσε ο Gordon Robinson, ανώτερος διευθυντής διαχείρισης δεδομένων στο SAS. Σύμφωνα με τον ίδιο, υπάρχουν δύο σημαντικά ερωτήματα στο περιβάλλον δεδομένων για τις επιχειρήσεις πριν ξεκινήσουν ένα πρόγραμμα τεχνητής νοημοσύνης. Πρώτον, “Καταλαβαίνετε ποια δεδομένα έχετε, την ποιότητα των δεδομένων και αξίζουν την εμπιστοσύνη ή όχι;” Δεύτερον, “Έχετε τις σωστές δεξιότητες και εργαλεία για την προετοιμασία δεδομένων για τεχνητή νοημοσύνη;”
Σύμφωνα με τον Clayton, υπάρχει μια βελτιωμένη ανάγκη για “εδραίωση δεδομένων και ποιότητα δεδομένων” για να συναντηθούν με το AI. “Πρόκειται για την ενοποίηση όλων των δεδομένων και την έξοδο από τα bunkers, καθώς και τα εντατικά βήματα της ποιότητας των δεδομένων, τα οποία περιλαμβάνουν την παρακράτηση, την ακεραιότητα των δεδομένων και τη διασφάλιση της συνέπειας”.
Επίσης: Η ενσωμάτωση του AI ξεκινά με αξιόπιστες βάσεις δεδομένων. Εδώ είναι 3 στρατηγικές που χρησιμοποιούνται από τους ηγέτες
Η ασφάλεια των δεδομένων λαμβάνει επίσης μια νέα μέτρηση καθώς εισάγεται το AI. “Η τοποθέτηση του ελέγχου της ασφάλειας σε μια προσπάθεια να παραδώσει γρήγορα τις λύσεις και να οδηγήσει σε έλλειψη εποπτείας”, δήλωσε ο Omar Havaja, διευθυντής ασφάλειας πεδίου στο Databricks.
Οι βιομηχανικοί παρατηρητές υποδεικνύουν αρκετά βασικά στοιχεία που απαιτούνται για να εξασφαλιστεί η εμπιστοσύνη στα δεδομένα AI:
- Ευέλικτοι αγωγοί δεδομένων: Η ταχεία εξέλιξη του AI “απαιτεί ευέλικτα και κλιμακούμενα δεδομένα που είναι ζωτικής σημασίας για να διασφαλιστεί ότι η επιχείρηση μπορεί εύκολα να προσαρμοστεί στις νέες επιλογές για τη χρήση του AI”, δήλωσε ο Clayton. “Αυτή η επιδεξιότητα είναι ιδιαίτερα σημαντική για τους στόχους κατάρτισης.”
- Οραματισμός: “Εάν είναι δύσκολο για τους επιστήμονες να αποκτήσουν πρόσβαση και να απεικονίσουν τα δεδομένα που έχουν, αυτό περιορίζει σοβαρά την αποτελεσματικότητα της ανάπτυξης της τεχνητής νοημοσύνης”, δήλωσε ο Clayton.
- Προγράμματα αξιόπιστης διαχείρισης: “Χωρίς ισχυρή διαχείριση της επιχείρησης, η επιχείρηση μπορεί να αντιμετωπίσει προβλήματα ποιότητας δεδομένων, γεγονός που οδηγεί σε ανακριβή κατανόηση και κακή λήψη αποφάσεων”, δήλωσε ο Robinson. Επιπλέον, μια αξιόπιστη προσέγγιση διαχείρισης βοηθά στον προσδιορισμό “ποια δεδομένα έχουν έναν οργανισμό, την προετοιμασία του για τις εφαρμογές AI και την εξασφάλιση της συμμόρφωσης με τις κανονιστικές απαιτήσεις”.
- Διεξοδικές και συνεχιζόμενες μετρήσεις: “Η ακρίβεια και η αποτελεσματικότητα των μοντέλων AI εξαρτώνται άμεσα από την ποιότητα των δεδομένων από τα οποία εκπαιδεύονται”, δήλωσε ο Havaja. Κάλεσε να εφαρμόσει μετρήσεις, όπως οι μηνιαίοι δείκτες αποδοχής ότι “παρακολουθεί πόσο γρήγορα οι εντολές και τα συστήματα χρησιμοποιούν τις δυνατότητες δεδομένων που ελέγχονται από τους δείκτες υψηλής αποδοχής AI.
Επίσης: Θέλετε το AI να εργαστεί για την επιχείρησή σας; Τότε η εμπιστευτικότητα πρέπει να είναι η πρώτη
Η αρχιτεκτονική δεδομένων, έτοιμη για δεδομένα, θα πρέπει να επιτρέπει σε ομάδες πληροφορικής και ομάδες δεδομένων να “μετρήσουν διάφορα αποτελέσματα που καλύπτουν την ποιότητα των δεδομένων, την ακρίβεια, την πληρότητα, την ακολουθία και την απόδοση του μοντέλου τεχνητής νοημοσύνης”, δήλωσε ο Clayton. “Οι οργανισμοί πρέπει να λάβουν μέτρα για να ελέγξουν συνεχώς ότι η AI πληρώνει μερίσματα σε σύγκριση με την απλή εφαρμογή του AI για το AI”.
Θέλετε περισσότερες ιστορίες για το AI; Εγγραφείτε για καινοτομίαΗ εβδομαδιαία ψηφοφορία πληροφόρησης.
