За словами Гартнера, 30% проектів Genai Ймовірно, буде відмовлено після підтвердження концепції до кінця 2025 року. Раннє прийняття Genai виявило, що інфраструктура даних та управління більшістю підприємств не були готові до ефективного розгортання ШІ. Перша хвиля виробництва Genai зіткнулася з значними перешкодами, і багато організацій намагаються вийти за межі етапів підтвердження концепції для досягнення значущої цінності бізнесу.
Коли ми вступаємо в другу хвилю генеративної продуктивності AI, компанії розуміють, що успішно впровадження цих технологій вимагає більш ніж просто підключення LLM до своїх даних. Ключ до того, щоб розблокувати потенціал AI спирається на три основні стовпи: отримання даних у порядку та забезпечення того, щоб вони були готові до інтеграції з AI; Ремонт практики управління даними для вирішення унікальних проблем Генай вводить; та розгортання агентів AI способами, які роблять безпечне та надійне використання природним та інтуїтивним, тому користувачі не змушені навчатись спеціалізованих навичок або точних моделей використання. Разом ці стовпи створюють міцну основу для безпечних, ефективних агентів ШІ в підприємницьких умовах.
Правильна підготовка ваших даних для ШІ
В той час Структуровані дані може здатися організованим неозброєним оком, будучи акуратно розташованим у таблицях та колонах, LLM часто намагаються зрозуміти та працювати з цією структурованою даними ефективно. Це відбувається тому, що в більшості підприємств дані не позначені семантично значущим чином. Дані часто мають криптовалюти, наприклад, “ідентифікатор” без чітких вказівок на те, чи це ідентифікатор для клієнта, продукту чи транзакції. За допомогою структурованих даних також важко зафіксувати належний контекст та взаємозв’язки між різними взаємопов’язаними точками даних, наприклад, як кроки в подорожі клієнта пов’язані між собою. Так само, як нам потрібно було позначити кожне зображення в Комп’ютерне бачення Програми, що забезпечують змістовну взаємодію, організації тепер повинні виконувати складне завдання семантично маркування своїх даних та документування відносин у всіх системах, щоб забезпечити значущі взаємодії з AI.
Крім того, дані розкидані по багатьох різних місцях – від традиційних серверів до різних хмарних служб та різних програмних додатків. Цей печворк систем призводить до критичних питань взаємодії та інтеграції, які стають ще більш проблематичними при впровадженні рішення AI.
Ще один фундаментальний виклик полягає в невідповідності визначень бізнесу в різних системах та відділах. Наприклад, команди успіху клієнтів можуть визначити “Upsell” в один бік, тоді як команда з продажу визначає це іншим способом. Коли ви підключите агент AI або чат до цих систем і почнете задавати питання, ви отримаєте різні відповіді, оскільки визначення даних не узгоджуються. Ця відсутність вирівнювання не є незначною незручністю – це критичний бар’єр для впровадження надійних рішень AI.
Погана якість даних створює класичний “сміття, сміття“Сценарій, який стає експоненціально серйознішим, коли інструменти AI розгортаються на підприємстві. Неправильні або безладні дані впливають на набагато більше одного аналізу – він поширює неправильну інформацію всім, хто використовує систему, через їх питання та взаємодію. Для побудови довіри до систем AI для реальних бізнес -рішень підприємства повинні забезпечити, щоб їхні додатки AI мають чисті, точні та зрозумілі в належному бізнес -контексті. Це являє собою фундаментальний зсув того, як організації повинні думати про свої дані про дані в епоху ШІ – де якість, послідовність та семантична ясність стають настільки ж важливими, як і самі дані.
Зміцнення підходів до управління
Управління даними в останні роки було головним напрямком для організацій, в основному зосередженим на управлінні та захисті даних, що використовуються в аналітиці. Компанії докладають зусиль для відображення конфіденційної інформації, дотримання доступу до стандартів, дотримання таких законів, як GDPR та CCPA, та виявляють персональні дані. Ці ініціативи є життєво важливими для створення даних AI-готових. Однак, коли організації впроваджують генеративних агентів AI у свої робочі процеси, виклик управління виходить за рамки лише самих даних, щоб охопити весь досвід взаємодії користувачів з AI.
Зараз ми стикаємося з імперативом, щоб керувати не лише основними даними, але й процесом, за допомогою якого користувачі взаємодіють з цими даними через агенти ШІ. Існуюче законодавство, наприклад Закон про AI Європейського Союзуі більше правил щодо горизонту підкреслює необхідність управління самим процесом відповідей. Це означає забезпечення того, щоб агенти AI забезпечували прозорі, пояснені та простежувані відповіді. Коли користувачі отримують відповіді на чорну скриньку-наприклад, запитують: “Скільки пацієнтів з грипом було прийнято вчора?” і отримати лише “50” без контексту – важко довіряти цій інформації для критичних рішень. Не знаючи, звідки взялися дані, як вони були обчислені, або визначення таких термінів, як “визнано” та “вчора”, вихід AI втрачає надійність.
На відміну від взаємодії з документами, де користувачі можуть відстежувати відповіді на конкретні PDF -файли або політику для перевірки точності, взаємодія з структурованими даними через агентів ШІ часто не має такого рівня простежуваності та пояснюваності. Для вирішення цих питань організації повинні проводити заходи управління, які не лише захищають конфіденційні дані, але й роблять досвід взаємодії AI та надійним. Це включає встановлення надійного контролю доступу, щоб гарантувати, що лише уповноважений персонал може отримати доступ до конкретної інформації, визначаючи чітку власність даних та обов’язки управління та забезпечення того, щоб агенти AI надали пояснення та посилання на свої результати. Отримавши практику управління даними, щоб включити ці міркування, підприємства можуть безпечно використовувати силу агентів ШІ, дотримуючись регулювання, що розвиваються та підтримуючи довіру користувачів.
Мислення поза швидкою інженерною
Оскільки організації впроваджують генеративних агентів ШІ, намагаючись покращити доступність даних, оперативна інженерна став новим технічним бар’єром для ділових користувачів. Хоча рекламується як перспективний шлях кар’єри, оперативна інженерія по суті відтворює ті самі бар’єри, з якими ми боролися в аналітиці даних. Створення ідеальних підказок нічим не відрізняється від написання спеціалізованих запитів SQL або створення фільтрів інформаційної панелі – це переміщує технічну експертизу з одного формату в інший, все ще вимагає спеціалізованих навичок, яких більшість ділових користувачів не мають і не потребують.
Підприємства давно намагалися вирішити доступність даних, навчаючи користувачів для кращого розуміння систем даних, створення документації та розробки спеціалізованих ролей. Але такий підхід відстає – ми просимо користувачів адаптуватися до даних, а не робити адаптації даних до користувачів. Швидке інженерія загрожує продовжити цю схему, створивши ще один шар технічних посередників.
Справжня демократизація даних вимагає систем, які розуміють бізнес -мову, а не користувачі, які розуміють мову даних. Коли керівники запитують про утримання клієнтів, їм не повинна потрібна ідеальна термінологія чи підказки. Системи повинні розуміти наміри, розпізнавати відповідні дані в різних мітках (будь то “розбиття”, “утримання” або “життєвий цикл клієнта”), і надавати контекстуальні відповіді. Це дозволяє діловим користувачам зосередитись на рішеннях, а не навчитися задавати технічно досконалі питання.
Висновок
Агенти AI принесуть важливі зміни в тому, як підприємства діють та приймають рішення, але поставляються з власним унікальним набором викликів, які необхідно вирішити до їх розгортання. За допомогою AI кожна помилка посилюється, коли нетехнічні користувачі мають доступ до самообслуговування, що робить її вирішальною, щоб виправити основи.
Організації, які успішно вирішують основні виклики якості даних, семантичного узгодження та управління, виходячи за межі обмежень оперативної інженерії, будуть позиціонувати для безпечного демократизації доступу до даних та прийняття рішень. Найкращий підхід передбачає створення спільного середовища, яке сприяє роботі в команді та вирівнює взаємодію людини до машини, а також взаємодії з машиною до машини. Це гарантує, що розуміння AI-керованих AI є точними, безпечними та надійними, заохочуючи культуру в цілому організації, яка керує, захищає та максимально збільшує дані до повного потенціалу.
