https://sellio.store/pl/page/51/     https://fashionetta.org/pl/page/51/     https://home-partner.org/pl/page/51/     https://car-paradise.org/pl/page/51/     https://car-accessories.net/pl/page/51/     https://modeo-shop.com/pl/page/51/     https://wibratory.net/pl/page/51/     https://etui-empire.com/pl/page/51/     https://e-papierosy.org/pl/page/51/     https://ero-land.org/pl/page/51/     https://lampy-sklep.com/pl/page/51/     https://desteo.org/pl/page/51/     https://shopara.org/pl/page/51/     https://shopme-online.org/pl/page/51/     https://shopinio.org/pl/page/51/     https://shopopolis.org/pl/page/51/     https://shoporama.org/pl/page/51/     https://desuto.org/pl/page/51/     https://shopsy-online.org/pl/page/51/     https://e-shopsy.org/pl/page/51/     https://vandershop.net/pl/page/51/    https://lampy-sklep.com/pl/page/51/    https://it-tech.info/    https://travel-go.info/pl/

websites-info.com

Kolejna witryna oparta na WordPressie

Sztuczna inteligencja i strategia w zakresie danych: Gdzie się przecinają?

Reklama

Sztuczna inteligencja (AI) przeniknęła do niemal każdej branży ze względu na swoją zdolność do poprawy wyników biznesowych – od wydajności pracowników, przez podejmowanie decyzji, po obsługę klienta. Nie dziwi więc, że duże i małe organizacje zaczynają korzystać z AI. Należy jednak pamiętać, że uruchomienie AI bez solidnej strategii w zakresie danych może przynieść więcej szkody niż pożytku.

Strategia w zakresie danych to zbiór szczegółowych planów i procesów generowania i analizowania wartościowych danych w celu wsparcia celów przedsiębiorstwa. W miarę jak coraz więcej firm wdraża AI, niezwykle ważne jest, aby rozumieć potrzebę stosowania AI i sposób, w jaki wpisuje się ona w nadrzędne cele biznesowe organizacji. Ponadto SI wiąże się z pewnymi zagrożeniami i wyzwaniami, takimi jak kwestie etyczne i związane z ochroną prywatności, które mogą mieć wpływ na bezpieczeństwo danych i zgodność z przepisami. Z tego powodu kluczową częścią każdej strategii musi być również ład danych.

W tym artykule skupimy się na tym, jak i dlaczego liderzy danych włączają AI do strategii danych w całym przedsiębiorstwie, aby osiągnąć długoterminowy sukces.

Wartość

AI

AI to praktyka wykorzystywania komputerów i innych maszyn, które symulują ludzką inteligencję, do wykonywania zadań. Pomimo obaw przed robotami podbierającymi miejsca pracy, AI nie podważa całkowicie procesów prowadzonych przez człowieka, ale automatyzuje zadania, które nie wymagają interwencji człowieka, przyczyniając się do zwiększenia wydajności przedsiębiorstwa.

Chociaż AI jest często mylona z uczeniem maszynowym, te dwa pojęcia nie są synonimami. Uczenie maszynowe – podgrupa AI – analizuje dane i wyciąga z nich wnioski, natomiast AI dostarcza informacji użytecznych do podejmowania decyzji w oparciu o te spostrzeżenia.

Od marketingu, przez handel elektroniczny, po opiekę zdrowotną – wiele branż zaczęło korzystać z AI, a liczba wdrożeń stale rośnie: W niedawnym raporcie firmy McKinsey oszacowano, że 56% firm na świecie wdrożyło AI w co najmniej jednej funkcji, a w 2020 r. odsetek ten wzrośnie z 50%. Ponadto oczekuje się, że globalne wydatki na AI wzrosną z 85,3 mld USD w 2021 r. do ponad 204 mld USD w 2025 r.

Dlaczego firmy kierujące się danymi inwestują w AI? Oto kilka kluczowych korzyści

:

  • Automatyzacja procesów biznesowych: Zaawansowane technologie, takie jak automatyzacja procesów (RPA), mogą zautomatyzować żmudne, powtarzalne zadania, uwalniając pracowników od konieczności skupienia się na ważniejszych zadaniach, które mogą wymagać powolnych lub skomplikowanych procesów roboczych.
  • Ulepszona analityka danych: Z pomocą algorytmów uczenia maszynowego organizacje mogą wykorzystywać sztuczną inteligencję do obiektywnej analizy danych, co pozwala na uzyskanie lepszego wglądu w dane (o ile w grę nie wchodzą uprzedzenia). Ostatecznie zinterpretowane dane można przekształcić w raporty, które mogą być wykorzystane przez decydentów.
  • Mniej błędów: Analiza prowadzona przez człowieka ma jeden krytyczny problem – brak dokładności. Wyniki obarczone błędami oznaczają stratę czasu i wysiłku. Sztuczna inteligencja pozwala na większą dokładność, choć modele muszą być zasilane dużą ilością danych.
  • Wyższy zwrot z inwestycji: Znaczenie inwestycji we wdrożenie na dużą skalę jest wielorakie. Przedsiębiorstwa zwykle oszczędzają pieniądze dzięki zastosowaniu sztucznej inteligencji, ponieważ może ona zautomatyzować zadania bez konieczności robienia przerw i zmniejszyć margines błędu. Ponadto algorytmy uczą się, gdy dostarczane są im kolejne dane, dzięki czemu z czasem stają się coraz lepsze. Wszystko to prowadzi do zwiększenia zysków i rozwoju firmy.

Tom Davenport, profesor informatyki i zarządzania w Babson College, oraz Joey Fitts, wiceprezes ds. strategii produktów analitycznych w Oracle, w swoim artykule opatrzonym komentarzem wyjaśniają

:

„Systemy analityczne wspomagane przez SI mogą przygotowywać spostrzeżenia i rekomendacje, które mogą być dostarczane bezpośrednio do osób podejmujących decyzje, bez konieczności wcześniejszego przygotowania ich przez analityka. Małe i średnie przedsiębiorstwa, które nie mogły sobie pozwolić na zatrudnienie naukowców, będą mogły analizować własne dane z większą precyzją i z lepszym zrozumieniem.”

Dlaczego strategia danych jest niezbędna?

Nitish Mittal, partner w dziale transformacji cyfrowej w Everest Group, podkreśla tę kwestię:

„Nie mogę tego wystarczająco podkreślić: dane lub brak właściwej strategii dotyczącej danych to wąskie gardło numer jeden w procesie skalowania lub robienia czegokolwiek z AI. Kiedy klienci przychodzą do nas z problemem związanym z AI, prawie zawsze jest to problem z danymi. Aby AI mogła się rozwijać, potrzebuje wiarygodnych danych. Dlatego tak ważne jest, aby najpierw pomyśleć o danych”.

To prawda, że stworzenie strategii w zakresie danych, a tym bardziej takiej, która wspiera możliwości AI, nie jest łatwym zadaniem. Strategia dotycząca danych musi być dostosowana do celów organizacji i modyfikowana w miarę ich zmiany. Bez kompleksowej, aktualnej strategii w zakresie danych inwestowanie czasu, wysiłku i pieniędzy w AI będzie daremne.

Jak opracować strategię danych wspierającą AI?

Strategia danych może umożliwić skuteczne zastosowanie AI, zapewniając harmonogram, strukturę i wsparcie w pokonywaniu wyzwań.

Mike Rollings, wiceprezes ds. badań w firmie Gartner, zaleca podjęcie następujących kroków podczas opracowywania strategii danych skoncentrowanej na AI:

  • Ocena znaczenia AI dla najważniejszych wyników biznesowych organizacji
  • Określenie typów aplikacji (np. wirtualni asystenci klienta), które należy wykorzystać
  • Uwzględnienie wyzwań organizacyjnych, zarządczych i technologicznych związanych z AI

Które przypadki użycia będą najbardziej korzystne dla firmy? Czy istnieje wystarczająca ilość czystych, gotowych do użycia danych, aby osiągnąć zakładane wyniki? Posiadanie dużej ilości danych nie zapewnia wartości, jeśli zawierają one wiele błędów.

Beena Ammanath, dyrektor wykonawczy Deloitte AI Institute, podkreśla przewagę jakości nad ilością:

„Nie wystarczy powiedzieć, że ma się 20 lat danych. Trzeba mieć właściwe dane. Możesz mieć dużą ilość danych, ale możesz nie mieć odpowiedniej jakości. Wiele firm nie posiada architektury danych, która byłaby w stanie pobierać dane z różnych miejsc i oczyszczać je tak, aby nadawały się do wykorzystania w technologii AI.”

Ustanowienie zarządzania danymi nie tylko poprawi ich jakość, ale również zapewni, że będą one wykorzystywane w sposób etyczny. Wszelkie ukryte uprzedzenia w danych lub algorytmach mogą się nasilić, jeśli nie zostaną wyeliminowane – i mogą podważyć zaufanie do AI. Wprowadzenie strategii usuwania uprzedzeń, takiej jak stosowanie narzędzi wykrywających uprzedzenia i usprawnienie procesów gromadzenia danych, zmniejszy prawdopodobieństwo wystąpienia uprzedzeń. Ponadto, zarządzanie AI może pomóc organizacjom w spełnieniu wymogów przepisów dotyczących prywatności danych.

Trendy w strategii AI

Pomimo coraz częstszego stosowania AI w różnych branżach, nadal istnieją obawy dotyczące stronniczości, prywatności, jakości i ilości danych oraz innych kwestii. Oto kilka trendów i strategii, które firmy badają w celu zminimalizowania ryzyka:

  • Małe dane: Organizacje przesuwają swoją uwagę z dużych danych na małe dane przechowywane w wiadomościach e-mail, plikach Excel i tym podobnych. Podejście to pozwala na uzyskaniepozyskiwanie większych ilości istotnych danych, które ostatecznie sprawią, że AI będzie „mniej głodna danych”.
  • Dane syntetyczne: Sztucznie wygenerowane dane mogą pomóc w uzupełnieniu braków w rzeczywistych zbiorach danych. Ponadto eliminują potrzebę dostępu do potencjalnie wrażliwych danych prywatnych. Gartner przewiduje, że do 2024 r. dane syntetyczne będą stanowiły 60% wszystkich danych wykorzystywanych w AI i analityce.
  • Odpowiedzialna AI: Ustanowienie wytycznych dotyczących odpowiedzialnej AI zwiększa prawdopodobieństwo, że systemy AI będą bezpieczne, będą szanować prywatność i nie będą stronnicze.
  • CDO na ratunek! Coraz więcej firm zatrudnia dyrektorów ds. danych (CDO), aby poprawić strategię w zakresie danych i przyspieszyć wdrażanie AI.

W

miarę jak AI staje się coraz bardziej dostępna – dzisiejsze narzędzia są bardziej przystępne niż ich poprzednicy, a AI w chmurze znacznie obniża koszty – możemy spodziewać się, że jeszcze więcej organizacji opracuje strategię danych opartą na AI-first, aby wyróżnić się na tle konkurencji i z czasem podejmować mądrzejsze decyzje.

Zdjęcie wykorzystane na licencji Shutterstock.com

ZYSKAJ

NIEOGRANICZONY DOSTĘP DO 160+ KURSÓW ONLINE

Wybierz kursy i programy szkoleniowe z zakresu zarządzania danymi na żądanie w ramach subskrypcji premium. Użyj kodu DATAEDU do 31 marca, aby uzyskać 25% zniżki!


Czytaj dalej: https://www.dataversity.net/ai-and-data-strategy-where-do-they-intersect/

Related Posts

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.