Egy fejlett MI-modell sem tud megbízható választ készíteni, ha elavult árlistából, hiányos ügyféladatokból vagy egymásnak ellentmondó dokumentumokból dolgozik. A céges MI-projektek sikerét ezért gyakran már azelőtt eldönti az adatminőség, hogy kiválasztanák magát az eszközt.
Az MI a rendelkezésére bocsátott céges valóságot látja
Képzeld el, hogy egy vállalkozás MI-asszisztenst szeretne használni ajánlatok készítésére. A rendszer hozzáférést kap a termékleírásokhoz, a korábbi ajánlatokhoz és az ügyfélnyilvántartáshoz. Az egyik táblázatban még a tavalyi árak szerepelnek, két dokumentum eltérő fizetési határidőt ír elő, néhány ügyfél pedig három különböző néven található meg.
Az MI ezek közül nem feltétlenül tudja eldönteni, melyik adat helyes. Elkészítheti a dokumentumot a régi árral, összekeverheti két ügyfél adatait, vagy magabiztosan alkalmazhatja a már nem érvényes feltételeket.
Az adatminőség azt mutatja meg, hogy az adatok mennyire pontosak, teljesek, következetesek, aktuálisak és alkalmasak a meghatározott feladatra.
Ez a probléma saját modell tanítása nélkül is jelentkezik. A legtöbb kisebb vállalkozás kész MI-modellt kapcsol a dokumentumaihoz, levelezéséhez vagy ügyfélkezelő rendszeréhez. Ilyenkor az eszköz a vállalkozás meglévő információiból keres választ. Ha a források rendezetlenek, a válasz is bizonytalan lesz.
Öt adatprobléma, amely félreviszi az MI-t
A rossz adat nem feltétlenül látványosan hibás. Sokszor teljesen hihető eredményt hoz létre.
- Pontatlan adat: hibás összeg, dátum, cím vagy besorolás szerepel a rendszerben.
- Hiányos adat: hiányzik egy szerződésmódosítás, ügyfélstátusz vagy fontos kivétel.
- Ellentmondó adat: ugyanarról a termékről vagy folyamatról több eltérő változat érhető el.
- Elavult adat: a korábbi árlista, szabályzat vagy kapcsolattartói lista maradt használatban.
- Nem megfelelően reprezentatív adat: a korábbi adatok csak bizonyos ügyféltípusokat, helyzeteket vagy időszakokat fednek le.
Az utolsó különösen veszélyes lehet döntéstámogató rendszereknél. Ha például egy értékesítési modell kizárólag a korábbi nagyvállalati ügyfelek adataiból tanul, gyengén értékelheti a kisebb, de ígéretes érdeklődőket.
A NIST szerint az MI-rendszerek működése közvetlenül függ az adatok minőségétől és reprezentativitásától, ezért a kockázatok mérésének az adatforrásokra is ki kell terjednie. A szervezet azt is javasolja, hogy a cégek vizsgálják rendszeresen, tükrözik-e még a korábbi adatok a jelenlegi működési környezetet.
A jobb prompt csak korlátozottan segít
Egy pontos utasítás javíthatja az eredmény szerkezetét, de nem teszi helyessé a hibás forrást. Ha két árlista eltérő összeget tartalmaz, az MI-től kérhető az ellentmondás jelzése. A helyes ár kiválasztásához továbbra is hiteles forrás vagy emberi döntés szükséges.
A rendszer hasznosabbá tehető, ha minden dokumentumnak van felelőse, frissítési dátuma és egyértelmű státusza. A régi verziókat érdemes archiválni, a hatályos dokumentumokat pedig elkülöníteni. Így az MI-nek kevesebb, de megbízhatóbb információból kell dolgoznia.
Az adatjavítás olcsóbb, mint a hibák kezelése
A gyenge adatminőség költsége nem merül ki egy rossz válaszban. Hibás ajánlatot küldhettek ki, téves készletinformáció alapján ígérhettek szállítást, vagy olyan ügyfelet kereshettek meg, aki már visszavonta a hozzájárulását.
Az automatizálás ráadásul felgyorsítja a hiba terjedését. Egy ember naponta néhány hibás dokumentumot készíthet. Egy automatizált rendszer rövid idő alatt több száz rekordot módosíthat vagy számos pontatlan üzenetet állíthat elő.
Így ellenőrizd az adatokat az MI-pilot előtt
A kezdéshez nincs szükség teljes vállalati adatprojektre. Válassz ki egyetlen munkafolyamatot, majd:
- írd le, milyen döntést vagy dokumentumot készít majd az MI;
- azonosítsd az ehhez használt adatforrásokat;
- ellenőrizz véletlenszerűen legalább 20–30 rekordot vagy dokumentumot;
- jelöld meg a hiányzó, eltérő és elavult adatokat;
- nevezz ki felelőst a források javítására és frissítésére.
A pilot során rögzítsd az adathibából eredő tévedéseket is. Ez megmutatja, hogy a probléma a modellben, az utasításban vagy a forrásanyagban keletkezett.
A magas kockázatú, adatokkal tanított MI-rendszereknél az uniós MI-rendelet 10. cikke külön követelményeket állít a tanítási, validálási és tesztelési adatok minőségével, reprezentativitásával és kezelésével kapcsolatban. Ez nem minden hétköznapi céges MI-eszközre vonatkozik, de jól mutatja, mennyire központi kérdéssé vált az adatminőség.
Egy MI-projekt megkezdése előtt ezért érdemes először azt megnézni, milyen állapotban van a vállalkozás saját tudása. A fejlettebb modell nem oldja meg a rendezetlen adatokat, csupán gyorsabban dolgozik velük.
