On senelerdir, her boyuttaki firmalar, kullanabileceğiniz verilerin, kullanıcı ve satın alan deneyimlerini geliştirmek ve ampirik kanıtlara dayalı stratejik planlar geliştirmek için mühim bir değere haiz bulunduğunu kabul etmiştir.
Suni zeka, gerçek dünya iş uygulamaları için giderek daha erişilebilir ve ergonomik hale geldikçe, mevcut verilerin potansiyel kıymeti katlanarak artmıştır. Suni zekayı başarıyla benimsemek, veri toplama, iyileştirme ve ön işlemde mühim çaba gerektirir. Ek olarak, veri yönetişimi, gizlilik, anonimleştirme, düzenleyici uyum ve güvenlik şeklinde mühim hususlar en baştan dikkatle ele alınmalıdır.
IBM’deki Americas veri platformu lideri Henrique Lemes ile yapmış olduğu konuşmada, işletmelerin bir takım kullanım durumunda ergonomik suni zeka uygulamada karşılaşmış olduğu zorlukları araştırdık. Verilerin doğasını, çeşitli türlerini ve etkili AI ile çalışan uygulamaların sağlanmasındaki rolünü inceleyerek başladık.
Henrique, tüm kurumsal bilgilere bir tek ‘veri’ olarak atıfta bulunmanın karmaşıklığını azalttığını altını çizdi. Çağdaş işletme, bilhassa yapılandırılmış ve yapılandırılmamış kaynaklar içinde, çeşitli veri türlerinin ve tutarsız kalitenin parçalanmış bir manzarasına geçer.
Kolay bir ifadeyle, yapılandırılmış veriler, yazılım sistemleri tarafınca verimli işleme ve çözümleme elde eden standartlaştırılmış ve kolayca aranabilir bir formatta düzenlenen detayları ifade eder.
Yapılandırılmamış veriler, evvelde tanımlanmış bir formatı yada organizasyon modelini takip etmeyen bilgilerdir, bu da işlenmesini ve çözümleme etmeyi daha karmaşık hale getirir. Yapılandırılmış verilerin aksine, e -postalar, toplumsal medya yayınları, videolar, resimler, belgeler ve ses dosyaları şeklinde çeşitli formatlar ihtiva eder. Yapılandırılmış verilerin net organizasyonundan yoksun olsa da, yapılandırılmamış veriler, gelişmiş analitik ve suni zeka kanalıyla etkili bir halde yönetildiğinde yeniliği artırabilecek ve stratejik iş kararlarını bilgilendirebilecek kıymetli bilgiler bulunmaktadır.
Henrique, “Şu anda, kurumsal verilerin% 1’inden daha azı üretken AI tarafınca kullanılmaktadır ve bu verilerin% 90’ından fazlası, itimat ve kaliteyi direkt etkileyen yapılandırılmamıştır”.
Veri açısından itimat unsuru önemlidir. Bir kuruluştaki karar vericiler, parmaklarının ucundaki bilgilerin tam, güvenilir ve uygun şekilde elde edildiğine dair kati bir inanca (itimat) gerekseme duyarlar. Sadece, işletmeler için mevcut verilerin yarısından daha azının suni zeka için kullanıldığına dair kanıtlar vardır, yapılandırılmamış veriler çoğu zaman işlenmenin karmaşıklığı ve bilhassa ölçekte – uyumu için araştırma sebebiyle göz ardı edilir yada kısıtlanır.
Daha dolgun bir takım ampirik veriye dayanan daha iyi kararların yolunu açmak için, kolayca tüketilen bilgilerin damlasının bir yangın hizasına dönüştürülmesi gerekir. Henrique, otomatik alımın bu mevzuda yanıt bulunduğunu, sadece yönetişim kuralları ve veri politikaları hala yapılandırılmamış ve yapılandırılmamış verilere uygulanması icap ettiğini söylemiş oldu.
Henrique, işletmelerin verilerinin naturel değerinden yararlanmasına müsaade eden üç süreci ortaya koydu. “İlk olarak, ölçekte yutma. Bu süreci otomatikleştirmek önemlidir. İkincisi, küratörlük ve veri yönetişimi. Ve üçüncüsü [is when] Bunu üretken suni zeka için kullanılabilir hale getiriyorsunuz. Herhangi bir geleneksel bez kullanım kasası üstünden YG’nin% 40’ından fazlasını elde ediyoruz. ”
IBM, Gelişmiş Yazılım Çözümleri ve Alan Uzmanlığı ile birleştirilmiş, Enterprise’ın AI yolculuğunun derin bir anlayışına dayanan birleşik bir strateji sunar. Bu, kuruluşların hem yapılandırılmış hem de yapılandırılmamış verileri, mevcut yönetişim ve uyum çerçevelerinin sınırları içinde suni zekaya hazır varlıklara verimli ve güvenli bir halde dönüştürmelerini sağlar.
“İnsanları, süreçleri ve araçları bir araya getiriyoruz. Naturel olarak rahat değil, sadece tüm temel kaynakları hizalayarak basitleştiriyoruz” dedi.
İşletmeler ölçeklendikçe ve dönüştükçe, verilerinin çeşitliliği ve hacmi artar. Devam etmek için AI veri alım süreci hem ölçeklenebilir hem de esnek olmalıdır.
“[Companies] AI çözümleri başlangıçta belirli görevler için inşa edilmiş olduğu için ölçeklendirilirken zorluklarla karşılaşır. Kapsamlarını genişletmeye çalıştıklarında, çoğu zaman hazır değiller, veri boru hatları daha karmaşıklaşır ve yapılandırılmamış verileri yönetmek mecburi hale gelir. Bu, etkili veri yönetişimi için artan bir talebi artırıyor ”dedi.
IBM’in yaklaşımı, her müşterinin AI yolculuğunu iyice idrak etmek ve etkili AI uygulaması kanalıyla YG’ye ulaşmak için açık bir yol haritası oluşturmaktır. Henrique, “Veri alımı, soy, yönetişim, sektöre özgü düzenlemelere uyum ve lüzumlu gözlemlenebilirliğin yanı sıra yapılandırılmış yada yapılandırılmamış veri doğruluğuna öncelik veriyoruz. Bu kabiliyetler, müşterilerimizin çoklu kullanım durumlarında ölçeklenmesini ve verilerinin değerinden tamamen yararlanmasını sağlıyor” dedi.
Teknoloji uygulamasında kıymetli bir şey şeklinde, doğru süreçlerin yerine getirilmesi, doğru araçlara çekilmesi ve herhangi bir veri çözümünün iyi mi gelişmesi gerekebileceğine dair lüzumlu gösterime haiz olmak vakit alır.
IBM, işletmelere herhangi bir ölçekte en düzenlenmiş endüstrilerde bile AI iş yüklerini etkinleştirmek için bir takım seçenek ve vasıta sunar. Alan kişi ekibi içinde internasyonal bankalar, finans evleri ve küresel çokuluslu firmalar ile bu bağlamda Big Blue için birkaç yedek var.
İşleten ve süratli, mühim yatırım getirisi sunan suni zeka için veri boru hatlarının etkinleştirilmesi hakkında daha çok informasyon edinmek için, Bu sayfaya gidin.