1753771886
2025-07-29 06:41:00
生成AIは多くの業界での見出しの行為ですが、これらを動力とするデータは AIツール 舞台裏で主役を演じる。清潔でキュレーションされた、準拠したデータがなければ、最も野心的なAIおよび機械学習（ML）イニシアチブでさえも衰えます。
今日、企業はAIを事業に統合するために迅速に動いています。 McKinseyによると、2024年に、組織の65％が生成AIを使用して定期的に報告し、2023年から2倍の増加を示しています。
ただし、エンタープライズにおけるAIとMLの真の可能性は、表面レベルのコンテンツ生成によるものではありません。これは、モデルを意思決定システム、ワークフロー、およびデータの品質、ガバナンス、および信頼が中心になる顧客向けプロセスに深く埋め込むことからもたらされます。
さらに、AIとMLの機能と機能を基礎アプリケーションに組み込むだけでは、企業に良いことはありません。組織は、データのあらゆる側面を活用して、競争から際立っている戦略的な利点を作成する必要があります。
これを行うために、 データ バイアス、幻覚、および/または規制の違反を緩和するには、アプリケーションの電源を入れるには、清潔で正確でなければなりません。そうでなければ、彼らはトレーニングと出力の問題を危険にさらし、最終的にはAIおよびMLプロジェクトが最初に作成することを意図していた利点を無効にします。
優れたきれいなデータの重要性
データは成功したAIイニシアチブの基盤であり、企業はデータの品質、完全性、倫理ガバナンスのために基準を上げる必要があります。ただし、これは必ずしも見た目ほど簡単ではありません。 QLIKによると、企業の81％がAIデータの品質に苦しんでおり、収益が50億ドルを超える企業の77％がAIのデータ品質の低下が主要な危機を引き起こすと予想しています。
たとえば、2021年、ZillowはZillowのオファーをシャットダウンしました。これは、アルゴリズムの欠陥のために家を正確に評価できず、大きな損失をもたらしたためです。このケースは、非常に重要な重要性を強調しています。AIおよびMLプロジェクトは、最も正確で最良の結果を生み出すために、良好なクリーンなデータで動作する必要があります。
今日、AIおよびMLテクノロジーは、パターンを学習し、予測と推奨事項を作成し、企業がより良い意思決定を推進するのを支援するためにデータに依存しています。回収された高等生成（RAG）などの手法は、エンタープライズナレッジベースからリアルタイムで引っ張りますが、それらのソースが不完全または時代遅れの場合、モデルは不正確または無関係な回答を生成します。
エージェントAIが正確でタイムリーなデータをリアルタイムで消費することに確実に依存する能力。たとえば、市場データの故障に反応する自律的な取引アルゴリズムは、数秒以内に数百万人の損失を引き起こす可能性があります。
優れたデータの環境を確立して維持します
企業がAIおよびMLの使用に活用できる優れたデータの環境を確立および維持するために、考慮すべき3つの重要な要素があります。
1.包括的なデータ収集エンジンを構築します
効果的なデータ収集は、AIおよびMLプロジェクトを成功させるために不可欠です。また、統合、変換、品質などの最新のデータプラットフォームとツール 監視、カタログ化、および観察可能性、AIの開発と出力の要求をサポートします。組織が適切なデータを取得していることを確認します。
データを構造化、半構造化、または構造化されていないかどうかにかかわらず、収集されたデータは、展開時に遭遇する可能性のあるさまざまなユーザーシナリオをカプセル化するための堅牢なモデルトレーニングとテストをサポートするために、さまざまなソースと方法から来る必要があります。さらに、企業は倫理的なデータ収集基準に従うことを保証する必要があります。データが1回目、2番目、またはサードパーティであろうと、収集と使用に同意して、正しく調達する必要があります。
2.高いデータ品質を確保します
AIおよびMLモデルのパフォーマンス、精度、および信頼性には、高品質の適切なデータデータが不可欠です。これらのテクノロジーが新しい次元を導入することを考えると、使用されるデータは、意図したユースケースの要件と特に整合する必要があります。ただし、データおよび分析の専門家の67％が、意思決定のための組織のデータに完全な信頼を持っていないと答えています。
これに対処するには、企業が実際のシナリオを代表するデータを持っていることが不可欠です。さらに、偏ったデータが結果や公平性を損ない、悪影響を侵害する可能性があるため、トレーニングデータのバイアスを認識して対処することが重要です。 カスタマーエクスペリエンス と信頼性。
3.信頼とデータガバナンスのフレームワークを実装します
責任あるAIの推進により、データガバナンスにスポットライトが施されています。データと分析の専門家の42％が、組織が法的ガバナンスを処理する準備ができていないと言っているため、 プライバシー、およびAIイニシアチブのセキュリティポリシーは、従来のデータガバナンスフレームワークからより動的なフレームワークへの移行があることが重要です。
特に、エージェントAIが著しく著しくなると、エージェントが特定の決定を下すか、特定の行動をとる理由に対処することが重要です。企業は、信頼を構築し、説明責任を割り当て、コンプライアンスを確保するために、説明可能なAI技術に焦点を当てる必要があります。 AI出力への信頼は、その背後にあるデータへの信頼から始まります。
要約すれば
データは、これらのテクノロジーが学習できるようにするため、AIおよびMLプロジェクトは良好なデータなしで失敗します。データ戦略とAIおよびML戦略が絡み合っています。企業は、テクノロジーインフラストラクチャへの投資からガバナンスまで、データをすべてのすべてのコアに置く運用シフトを行う必要があります。
データを最初に配置するのに時間がかかる人は、プロジェクトが繁栄するのを見るでしょう。そうでない人は、継続的な闘争や競争に直面して、かかとで噛みつきます。
この記事は、TechRadarproのExpert Insights Channelの一部として制作されました。ここでは、今日のテクノロジー業界で最高で最も明るい心を紹介しています。ここで表明された見解は著者のものであり、必ずしもTechradarproまたはFuture PLCの見解ではありません。貢献に興味がある場合は、こちらをご覧ください。 https://www.techradar.com/news/submit-your-story-to-techradar-pro
#AIおよび機械学習プロジェクトは良いデータなしで失敗します