Ο ενθουσιασμός είναι μεγάλος για όλα τα θαύματα της τεχνολογίας σήμερα — τεχνητή νοημοσύνη, αναλυτικά στοιχεία σε πραγματικό χρόνο, εικονική πραγματικότητα και συνδεδεμένη επιχείρηση, για να αναφέρουμε μερικά. Ωστόσο, χωρίς τα σωστά δεδομένα, αυτές οι πρωτοβουλίες είναι μάταιες. Δύο νέες μελέτες προειδοποιούν ότι οι εταιρείες πρέπει ακόμα να βάλουν σε τάξη τα κέντρα δεδομένων τους και, ως εκ τούτου, δεν είναι έτοιμες να προχωρήσουν σε πρωτοβουλίες όπως η γενετική τεχνητή νοημοσύνη (GAI).
Στο επιχειρηματικό περιβάλλον, υπάρχει μια δύσκολη μάχη μεταξύ της επεξεργασίας δεδομένων και της ανάπτυξης της τεχνητής νοημοσύνης. Το πρόβλημα είναι ότι τα δεδομένα παραμένουν υπερβολικά μεγάλος κίνδυνος παρά πλεονέκτημα σε πρωτοβουλίες που βασίζονται σε δεδομένα ή τεχνητή νοημοσύνη.
Επίσης: Θα μπορούσε η τεχνητή νοημοσύνη να καταστήσει την επιστήμη των δεδομένων ξεπερασμένη;
Ενώ βιάζονται αδιάκοπα στην τεχνητή νοημοσύνη και σε άλλες πρωτοβουλίες αιχμής, «πολλοί οργανισμοί βρίσκονται σε σύγχυση σχετικά με το πώς να εκτιμούν τις επενδύσεις στην τεχνολογία και τις βάσεις δεδομένων, ενώ εξακολουθούν να τις θεωρούν αποκλειστικά ως κέντρα κόστους», δήλωσε ο Steve Mitchell, CFO της Redgate Software. «Ωστόσο, υπάρχουν εταιρείες που έχουν επιδείξει την ανάπτυξη και τις τεράστιες ευκαιρίες δημιουργίας αξίας που παρέχουν τα δεδομένα, καθώς και την ικανότητα να κινούνται γρήγορα για να αξιοποιήσουν τον συνεχώς αυξανόμενο όγκο τους. Περισσότεροι οργανισμοί χρειάζονται και θα αναζητήσουν πιο ισχυρούς τρόπους για να μετρήσουν τα οφέλη που μπορεί να φέρει η ταχύτερη και βελτιωμένη λήψη αποφάσεων βάσει δεδομένων: βελτιωμένη εκτέλεση της επιχείρησης, λιγότερη σπατάλη προσπάθειας και πόρων, μια πιο ικανοποιημένη ομάδα και πολλά άλλα».
Ενώ η τεχνητή νοημοσύνη παραμένει προτεραιότητα για επενδύσεις στον τομέα της πληροφορικής, η δυναμική επιβραδύνεται λόγω των προκλήσεων δεδομένων, σύμφωνα με έρευνα του Presidio σε 1.000 στελέχη πληροφορικής. Τουλάχιστον το 86% αναφέρει εμπόδια που σχετίζονται με δεδομένα, όπως δυσκολία απόκτησης ουσιαστικών πληροφοριών και προβλήματα πρόσβασης σε δεδομένα σε πραγματικό χρόνο.
Τα μισά από τα στελέχη που συμμετείχαν στην έρευνα πιστεύουν ότι μπήκαν στη γενιά της τεχνητής νοημοσύνης προτού να είναι πλήρως έτοιμα, σύμφωνα με την έρευνα. Μεταξύ εκείνων που έχουν ήδη εφαρμόσει τεχνητή νοημοσύνη γενιάς, το 84% αντιμετώπισε προβλήματα με τις πηγές δεδομένων. «Αυτό υποδηλώνει ότι η ετοιμότητα δεν έχει να κάνει μόνο με την υιοθέτηση τεχνολογίας – αφορά την ύπαρξη των απαραίτητων δεδομένων και υποδομών», προτείνουν οι συντάκτες της έρευνας.
Υπάρχει επίσης δισταγμός σχετικά με την υιοθέτηση του AI. Περισσότεροι από εννέα στους δέκα ηγέτες πληροφορικής (92%) αναφέρουν ανησυχίες σχετικά με την ενσωμάτωση της τεχνητής νοημοσύνης στις λειτουργίες.
Επίσης: Σύγκριση του νέου εργαλείου ανάλυσης δεδομένων AI του Claude με την έκδοση ChatGPT (υπόδειξη: δεν είναι)
Ένας στους πέντε ερωτηθέντες (20%) προειδοποιεί ότι τα έργα τεχνητής νοημοσύνης αποτυγχάνουν επειδή η εφαρμογή βιάζεται πολύ γρήγορα. Ένα άλλο 17% αναφέρει ζητήματα ποιότητας δεδομένων. Αυτό είναι ιδιαίτερα εμφανές μεταξύ των ηγετών στον τομέα της υγειονομικής περίθαλψης, όπου περισσότερο από το ένα τέταρτο (27%) αναφέρουν τη βιαστική εφαρμογή ως τον κύριο λόγο αποτυχίας.
Ο δρόμος για την επιτυχία της τεχνητής νοημοσύνης και των δεδομένων βασίζεται στη διαχείριση και αυτό αποτελεί πρόκληση για πολλές εταιρείες, σύμφωνα με μια ξεχωριστή έρευνα 220 επαγγελματιών επιχειρήσεων και πληροφορικής που διεξήχθη από την Quest Software and Enterprise Strategy Group. Η μελέτη διαπίστωσε ότι η ετοιμότητα δεδομένων AI και η λειτουργική αποτελεσματικότητα αποτελούν πλέον κορυφαίες προτεραιότητες για πολλά στελέχη.
Το 33% ανέφερε τη μετάβαση των δεδομένων και της διακυβέρνησης σε κατάσταση έτοιμη για τεχνητή νοημοσύνη, καθιστώντας την ένα σημαντικό εμπόδιο που επηρεάζει την αλυσίδα αξίας δεδομένων του οργανισμού. Το 38% δεν κατανοεί την ποιότητα των δεδομένων πηγής και σχετίζεται με το 33% που αναφέρει προβλήματα με την αναζήτηση, τον εντοπισμό και τη συλλογή δεδομένων.
Επίσης: 5 Συμβουλές για να επιλέξετε το σωστό μοντέλο AI για την επιχείρησή σας
Οι ερωτηθέντες ανέφεραν ότι η διαχείριση της χρήσης μοντέλων και δεδομένων τεχνητής νοημοσύνης (για να διασφαλιστεί η συσχέτιση δεδομένων, η γενεαλογία δεδομένων και η πολιτική δεδομένων) είναι η πιο προκλητική πρόκληση διαχείρισης. Η διακυβέρνηση της τεχνητής νοημοσύνης ήταν στην κορυφή της λίστας με τη διαχείριση μεταδεδομένων – βασικό συστατικό της ετοιμότητας δεδομένων τεχνητής νοημοσύνης – με αύξηση 21% από έτος σε έτος. Η παρακολούθηση της ποιότητας των δεδομένων, η αποκατάσταση της ποιότητας των δεδομένων, το προφίλ δεδομένων και η αξιολόγηση ποιότητας, καθώς και η πολιτική και ο έλεγχος δεδομένων ολοκληρώνουν τις κύριες προκλήσεις που αντιμετωπίζουν σήμερα οι οργανισμοί.
