Как мы все знаем, в течение следующих нескольких лет каждая отрасль и каждый бизнес будут коренным образом переосмыслены и переоснащены искусственным интеллектом (ИИ). В основе ИИ лежит алгоритм машинного обучения, который учится распознавать закономерности и находить в данных скрытые идеи. Однако для того, чтобы волшебство произошло, эти обучающие алгоритмы должны получать непрерывный поток данных. Это похоже на приручение чудесного зверя, который принесет огромную коммерческую ценность. Чем больше и лучше данных у вас есть, тем лучше он учится. Вот почему алгоритм Netflix лучше знает ваш вкус к фильмам, чем ваш супруг; Amazon знает, какую книгу вам будет интересно прочитать следующей; Uber знает условия дорожного движения лучше любого городского правительства.

По мере того, как алгоритмы узнают о нас больше, они способны лучше предсказывать наши потребности и действовать от нашего имени. Сегодня каждой компании нужен искусственный интеллект. Кормление этого зверя/машины должно стать центральной задачей каждой организации. Именно здесь большинство компаний оказываются в неудобной ситуации. Накормить зверя кажется им невыполнимой миссией, так как они сталкиваются с двумя нерешенными проблемами:

1. Объемы данных уже вышли за пределы управляемого уровня. От нашей кухни до туалета, от офисных помещений до парковки — все они соединяются, обещая сделать нашу жизнь лучше и достичь волшебных вещей. Датчики в мобильных устройствах, автомобилях, обуви и практически всех других физических объектах генерируют поток данных. Чем больше данных, тем легче удовлетворить аппетит машины. Правильно? Но есть одна загвоздка. ИТ- и бизнес-подразделения часто оказываются между молотом и наковальней с этими потоками данных. Они изо всех сил пытаются решить, что собирать и хранить, и связанные с этим расходы. Это может быть подавляющим. Использование новых машин без большого количества данных — это все равно, что морить голодом своего зверя!

2. Грязные данные — неточные, неполные или ошибочные — делают машину грязной. Много данных не означает наличие релевантных данных. Сбор грязных данных принесет бизнесу больше вреда, чем пользы. Как и нефть, данные необходимо добывать, очищать и распространять. Хотя он может быстро расти в масштабе и ценности, он бесполезен, если ему не хватает точности и качества. На самом деле, 90% компаний до сих пор не держат свои данные в чистоте, что стоит им кучу денег. Нездоровая пища делает вас больным; точно так же грязные данные заставят зверя давать неверные или предвзятые результаты, которые наносят ущерб бизнесу. И все те, кто нанимает высокооплачиваемых специалистов по данным, в конечном итоге прожгут дыру в своем кармане, поскольку специалисты по данным тратят 80% своего времени на сбор, очистку и организацию наборов данных, а не на использование новой машины.

Вдобавок к вышесказанному, бизнес-функции (продажи, маркетинг, производство и логистика, среди прочего) часто используют свои собственные системы и аналитические инструменты, и перед ИТ-специалистами стоит гигантская задача интегрировать каждую из них и обеспечить единое представление всех данных. источники. Со временем хранилища данных разрастаются и выходят из-под контроля.

Превращение данных в полезную информацию с помощью новой машины произойдет не случайно, а путем создания и управления «цепочкой поставок данных» в рамках всего бизнеса. Для этого вы должны улучшить не только количество собираемых данных, но и их качество. Чтобы конкурировать в эпоху ускоренных цифровых технологий, жизненно важно перестроить свою стратегию сбора и уточнения данных — по сути, именно здесь можно выиграть или проиграть цифровую игру. В следующем десятилетии прорывными компаниями станут те, кто станет мастером последовательной загрузки этих обильных данных в машину для действенных и собственных идей.

Итог — не бросайтесь на ИИ, если вы не решили свои проблемы с данными. С течением времени новая машина станет только голоднее и потребует больше данных, потому что такова сама природа алгоритмов обучения. Вам будет невозможно приручить зверя.

Эта статья первоначально появилась на LinkedIn.