Fremskynd AI-projekter med dataforberedelse

Organisationer, der går i gang med AI-projekter, kan ikke vente på langsigtede projekter til centralisering af data. De skal kunne integrere data af høj kvalitet, uanset hvor dataene befinder sig, så hurtigt som muligt, for at deres AI-værktøjer kan levere kontekstuelt nøjagtige resultater baseret på indsigt fra de seneste data.

Forældet og besværlig dataudtrækning og kopiering fra flere kilder til en central placering, hvor dataene kan indlæses i AI-værktøjer, er unødvendigt og bruger betydelige tekniske og økonomiske ressourcer. 

Fremkomsten af datarepatriering: Skift fra cloud til on-premises

For mange organisationer er flytningen af data fra cloudbaseret lagring til on-premises-systemer i fuld gang. Dette kaldes datarepatriering. I takt med at mængden af data, organisationer skaber og behandler, er steget, er omkostningerne forbundet med datastyring også steget. Selv ved få cent pr. gigabyte løber omkostningerne hurtigt op.

Bill Burnham, CTO for den amerikanske offentlige sektor hos Hewlett Packard Enterprise, bemærker, at omkostningerne kan vokse “astronomisk”, når organisationer begynder at behandle petabytes af data. Det giver økonomisk mening at flytte data tilbage til on-premises-lagring, særligt i AI-applikationer, hvor nye data bruges til at forfine og opdatere resultater. 

Fra et operationelt perspektiv er det ideelt at placere data så tæt som muligt på det sted, hvor de skal bruges. Cloudbaserede systemer har mange fordele, men de er ikke en løsning på alle problemer. Når AI-modeller trænes, er det afgørende, at de har adgang til de seneste og mest nøjagtige data.

Beskyttelse af AI-data og resultater

Forskning fra Gartner tyder på, at fejlkonfigurationer af cloudtjenester er et betydeligt problem, som kan medføre, at følsomme data indlæses i uautoriserede AI-modeller. Ligesom slutbrugere advares om, at de forespørgsler, de indsender til offentlige generative AI-tjenester, kan blive brugt, gælder dette scenarie for alle data, der eksponeres.

On-premises-systemer er ikke immune over for databrud, men risikoen for, at en uautoriseret AI-model får adgang til virksomhedsdata og dermed forårsager et læk af intellektuel ejendom, kan begrænses.

Upræcise resultater fra AI-modeller er fortsat et betydeligt problem. Nylige eksempler, såsom Googles AI, der foreslog kokke at bruge lim for at få osten til at blive på en pizza og spise en sten hver dag som kilde til vitaminer og mineraler, viser, hvor vigtigt det er, at LLM'er forsynes med passende og kontekstuelle data. Ved at bruge dine egne data og gøre dem tilgængelige hurtigt og omkostningseffektivt reduceres risikoen for vildledende eller fejlagtige resultater. 

Den kontekstuelle datas rolle for AI-nøjagtighed

Betydningen af kontekstuelle oplysninger kan ikke overvurderes. De bedste data, din organisation kan bruge til AI-værktøjer, er data, der specifikt vedrører jeres aktiviteter.

For tøjforhandlere er data om den demografi, de betjener, afgørende. En tøjbutik, der fokuserer på at betjene den kvindelige demografiske gruppe på 16 til 25 år, har brug for andre input end butikker, der sælger jakkesæt til mænd i aldersgruppen 35 til 50 år.

AI-modeller, der indlæser generelle data og ikke forstår virksomhedens specifikke behov, kan levere resultater, der fører til dårlige beslutninger. Selvom eksempler som at lime ost fast på en pizza er humoristiske, kan det blive dyrt eller endda katastrofalt, hvis en indkøber for en detailkæde bestiller tusindvis af tøjenheder, som ikke bliver solgt. 

Sådan bringer du din AI on-premises

Ved at placere data så tæt som muligt på det sted, hvor de skal bruges til AI, reduceres kompleksiteten og omkostningerne. AI-projekter er stærkt afhængige af de data, der bruges til at træne modellen. Det er mere værdifuldt at have data af høj kvalitet, som er tilgængelige rettidigt, end at ansætte flere dataforskere. Organisationer skal prioritere de data, de bruger til deres modeller, og gøre dem tilgængelige. 

Den typiske tilgang til håndtering af data til AI-applikationer er baseret på at kopiere data fra kilden, så de kan bruges til at træne modellerne. Men når de bedste data er fordelt på flere platforme, såsom et cloudbaseret CRM-system, en on-premises-finansplatform og onlineproduktivitetsværktøjer, kan det være en udfordring at gøre dataene tilgængelige. Ofte er resultatet, at de data, der er lettest at centralisere, bliver brugt, mens resten må vente, indtil budget og tid tillader det.

Det spørgsmål, AI-teams skal stille, er, hvordan de kan få adgang til alle de data, de har brug for, uden at skulle vente på dyre og tidskrævende projekter med tilbageflytning af data. De har brug for en nem måde at få adgang til forskellige data på flere placeringer og kunne omdirigere de forespørgsler, der får adgang til disse data, efterhånden som dataene flyttes.

Dataklargøringsværktøjer kan klargøre data til AI-aktivering og samtidig minimere forstyrrelser under tilbageflytningen af data. Ved at udnytte disse nye, avancerede metoder kan AI-projekter sættes markant i vejret uden at vente på datamigrering eller behovet for at omudvikle systemer i væsentlig grad. Træningsdata kan bringes til AI-modeller og LLM'er, efterhånden som de oprettes, næsten i realtid.

Accelerering af AI-projekter med lokale dataknudepunkter

Stigende omkostninger, bekymringer om lækage af intellektuel ejendom og større smidighed i udviklingen af AI-værktøjer driver skiftet fra skybaserede platforme til lokale datacentre. AI og LLM'er kræver adgang til data af høj kvalitet, med relevant kontekst og rettidigt leveret, for at sikre, at de giver brugerne de bedst mulige resultater. 

En AI-dataplatform, der fungerer som den eneste centrale arbejdsplatform og styringszone for alle AI- og dataintegrationsprojekter, gør det muligt at fremskynde AI-projekter parallelt med projekter med tilbageflytning fra skyen, så organisationer hurtigt kan udnytte deres data.

Samtidig kan de fortsat give forretningsbrugere bedre kundeindsigt og avanceret analyse for at øge omsætningen og slå konkurrenterne i et ekstremt konkurrencepræget erhvervsmiljø.  

Tilmeld dig The CTO Clubs nyhedsbrev for at få flere indsigter om AI og bedste praksis.