Akselerer AI-prosjekter med dataforberedelse

Organisasjoner som setter i gang AI-prosjekter, kan ikke vente på langsiktige prosjekter for sentralisering av data. De må kunne integrere data av høy kvalitet, uansett hvor den befinner seg, så raskt som mulig, slik at AI-verktøyene deres kan levere kontekstuelt nøyaktige resultater basert på innsikt fra de nyeste dataene.

Utdatert og tungvint uthenting og kopiering av data fra flere kilder til en sentral lokasjon for innmating i AI-verktøy er unødvendig og bruker betydelige tekniske og økonomiske ressurser. 

Fremveksten av tilbakeføring av data: overgangen fra skyen til lokale systemer

For mange organisasjoner er flyttingen av data fra skybasert lagring til lokale systemer i full gang. Dette kalles tilbakeføring av data. Etter hvert som mengden data organisasjoner oppretter og behandler har økt, har også kostnadene knyttet til datahåndtering økt. Selv med bare noen få cent per gigabyte summeres kostnadene raskt.

Bill Burnham, teknologidirektør for offentlig sektor i USA hos Hewlett Packard Enterprise, påpeker at kostnadene kan vokse «astronomisk» når organisasjoner begynner å behandle petabyte med data. Det er økonomisk fornuftig å føre data tilbake til lokal lagring, særlig i AI-applikasjoner der nye data brukes til å forbedre og oppdatere resultater. 

Fra et operasjonelt perspektiv er det ideelt å plassere data så nær som mulig stedet der de skal brukes. Skybaserte systemer har mange fordeler, men de er ikke en løsning på alle problemer. Ved trening av AI-modeller er det avgjørende at de har tilgang til de nyeste og mest nøyaktige dataene.

Sikring av AI-data og resultater

Forskning fra Gartner antyder at feilkonfigureringer av skytjenester er et betydelig problem som kan føre til at sensitive data mates inn i uautoriserte AI-modeller. På samme måte som sluttbrukere advares om at forespørslene de sender til offentlige generativ AI-tjenester kan brukes, gjelder dette scenariet alle data som eksponeres.

Lokale systemer er ikke immune mot datainnbrudd, men risikoen for at en uautorisert AI-modell får tilgang til bedriftsdata og forårsaker en lekkasje av immaterielle rettigheter, kan reduseres.

Unøyaktige resultater fra AI-modeller er fortsatt et betydelig problem. Nyere eksempler, som Googles AI-forslag om at kokker kan bruke lim for å få osten til å bli værende på pizzaen og spise en stein hver dag som kilde til vitaminer og mineraler, viser hvor viktig det er at LLM-er fylles med relevante data i riktig kontekst. Ved å bruke egne data og gjøre dem tilgjengelige raskt og kostnadseffektivt reduseres risikoen for misvisende eller feilaktige resultater. 

Kontekstuelle datas rolle for AI-nøyaktighet

Betydningen av kontekstuell informasjon kan ikke overvurderes. De beste dataene organisasjonen kan bruke i AI-verktøy, er data som er direkte knyttet til virksomhetens handlinger.

For klesforhandlere er data om demografien de betjener, avgjørende. En klesbutikk som fokuserer på å betjene kvinner i alderen 16 til 25 år, trenger andre inndata enn butikker som selger dresser til menn i aldersgruppen 35 til 50 år.

AI-modeller som tar inn generelle data og ikke forstår virksomhetens spesifikke behov, kan levere resultater som fører til dårlige beslutninger. Selv om eksempler som å lime ost på en pizza er humoristiske, kan det bli kostbart eller til og med katastrofalt dersom en innkjøper for en detaljhandelskjede bestiller tusenvis av klesenheter som ikke blir solgt. 

Ta AI-løsningene dine lokalt

Ved å plassere data så nær som mulig stedet der de skal brukes av AI, reduseres kompleksitet og kostnader. AI-prosjekter er svært avhengige av dataene som brukes til å trene modellen. Tilgang til data av høy kvalitet i rett tid er mer verdifullt enn å ansette flere dataforskere. Organisasjoner må prioritere dataene de bruker til modellene sine, og gjøre dem tilgjengelige. 

Den typiske tilnærmingen til håndtering av data for AI-applikasjoner er å kopiere data fra kilden, slik at de kan brukes til å trene modellene. Men når de beste dataene er fordelt på flere plattformer, for eksempel et skybasert CRM-system, en lokal økonomiplattform og nettbaserte produktivitetsverktøy, kan det være utfordrende å gjøre dataene tilgjengelige. Ofte blir resultatet at de dataene som er enklest å sentralisere, brukes, mens resten får vente til budsjetter og tid tillater det.

Spørsmålet AI-team må stille, er hvordan de kan få tilgang til alle dataene de trenger uten å måtte vente på kostbare og tidkrevende prosjekter for tilbakeføring av data. De trenger en enkel måte å få tilgang til heterogene data på flere steder, og å kunne omdirigere spørringene som får tilgang til disse dataene etter hvert som dataene flyttes.

Dataforberedelsesverktøy kan klargjøre data for AI-aktivering samtidig som forstyrrelsene under tilbakeføringen av data minimeres. Ved å utnytte disse nye, toppmoderne metodene kan AI-prosjekter gå raskt fremover uten å vente på datamigrering eller behovet for å bygge om systemene betydelig. Treningsdata kan gjøres tilgjengelige for AI-modeller og LLM-er nesten i sanntid etter hvert som de opprettes.

Akselerering av AI-prosjekter med lokale datahubber

Økende kostnader, bekymringer for lekkasje av immaterielle rettigheter og et behov for større smidighet i utviklingen av AI-verktøy driver overgangen fra skybaserte plattformer til lokale løsninger. AI og LLM-er krever tilgang til data av høy kvalitet som er kontekstuelle og oppdaterte, for å sikre at de leverer best mulige resultater for brukerne. 

En AI-datahub som fungerer som én sentral arbeidsflate og ett styringsområde for alle AI- og dataintegrasjonsprosjekter, gjør det mulig å akselerere AI-prosjekter parallelt med prosjekter for tilbakeføring fra skyen, slik at organisasjoner raskt kan utnytte dataene sine.

Samtidig kan de fortsette å gi forretningsbrukere bedre kundeinnsikt og avansert analyse for å øke inntektene og slå konkurrentene i et svært konkurransepreget forretningsmiljø.  

Abonner på nyhetsbrevet fra The CTO Club for mer innsikt i AI og beste praksis.