Påskynda AI-projekt med dataförberedelse
Organisationer som inleder AI-projekt kan inte vänta på långsiktiga projekt för centralisering av data. De måste kunna integrera data av hög kvalitet, var den än finns, så snabbt som möjligt, så att deras AI-verktyg kan leverera kontextuellt korrekta resultat baserade på insikter från de senaste data.
Föråldrad och omständlig dataextraktion och kopiering från flera källor till en central plats för att matas in i AI-verktyg är onödig och förbrukar betydande tekniska och ekonomiska resurser.
Framväxten av dataåterföring: från molnet till lokala system
För många organisationer pågår överföringen av data från molnbaserad lagring till lokala system för fullt. Detta kallas dataåterföring. I takt med att mängden data som organisationer skapar och hanterar har ökat har även kostnaderna för datahantering ökat. Även vid bara några cent per gigabyte växer kostnaderna snabbt.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Bill Burnham, CTO för den offentliga sektorn i USA på Hewlett Packard Enterprise, påpekar att kostnaderna kan växa ”astronomiskt” när organisationer börjar bearbeta petabyte av data. Att flytta tillbaka data till lokal lagring, särskilt i AI-tillämpningar där nya data används för att förfina och uppdatera resultat, är ekonomiskt rimligt.
Ur ett operativt perspektiv är det idealiskt att placera data så nära som möjligt den plats där den ska användas. Molnbaserade system erbjuder många fördelar, men de är inte en lösning på alla problem. När AI-modeller tränas är det avgörande att de har tillgång till de senaste och mest korrekta data.
Skydd av AI-data och resultat
Forskning från Gartner tyder på att felkonfigurationer av molntjänster är ett betydande problem som kan leda till att känsliga data matas in i obehöriga AI-modeller. Precis som slutanvändare varnas för att de frågor de skickar till offentliga generativa AI-tjänster kan användas, gäller detta scenario alla data som exponeras.
Lokala system är inte immuna mot dataintrång, men risken för att en obehörig AI-modell får åtkomst till företagsdata och orsakar en läcka av immateriella tillgångar kan begränsas.
Felaktiga resultat från AI-modeller är fortfarande ett betydande problem. Nya exempel, som att Googles AI föreslog att kockar skulle använda lim för att få osten att stanna kvar på en pizza och äta en sten varje dag som källa till vitaminer och mineraler, visar hur viktigt det är att LLMs fylls med lämpliga och kontextuella data. Genom att använda egna data och göra dem tillgängliga snabbt och kostnadseffektivt minskar risken för vilseledande eller felaktiga resultat.
Kontextuella datas roll för AI:s träffsäkerhet
Vikten av kontextuell information kan inte överskattas. De bästa data som din organisation kan använda för AI-verktyg är data som specifikt rör organisationens verksamhet.
För klädåterförsäljare är data om den demografi de betjänar avgörande. En klädbutik som fokuserar på att betjäna kvinnor i åldern 16 till 25 år behöver andra indata än butiker som säljer kostymer till män i åldersgruppen 35 till 50 år.
AI-modeller som matas med allmänna data och inte förstår företagets specifika behov kan leverera resultat som leder till dåliga beslut. Även om exempel som att limma fast ost på en pizza är humoristiska, kan det bli kostsamt eller till och med katastrofalt om en inköpare för en butikskedja beställer tusentals klädesplagg som inte kommer att säljas.
Ta AI till lokala system
Att placera data så nära som möjligt den plats där den ska användas för AI minskar komplexitet och kostnader. AI-projekt är starkt beroende av de data som används för att träna modellen. Att ha data av hög kvalitet och med hög aktualitet är mer värdefullt än att anställa fler dataforskare. Organisationer måste prioritera de data de använder för sina modeller och göra dem tillgängliga.
Det typiska sättet att hantera data för AI-tillämpningar bygger på att data kopieras från källan så att den kan användas för att träna modellerna. Men när de bästa data är spridda över flera plattformar, till exempel ett molnbaserat CRM-system, en lokal ekonomiplattform och webbaserade produktivitetsverktyg, kan det vara svårt att göra data tillgängliga. Ofta blir resultatet att de data som är enklast att centralisera används, medan resten får vänta tills budget och tid tillåter det.
Frågan som AI-team behöver ställa är hur de kan få åtkomst till all data de behöver utan att behöva vänta på kostsamma och tidskrävande projekt för att återföra data. De behöver ett enkelt sätt att få åtkomst till disparata data på flera platser och kunna omdirigera de frågor som får åtkomst till dessa data när data flyttas.
Verktyg för databeredning kan anpassa data för AI-aktivering samtidigt som störningarna minimeras under återförandet av data. Genom att utnyttja dessa nya toppmoderna metoder kan AI-projekt accelerera kraftigt utan att behöva vänta på datamigrering eller behöva göra en omfattande omkonstruktion av systemen. Träningsdata kan överföras till AI-modeller och LLM:er i nära realtid allt eftersom den skapas.
Påskynda AI-projekt med lokala datahubbar
Ökande kostnader, oro över läckage av immateriella rättigheter och större flexibilitet i utvecklingen av AI-verktyg driver övergången från molnbaserade plattformar till lokala lösningar. AI och LLM:er kräver åtkomst till data av hög kvalitet, med relevant kontext och i rätt tid för att säkerställa att de levererar bästa möjliga resultat för användarna.
En AI-datahubb som fungerar som en enda central arbetsyta och styrningszon för alla AI- och dataintegreringsprojekt gör det möjligt att påskynda AI-projekt parallellt med projekt för att återföra data från molnet, så att organisationer snabbt kan utnyttja sina data.
Samtidigt kan de fortsätta att ge affärsanvändare bättre kundinsikter och avancerad analys för att öka intäkterna och överträffa konkurrenterna i en extremt konkurrensutsatt affärsmiljö.
Prenumerera på nyhetsbrevet från The CTO Club för fler AI-insikter och bästa praxis.
