Resim: Eugene Mymrin/Getty Images.
Herkes üretken yapay zekanın ve büyük dil modellerinin gücünden yararlanmak ister ancak bir sorun var. Yapay zekanın yüksek beklentilerini karşılayabilmesi için geçerli, kaliteli verilere ihtiyaç var ve sorun da burada yatıyor.
“Üretici yapay zeka ile bir şeyler yapma” konusunda sürekli baskı
McKinsey, “üretken yapay zeka ile bir şeyler yapılması” yönünde sürekli bir baskı olduğuna dikkat çekiyor. Ancak bu baskı başka sorunları da beraberinde getiriyor: Şirket, “Verileriniz üretken yapay zekaya hazır değilse, işletmeniz üretken yapay zekaya hazır değildir” uyarısında bulunuyor. son rapor Joe Caserta ve Kayvaun Rowshankish’in yönettiği konuyla ilgili.
Bunlar, BT liderlerinin ve veri yöneticilerinin “üretken yapay zekanın veri sonuçlarına ilişkin net bir vizyon geliştirmeleri gerekeceğini” öne sürüyor. Veriler, önceden var olan hizmetler, uygulama programlama arayüzleri (API’ler) veya şirkete özel şablonlar aracılığıyla tüketilebilir; bu da “sofistike bir veri etiketleme ve etiketleme stratejisinin yanı sıra daha büyük yatırımlar” gerektirecektir.
Raporun yazarlarına göre belki de en büyük zorluk “üretken yapay zekanın yapılandırılmamış verilerle (sohbetler, videolar, kodlar) çalışma yeteneği”dir. “Veri kuruluşları, yapılandırılmış verilerle, özellikle de tablolarda düzenlenen verilerle çalışmaya alışkındır. »
Teknolojik gelişmelerden yararlanmak için verileri düzenleyin
Veri kaygılarındaki bu değişim, işletmelerin üretken yapay zeka girişimlerini desteklemek için genel veri mimarisini yeniden düşünmesi gerektiği anlamına geliyor. “Yeni gibi görünmeyebilir ancak daha önce bir şirketin idare etmesi mümkün olsa da, üretken yapay zeka bu açıdan büyük sorunlar yaratacak. Raporun yazarları, güçlü bir veri tabanı olmadan üretken yapay zekanın pek çok avantajının farkına varılmasının mümkün olmayacağı uyarısında bulunuyor.
Sektör genelinde giderek artan sayıda yönetici, şirketlerinin üretken yapay zeka da dahil olmak üzere ortaya çıkan zorlukları yönetmek için gereken muazzam veri akışını idare etme yeteneğinden endişe duyuyor. Faction, Inc.’in teknoloji ve operasyonlardan sorumlu başkan yardımcısı Jeff Heller, “Sınırsız inovasyon ve teknolojik gelişmelerin yönlendirdiği dijital dönüşüm, kuruluşların çalışma biçiminde bir değişimi içeriyor” dedi.
“Hızla değişen bu ortamda, Ar-Ge (Araştırma ve Geliştirme) ekiplerinden operasyonel pozisyonlara kadar hemen hemen her departman, cihazların ve ileri teknolojilerin çoğalmasıyla dikkate değer bir genişleme yaşıyor” dedi.
Veri, varlık veya yükümlülük
Ayrıca yapay zeka, daha verimli ve duyarlı veri mimarilerine olan ihtiyacı artıran tek faktör değil. Interzoid’in kurucusu ve CEO’su Bob Brauer, “Müşteriler, elbette büyük ölçüde doğru verilere dayanan, kişiye özel hizmet ve iletişim talep etmeye devam edecek” diye vurguluyor.
“Stratejik kararlar almak için hayati önem taşıyan analitik ve görselleştirme araçlarına artan güven, verilere olan bağımlılığı da beraberinde getiriyor. Yapay zekanın önemi arttıkça veriler de modellerin eğitimi için gerekli hale geliyor” diye ekliyor.
Jeff Heller’a göre mesaj açık: İşletmelerin “verilerin ezici bir sorumluluk yerine paha biçilmez bir varlık olarak kalmasını sağlamak” için strateji oluşturma ve en son teknolojileri benimseme zamanı geldi.
Organizasyonlar için dikkat edilmesi gereken 7 nokta
Uzmanlar, verilerinizi gelişen yapay zeka çağına hazırlamak için kuruluşların aşağıdakileri dikkate almasını öneriyor:
- Veri yönetimi stratejisinin uygulanması. Bob Brauer, “Doğru öncelikleri, doğru ekipleri, doğru yönetişimi, doğru araçları ve yönetimden gelen yetkiyi belirleyerek, şirketler veri kalitesi zorluklarını zayıf bir noktadan önemli bir rekabet avantajına dönüştürebilir” diye temin ediyor. Üretken yapay zekanın, büyük dil modellerinin ve “yapay zekanın rekabet avantajı elde etmek için uygulanabileceği” temeline dayanan diğer yeni teknolojilerin ortaya çıkan inovasyonunun nasıl çalışılacağını incelemek için bir “çalışma grubunun – veya kuruluşun büyüklüğüne bağlı olarak uygun bir eşdeğerin” oluşturulması. Yapay zeka ve diğer girişimlerin temelini oluşturan verileri için kurumsal destek kazanmaya yönelik bir adım olabilir.
- Veri depolama stratejisinin uygulanması. Tüm bu verileri depolayacak bir yer bulmak ve aynı zamanda onları erişilebilir ve bulunabilir kılmak çok önemlidir. Quantum’un geliştirme başkanı Brian Pawlowski, son endüstri araştırmalarının “depolanan verilerin yarısından fazlasının (%60) etkin olmadığını, yani bu verilere nadiren erişildiğini veya hiç erişilmediğini” ortaya çıkardığını belirtiyor. “Buna rağmen işletmeler, özellikle veri kullanımının yaygınlaşması göz önüne alındığında, verilerin önümüzdeki yıllarda değerli çözümler ve iş değeri sağlayabileceğini anladıkları için bundan ayrılmak istemiyorlar.” “üretken yapay zeka” diye açıklıyor. Bu durum, “insanların yaşam döngüsü boyunca aktif ve aktif olmayan verilere kolayca erişmesine ve bunlarla çalışmasına olanak tanıyan modern, otomatikleştirilmiş depolama mimarileri oluşturmak” için mevcut yeteneklerin yeniden değerlendirilmesini gerektirdiğini söyledi.
- Veri kalitesi. Bob Brauer, veri mimarisini yeni yapay zeka destekli talepleri karşılayacak şekilde hazırlamanın “veri kalitesini stratejik bir öncelik haline getirerek başlaması” gerektiğini tavsiye ediyor. “İyi bir başlangıç noktası, bu yöndeki girişimler için belirli bir bütçeye ve kaynaklara sahip bir veri sorumlusunun (veya eşdeğer bir rolün) atanması olabilir. »
- Kaydedilen ilerlemenin analizi. Bob Brauer, “Bir kuruluşun liderliği için en önemli öncelik, şirket çapındaki verileri değerlendirmek ve başarıyı ölçmek için çerçeveler ve hedefler oluşturmak olmalıdır” diyor.
- Yapılandırılmamış verilerin kapasite yönetimi. Veri kalitesi sorunları, üretken yapay zeka modellerinde geleneksel makine öğrenimi modellerine göre daha belirgindir. McKinsey raporunun yazarları bunu “çünkü çok daha fazla veri var ve bunların çoğu yapısal değil, bu da mevcut izleme araçlarının kullanımını zorlaştırıyor” diye açıklıyor. Brian Pawlowski, “Yapılandırılmamış veriler, gelecekte oluşturulacak verilerin yaklaşık %90’ını temsil ediyor ve küresel kapasite, önümüzdeki beş yıl için ortalama yıllık büyüme oranıyla %25 oranında artıyor” diyor. “Bu yapılandırılmamış veriler, dosyalarda ve nesnelerde depolanan verilerdir: yüksek çözünürlüklü videolar ve görüntüler, karmaşık tıbbi veriler, genom dizilimi, makine öğrenimi modellerine giriş verileri, doğal dünyadan elde edilen bilimsel veriler (örneğin, petrol ve gaz sahalarının haritalanması) – ve gerçekliğin simülasyonu – özel efektler, animasyon ve artırılmış gerçeklik dahil. Kuruluşların, veri yaşam döngüsünü otomatik bir şekilde yöneten çözümleri devreye alması ve daha fazla iş değeri elde etmeye yardımcı olmak için yapay zeka gibi en son teknolojileri kullanması önemlidir. »
- Genişletilmiş kullanım örneklerini desteklemek için yetenekleri veri mimarisine entegre etme. McKinsey raporunun yazarlarına göre, “özellikle yapılandırılmamış verileri desteklemek için ilgili yetenekleri (vektör veritabanları ve veri ön ve işlem sonrası hatları gibi) mevcut veri mimarisine entegre etmeyi unutmamalıyız.
- Yapay zeka oluşturmaya yardımcı olmak için yapay zekayı kullanma. McKinsey ekibi, “Kendi verilerinizi yönetmenize yardımcı olması için üretken yapay zekayı kullanın” önerisinde bulunuyor. “Üretken yapay zeka, veri mühendisliğinden veri yönetişimi ve analizine kadar veri değer zinciri boyunca mevcut görevleri hızlandırabilir ve bunların gerçekleştirilme şeklini iyileştirebilir. »
Özetle yapay zeka vaatlerle doludur. Ancak bundan faydalanabilmek için iyi yönetilen verilere ihtiyacınız olacak.
Kaynak : ZDNet.com