Szybsze przetwarzanie dużych zbiorów informacji, redukcja błędów manualnych, identyfikowanie trendów i ich przewidywanie – to potencjalne korzyści z wdrożenia sztucznej inteligencji w analizie danych. Okazuje się jednak, że nie wszystkie organizacje mogą je osiągnąć. Blisko połowa firm przyznaje, że ich infrastruktura czy polityki bezpieczeństwa nie są w pełni przygotowane na implementację AI. Aż 84 proc. liderów zespołów analitycznych uważa, że w związku z tym należy gruntownie przebudować strategię dotyczącą zarządzania danymi. Czy to jedyna szansa, by zwiększyć jakość informacji będących podstawą decyzji biznesowych?
AI nie przynosi oczekiwanych efektów?
W teorii narzędzia AI mają usprawnić analizę informacji oraz zwiększyć jej skuteczność. Paradoksalnie jednak często utrudniają ten proces. W niemal 9 na 10 organizacji (89 proc.) zdarzyło się, że wyniki uzyskane przy pomocy sztucznej inteligencji były niedokładne lub błędne. Taka sytuacja przekłada się na zaufanie do wykorzystywanych rozwiązań. Aż 95 proc. dyrektorów finansowych uważa, że stosowanie AI w analizie danych jest ryzykowne. Poza nieprawidłowymi wynikami obawy dotyczą również potencjalnego wycieku danych wrażliwych dla firmy. Jak jednak zaznacza Sebastian Jaworski, wiceprezes Linux Polska, przyczyną takiej sytuacji może być niewłaściwa strategia wdrożeniowa.
– Niektóre organizacje decydują się na implementację dość przypadkowych narzędzi i modeli sztucznej inteligencji z nadzieją, że usprawnią one dotychczasowe procesy. Tymczasem, aby osiągnąć oczekiwane efekty, konieczne jest zbudowanie kompletnych systemów. Należy je zintegrować z dotychczas wykorzystywaną infrastrukturą IT oraz sukcesywnie rozwijać. Takie podejście zapewni większą kontrolę nad wykorzystywanymi rozwiązaniami – ograniczy błędy AI, zwiększy trafność wyników oraz poprawi zarządzanie kontekstem. Stworzenie spójnego środowiska nie wymaga zmian w architekturze, ale wiąże się z rewolucją w kulturze organizacyjnej. Dlatego należy edukować zespół w zakresie świadomego i bezpiecznego wykorzystania AI – wyjaśnia Sebastian Jaworski, wiceprezes Linux Polska.
Problem zaczyna się od danych
Obawy dyrektorów finansowych wynikają przede wszystkim z dotychczasowych doświadczeń. Niemal połowa z nich (47 proc.) wskazuje, że w ciągu ostatniego roku podjęło błędną decyzję na podstawie niedokładnych lub niekompletnych danych finansowych. W niemal 3 na 4 przypadkach (72 proc.) skutkowało to stratami wynoszącymi co najmniej pół miliona dolarów (ponad 1,8 mln złotych).
Źródłem tych problemów nie zawsze są narzędzia AI, a kwestie organizacyjne. Zdarza się, że różne działy firmy posiadają własne zasady gromadzenia i przetwarzania danych. Brak spójności skutecznie utrudnia wyciągnięcie wartościowych wniosków. Według szacunków nawet 90 proc. informacji, które posiadają przedsiębiorstwa, to dane nieustrukturyzowane. Nie posiadają one jednolitego formatu i określonej struktury – nie można zatem ich wykorzystać bez wcześniejszego przygotowania. Tymczasem aż 7 na 10 liderów zespołów analitycznych przyznaje, że to właśnie te informacje skrywają najważniejsze wnioski dla ich organizacji. Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska, wskazuje, że konfiguracja baz danych w organizacji powinna poprzedzać wdrożenie rozwiązań AI.
– Bazy danych to systemy informatyczne, które pozwalają na przechowywanie i organizację nawet sporej ilości ustrukturyzowanych rekordów. Ich implementacja jest zalecana między innymi tym firmom, którym zależy na szybkich i wydajnych mechanizmach wyszukiwania, analizy informacji czy raportowania. Szczególną rolę odgrywa w tym przypadku zaprojektowanie i optymalizacja procesów ETL (z ang. extract – wyodrębnienie, transform – przekształcenie, load – ładowanie). To właśnie one pozwalają na przetwarzanie i transformację danych między różnymi modelami. Dopiero uporządkowane i zorganizowane informacje mogą być skutecznie wykorzystane w analizie przy pomocy narzędzi opartych na sztucznej inteligencji – dodaje Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska.
Firmy nieprzygotowane do wdrożenia analityki AI
W praktyce jedynie 49 proc. organizacji czuje się w pełni przygotowanych do wdrożenia sztucznej inteligencji pod względem infrastruktury. Pozostałe nie dysponują odpowiednimi systemami do zbierania, przechowywania i przetwarzania informacji. Sytuacja jest jeszcze trudniejsza w przypadku jakości danych (gotowych w tym zakresie jest 47 proc. firm), a także ich bezpieczeństwa (47 proc.), integracji (46 proc.) czy aktualności (45 proc.). Jak wyjaśnia Kacper Szczepaniuk, Observability Specialist w Linux Polska, problemy w każdym z wyżej wymienionych aspektów oddala firmę od skutecznej analizy.
– Nieaktualne czy niepełne dane zawsze będą skutkowały błędnymi wynikami analizy. Dziś o to nietrudno – organizacje gromadzą coraz więcej informacji i nie zawsze mają kontrolę nad ich jakością czy bezpieczeństwem. Dlatego prawidłowa konfiguracja bazy danych powinna uwzględniać rozwiązania z obszaru monitorowania i automatycznego zarządzania infrastrukturą. Dodatkowo należy pamiętać o integracji bazy z wdrażanymi narzędziami AI. Dzięki zapewnieniu dwukierunkowej komunikacji narzędzia analityczne będą korzystały z aktualnych zasobów, co ograniczy ryzyko halucynacji i generowania nieprawidłowych wniosków – mówi Kacper Szczepaniuk, Observability Specialist w Linux Polska.
Aktualnie zaledwie co piąta organizacja (19 proc.) wykorzystuje do analiz AI dane wejściowe z jednego systemu. Dla 32 proc. firm rozproszenie baz i brak integracji są głównymi barierami w osiągnięciu założonych celów. Wyzwania te nie powstrzymują firm przed wdrożeniem sztucznej inteligencji – ponad połowa (55 proc.) przedsiębiorstw szkoli lub rozwija własne modele przy pomocy niewłaściwych danych. Takie podejście sprawia, że narzędzia AI zwiększają liczbę błędów zamiast je eliminować.