La AI Gold Rush: desde pilotos y experimentos hasta escala y estrategia empresarial
Ley de Moore está bien y verdaderamente en juego cuando se trata de IA. La IA tiene una gran demanda, y cada empresa está adoptando IA. La innovación también está ayudando a alimentar esta demanda con nuevos modelos de IA, agentes de IA y nuevas tecnologías que llegan a este lugar. Esto está creando un cambio basic para las empresas: la etapa para pilotos y experimentos fríos y exhibiciones para la IA, en explicit, la IA generativa se está desvaneciendo en gran medida. Las empresas se están dando cuenta de que la IA necesita ser integrada como parte de la estrategia empresarial para escalar y crear una verdadera diferenciación comercial. La IA es un tema en la mayoría de las salas de juntas, lo que resulta en innovación estratégica y presupuestos.
Datos: el primer dominó en la estrategia de IA
Una consideración clave en cualquier estrategia de IA debe ser datos. Los datos son críticos para que los modelos de IA sean contextuales, inteligentes e específicos de dominio y empresas específicas. Los modelos de IA predicen los resultados en función de la forma en que se ajusta el modelo y las entradas se lo presentan. Ambos dependen de la calidad, la variedad, la recencia y la estructura de los datos.
Según un reciente Pronóstico de IDCSe espera que la IA aumente la economía world en casi $ 20 billones para 2030, impulsados no solo por modelos sino también por inversiones masivas en los datos y la infraestructura subyacentes que los alimentan.
Los datos de capacitación con subconjuntos estrechos conducen a modelos sesgados, los datos obsoletos conducen a resultados irrelevantes y los datos deficientes solo conducen a resultados de IA pobres. Por lo tanto, los datos son el primer dominó en la estrategia de datos de una empresa. Incluso con las mejores personas y tecnologías de vanguardia, si los datos de Domino caen, toda la estrategia de IA disminuye rápidamente.
Como Gartner’s 2024 Informe sobre los principales datos y las notas de tendencias de análisis, las organizaciones a medida que escalan con IA dependen de los datos, y los líderes que tienen éxito serán aquellos que Establecer confianza en sus datos y liderar con él estratégicamente.
Decisiones clave de datos estratégicos para su estrategia de IA
Aquí hay 5 consideraciones clave que usted y su empresa deben hacer para preparar sus datos para su estrategia de IA:
1. Reutilice su panorama de datos – Varias empresas no reutilizan la gestión de datos, la gobernanza de datos y el panorama de almacenamiento y análisis de datos para la IA. Muchos datos que sirven informes críticos y análisis también pueden ser críticos para la IA. Por lo tanto, es importante comenzar con los activos de datos ya presentes en la empresa. Por supuesto, esto debe aumentar con las medidas de calidad de datos correctas.
Pregunta clave para hacer – ¿Qué datos tenemos en nuestra empresa y en qué condición se encuentra?
2. Metadatos y linaje de datos – Para los datos establecidos, metadatos, es decir, los datos sobre los datos, pueden ser igual de críticos, si no más, para la IA. Por ejemplo, los términos comerciales etiquetados a los datos pueden ayudar a identificar el contexto relevante para un modelo RAG, por ejemplo. Cuando un usuario solicita el estado de un reclamo en una empresa de seguros, todos los atributos de datos etiquetados con el estado de la reclamación pueden usarse como contexto para que el modelo AI responda. El linaje de datos también ayuda a comprender el flujo de los datos, ayudando a los modelos de IA a identificar fuentes de datos confiables.
Basado en un Weblog de ISASA recienteLa gobernanza de IA es crítica y requiere que los metadatos correctos y el linaje de datos escalaran.
Pregunta clave para hacer – ¿Nuestros datos se etiquetan correctamente con metadatos comerciales y técnicos? ¿Recopilamos el linaje de datos para comprender cómo los flujos de datos terminan a fin?
3. Gobierno y cumplimiento de datos – Asegúrese de que sus datos estén bien regidos y administrados, y que cualquier reglamento de cumplimiento y privacidad se aplique a los datos. La estrategia de IA debe heredar y extender estas gobernanzas y regulaciones que a partir de cero. Por ejemplo, si un cliente desea que sus datos se anonimizaran según las regulaciones de GDPR, un modelo de IA debe estar capacitado y operativo en el conjunto de datos anónimamente.
Pregunta clave para hacer – ¿Tenemos un programa de gobierno y cumplimiento de datos en su lugar? Si no, ¿cuáles son los aspectos clave que necesito tener para mi estrategia de IA?
4. Trate los datos maestros como su mariscal de campo de IA – Los datos maestros críticos, que contienen datos sobre las entidades clave en su empresa, deben usarse como base para su estrategia de IA. Por ejemplo, si existe la visión de 360 grados de un cliente, una estrategia de IA en cualquier dominio del cliente, como una predicción de rotación del cliente, debe aprovechar estos datos maestros para evitar cualquier datos perdidos o incompletos. Por supuesto, esto se puede combinar con más información de fuentes de datos específicas.
Pregunta clave para hacer – ¿Tengo mis dominios de datos maestros críticos disponibles en un completo y conectado al resto de mi panorama de datos?
5. Datos y su valor – Los datos no deben tratarse como un centro de costos, sino medidos en términos de su valor, tanto hacia la IA como hacia el negocio. Esto requiere que los datos estén a bordo y temas CXO además de la IA.
Pregunta clave para hacer – ¿Mi junta y CXO comprenden el valor de los datos para la organización? Si no es así, ¿cómo podemos asegurarnos de que esto se entienda, especialmente en el contexto de la estrategia de IA en la empresa?
Los modelos van y vienen, pero los datos perduran.
A medida que evolucione su estrategia de IA, surgirán nuevos modelos e innovaciones de IA. La velocidad de la innovación en este espacio es alucinante. Pero con el tiempo, los modelos de IA se comercializarán; El verdadero diferenciador en su empresa no es qué modelo usa, sino cómo se contextualiza con qué datos son capacitación, ajuste fino y trabajando en él.
Si está creando una estrategia de IA, no comience con el modelo. Comience con la pregunta: ¿Tenemos los datos para respaldarlo?
