ปัญหาของ AI: ไม่ใช่คุณ แต่เป็นข้อมูล

ข้อมูลไม่ใช่ 'น้ํามันใหม่' ที่จะถือว่าเป็นสินค้าโภคภัณฑ์ที่ถูกเผาไหม้เพียงครั้งเดียว

บริษัทต่างๆ ทิ้งเงินหลายพันล้านไว้บนโต๊ะเพราะพวกเขาไม่สามารถนําข้อมูลของตนมารวมกันได้ หากพวกเขาต้องการประสบความสําเร็จในการบรรลุคุณค่าผ่านความคิดริเริ่มที่ขับเคลื่อนด้วยข้อมูล เช่น ปัญญาประดิษฐ์ พวกเขาจําเป็นต้องจัดตําแหน่งและสนับสนุนข้อมูลแบ็กเอนด์ที่ป้อนระบบเหล่านี้ให้ดีขึ้น

นั่นคือสาระสําคัญของงานวิจัยล่าสุด โดยอิงจากการสํารวจผู้บริหาร 2,500 คนและเผยแพร่โดย Infosys Knowledge Institute ซึ่งประมาณการว่า บริษัท ต่างๆ สามารถสร้างผลกําไรที่เพิ่มขึ้นได้มากกว่า 460 พันล้านดอลลาร์หากผู้คนสามารถจัดการทรัพยากรข้อมูลของตนได้ดีขึ้น เล็กน้อย

ซึ่งประกอบด้วยการปรับปรุงแนวทางปฏิบัติด้านข้อมูล ไว้วางใจใน AI ขั้นสูงมากขึ้น และการรวม AI เข้ากับการดําเนินธุรกิจอย่างแน่นหนายิ่งขึ้น มูลค่าทางธุรกิจยังคงเข้าใจยาก 

การสํารวจระบุอุปสรรคสามประการในการนํา AI ไปใช้อย่างมีประสิทธิภาพ: การขาดกลยุทธ์ข้อมูลแบบรวมศูนย์ที่เหนียวแน่นการตรวจสอบข้อมูลที่อ่อนแอและการขาดโครงสร้างพื้นฐานที่เหมาะสม บริษัทส่วนใหญ่ไม่มีกลยุทธ์ การจัดการข้อมูลที่สอดคล้องกัน

ผู้ตอบแบบสอบถามต้องการจัดการข้อมูลจากส่วนกลาง แต่นี่ไม่ใช่สิ่งที่ส่วนใหญ่ทําในตอนนี้ การวิเคราะห์ผลการสํารวจ "แสดงให้เห็นว่าการจัดการข้อมูลแบบรวมศูนย์เชื่อมโยงกับการเติบโตของกําไรและรายได้ที่ดีขึ้น ปัจจุบัน 26% ของผู้ตอบแบบสอบถามมีแนวทางแบบรวมศูนย์ 49% ต้องการนําแนวทางนี้มาใช้ภายในปีหน้า

"ข้อมูลไม่ใช่น้ํามันใหม่" Chad Watt และ Jeff Kavanaugh ผู้เขียนการศึกษาทั้งคู่จากสถาบัน Infosys เน้น ย้ํา "ธุรกิจไม่สามารถคิดว่าข้อมูลของตนเป็นน้ํามันได้อีกต่อไป สกัดด้วยความพยายามอย่างมากและมีคุณค่าก็ต่อเมื่อผ่านการกลั่นเท่านั้น"

ข้อมูลในปัจจุบันเป็นเหมือนสกุลเงินมากกว่า: "มันได้รับมูลค่าเมื่อหมุนเวียน บริษัทที่นําเข้าข้อมูลและแบ่งปันข้อมูลของตนเองอย่างกว้างขวางมากขึ้นจะบรรลุผลประกอบการทางการเงินที่ดีขึ้นและแสดงความคืบหน้ามากขึ้นในการคิด AI ในระดับองค์กร ซึ่งเป็นเป้าหมายที่สําคัญสําหรับสามในสี่บริษัทในการสํารวจ" Watt และ Kavanaugh กล่าว

ความสําเร็จของสกุลเงินขึ้นอยู่กับความไว้วางใจ และสิ่งนี้ก็ใช้กับข้อมูลด้วย "AI ขั้นสูงต้องการความไว้วางใจ" ผู้เขียนกล่าว "เชื่อมั่นในการจัดการข้อมูลของคุณเองและผู้อื่น และไว้วางใจในโมเดล AI ข้อมูลที่บริสุทธิ์และโมเดล AI ที่ตั้งโปรแกรมไว้อย่างสมบูรณ์แบบไม่มีความหมายอะไรหากมนุษย์ไม่ไว้วางใจและใช้ข้อมูลและ AI ที่ผลิตขึ้น"  

การสํารวจแสดงให้เห็นว่าบริษัทที่แบ่งปันข้อมูลทั้งในและนอกองค์กรมีแนวโน้มที่จะมีรายได้สูงขึ้นและใช้ AI ได้ดีกว่า "การรีเฟรชข้อมูลที่ใกล้เคียงกับเรียลไทม์ยังสัมพันธ์กับผลกําไรและรายได้ที่เพิ่มขึ้น" 

การเปรียบเทียบต่อต้านน้ํามันอีกประการหนึ่งที่ผู้เขียนการศึกษากําหนดกรอบคือข้อมูลเป็นเหมือนพลังงานนิวเคลียร์มากกว่าเชื้อเพลิงฟอสซิล "ข้อมูลเต็มไปด้วยศักยภาพ ต้องการการจัดการพิเศษ และเป็นอันตรายหากคุณสูญเสียการควบคุม ข้อมูลในศตวรรษที่ 21 มีครึ่งชีวิตที่ยาวนาน เมื่อใดควรใช้ถ้า จะใช้ที่ไหน และจะควบคุมอย่างไรมีความสําคัญพอๆ กับตําแหน่งที่จะวางไว้"  

ธุรกิจส่วนใหญ่ยังใหม่กับ AI การสํารวจแสดงให้เห็น มากกว่า 8 ใน 10 บริษัท หรือ 81% ได้ปรับใช้ระบบ AI ที่แท้จริงครั้งแรกในช่วงสี่ปีที่ผ่านมา และ 50% ในช่วงสองปีที่ผ่านมา นอกจากนี้ 63% ของโมเดล AI ทํางานที่ความสามารถพื้นฐานเท่านั้นและขับเคลื่อนโดยมนุษย์ พวกเขามักจะขาดการตรวจสอบข้อมูล แนวทางปฏิบัติด้านข้อมูล และกลยุทธ์ข้อมูล มีเพียง 26% ของผู้ปฏิบัติงานเท่านั้นที่พึงพอใจอย่างมากกับข้อมูลและเครื่องมือ AI ของตน "แม้จะมีเสียงไซเรนของ AI แต่ก็มีบางอย่างขาดหายไปอย่างชัดเจน"

ผู้เขียนแบบสํารวจระบุบริษัทที่มีประสิทธิภาพสูง ซึ่งมักจะให้ความสําคัญกับสามด้าน:

• พวกเขาเปลี่ยนการจัดการข้อมูลเป็นการแบ่งปันข้อมูล  "บริษัทที่ยอมรับเศรษฐกิจการแบ่งปันข้อมูลสร้างมูลค่าที่มากขึ้นจากข้อมูลของตน" Watt และ Kavanaugh กล่าว "ข้อมูลมีมูลค่าเพิ่มขึ้นเมื่อได้รับการปฏิบัติเหมือนสกุลเงินและหมุนเวียนผ่านรูปแบบการจัดการข้อมูลแบบฮับแอนด์สแปด บริษัทที่รีเฟรชข้อมูลด้วยเวลาแฝงต่ําจะสร้างผลกําไร รายได้ และการวัดมูลค่าตามอัตนัยได้มากขึ้น"
• พวกเขาได้เปลี่ยนจากการปฏิบัติตามข้อกําหนดของข้อมูลไปสู่ความน่าเชื่อถือของข้อมูล  "บริษัทต่างๆ ที่พึงพอใจอย่างมากกับ AI ของตน (ปัจจุบันมีเพียง 21%) มีแนวทางปฏิบัติด้านข้อมูลที่น่าเชื่อถือ มีจริยธรรม และมีความรับผิดชอบอย่างสม่ําเสมอ ข้อกําหนดเบื้องต้นเหล่านี้จัดการกับความท้าทายของการตรวจสอบข้อมูลและอคติสร้างความไว้วางใจและช่วยให้ผู้ปฏิบัติงานสามารถใช้การเรียนรู้เชิงลึกและอัลกอริทึมขั้นสูงอื่น ๆ ได้"
• พวกเขามีส่วนร่วมกับทุกคนในกระบวนการ AI "ขยายทีม AI ให้ไกลกว่านักวิทยาศาสตร์ข้อมูล ธุรกิจที่ใช้วิทยาศาสตร์ข้อมูลกับความต้องการในทางปฏิบัติสร้างคุณค่า ผู้นําธุรกิจมีความสําคัญพอๆ กับนักวิทยาศาสตร์ข้อมูล ทีม AI ที่ดีมักเกี่ยวข้องกับหลายสาขาวิชา "การตรวจสอบข้อมูลเป็นความท้าทายที่ยิ่งใหญ่ที่สุดในการก้าวไปข้างหน้า ควบคู่ไปกับโครงสร้างพื้นฐาน AI และทรัพยากรการประมวลผล