Качество данных — ключ к росту бизнеса в эпоху ИИ

Компании вступили в гонку за внедрение ИИ, но многие обнаруживают, что успех проектов напрямую зависит от качества их данных.

Именно эта зависимость заставляет многие амбициозные инициативы заходить в тупик, так и не выходя за рамки экспериментальной стадии «доказательства концепции».

Так в чём же секрет превращения этих экспериментов в реальные источники дохода? Мы пообщались с Мартином Фредериком, региональным руководителем гиганта в области облачных данных Snowflake по странам Бенилюкс (Нидерланды, Бельгия и Люксембург), чтобы это выяснить.

— Не бывает стратегии по внедрению ИИ без стратегии по работе с данными, — просто говорит Фредерик. — Приложения, агенты и модели ИИ эффективны лишь настолько, насколько качественны данные, на которых они построены. Без единой и хорошо управляемой инфраструктуры данных даже самые передовые модели могут не оправдать ожиданий.

Это знакомая история для многих организаций: многообещающий прототип впечатляет команду, но так и не превращается в инструмент, приносящий компании деньги. По словам Фредерика, это часто происходит потому, что руководители воспринимают технологию как конечную цель.

— ИИ — это не пункт назначения, а транспортное средство для достижения ваших бизнес-целей, — советует Фредерик.

Когда проекты застревают, виной тому обычно несколько типичных причин: проект не соответствует реальным потребностям бизнеса, команды не взаимодействуют друг с другом, или в данных царит хаос. Легко впасть в уныние от статистики, утверждающей, что 80% ИИ-проектов не доходят до стадии реального использования, но Фредерик предлагает взглянуть на это иначе. По его мнению, это не обязательно провал, а «часть процесса взросления» технологии.

Для тех, кто с самого начала закладывает правильный фундамент, отдача вполне реальна. Недавнее исследование Snowflake показало, что 92% компаний уже видят возврат от своих инвестиций в ИИ. Фактически, на каждый вложенный фунт стерлингов они получают 1,41 фунта в виде экономии затрат и новой выручки. Ключ, повторяет Фредерик, — это наличие «безопасной, управляемой и централизованной платформы» для ваших данных с самого начала.

Даже при наличии лучших технологий стратегия внедрения ИИ может провалиться, если корпоративная культура к этому не готова. Одна из главных проблем — предоставить доступ к данным всем, кто в них нуждается, а не только избранной группе дата-сайентистов. Чтобы ИИ работал в масштабах всей компании, необходимо построить прочный фундамент, включающий «людей, процессы и технологии».

Это означает разрушение барьеров между отделами и обеспечение доступа к качественным данным и инструментам ИИ для всех сотрудников.

— При правильном управлении ИИ становится общим ресурсом, а не изолированным инструментом, — объясняет Фредерик. Когда все работают с единым источником достоверных данных, команды могут перестать спорить, чьи цифры верны, и начать вместе принимать более быстрые и взвешенные решения.

Настоящий прорыв, который мы наблюдаем сейчас, — это появление ИИ-агентов, способных понимать и анализировать самые разные типы данных одновременно, независимо от их структуры и качества: от аккуратных строк и столбцов в таблице до неструктурированной информации в документах, видео и электронных письмах. Учитывая, что такие неструктурированные данные составляют 80-90% данных типичной компании, это огромный шаг вперёд.

Новые инструменты позволяют сотрудникам, независимо от их технических навыков, просто задавать сложные вопросы на обычном человеческом языке и получать ответы непосредственно из данных.

Фредерик объясняет, что это движение в сторону того, что он называет «целенаправленной автономией». До сих пор ИИ был полезным ассистентом, которому требовались постоянные указания.

— Вы задаёте вопрос — получаете ответ; просите написать код — получаете фрагмент кода, — отмечает он.

Следующее поколение ИИ работает иначе. Вы можете поставить перед агентом сложную цель, и он сам определит необходимые шаги для её достижения — от написания кода до извлечения информации из других приложений, чтобы предоставить комплексный ответ. Это позволит автоматизировать самые трудоёмкие части работы дата-сайентиста, такие как «утомительная очистка данных» и «монотонная настройка моделей».

Результат? Ваши лучшие умы освобождаются, чтобы сосредоточиться на том, что действительно важно. Это превращает ваших специалистов из исполнителей в стратегов и позволяет им приносить реальную пользу бизнесу. А это не может не радовать.