Ovira za AI projekte: Slaba kakovost podatkov
Podatki so temelj vsakega uspešnega projekta umetne inteligence (AI), vendar nova raziskava družbe Hitachi Vantara razkriva, da številni vodje IT ne namenjajo dovolj pozornosti zagotavljanju njihove kakovosti. Raziskava State of Data Infrastructure Survey, v kateri je sodelovalo 1200 IT-odločevalcev iz 15 držav, izpostavlja ključne izzive na področju podatkovne infrastrukture, ki zavirajo napredek pri uvajanju AI.
Po raziskavi je kar 37 % anketirancev podatke označilo za svojo največjo skrb, pri čemer je 41 % vprašanih v ZDA poudarilo, da je uporaba visokokakovostnih podatkov ključna za uspeh AI projektov. Kljub temu le tretjina (33 %) poroča, da so rezultati njihovih AI rešitev večinoma točni. Ob tem sse večji obseg podatkov, ki naj bi se do leta 2026 povečal za 122 %, dodatno obremenjuje podjetja pri shranjevanju, upravljanju in označevanju podatkov. Kar 80 % anketirancev se spopada z neurejenimi podatki, kar še povečuje zapletenost nalog.
Hitachi Vantara poudarja, da mnogi IT-odločevalci ne izvajajo osnovnih korakov za izboljšanje kakovosti podatkov. Le 37 % jih aktivno izboljšuje kakovost učnih podatkov, 47 % ne označuje metapodatkov, 26 % pa sploh ne preverja kakovosti podatkovnih nizov. Ti pomanjkljivi pristopi zmanjšujejo učinkovitost AI projektov in lahko vodijo v neuspeh.
Varnost podatkov je za 54 % anketirancev najvišja prioriteta. Kar 74 % jih meni, da bi izguba pomembnih podatkov imela katastrofalne posledice za poslovanje, 73 % pa jih skrbi, da bi lahko hekerji izkoristili AI orodja. Tveganje kibernetskih napadov poudarja potrebo po robustni infrastrukturi in strateškem pristopu k uvajanju AI.
Kljub vse večji rabi AI tehnologij ostajata trajnost in donosnost naložb (ROI) pogosto zanemarjena. Le 32 % podjetij daje prednost trajnosti, medtem ko 30 % izpostavlja ROI kot ključno metriko uspeha. Hitachi Vantara opozarja, da se številna velika podjetja osredotočajo na razvoj splošnih jezikovnih modelov (LLM), ki so energetsko intenzivni, namesto na manjše specializirane modele, ki porabijo do 100-krat manj energije.
Raziskovalci poudarjajo, da je ključ do uspeha v jasno opredeljenih ciljih projektov, naložbah v sodobno infrastrukturo ter v trajnostnem pristopu, ki bo ustrezal prihodnjim okoljskim standardom. Prehitevanje razvoja brez strateškega načrta lahko vodi do dragih prenov infrastrukture in spodkopava dolgoročno zaupanje v AI tehnologijo.