Η Εξέλιξη της Τεχνολογίας: Από τα Μεγάλα Δεδομένα στην Τεχνητή Νοημοσύνη και οι Προκλήσεις που Παραμένουν
Πριν από μερικά χρόνια, ο κόσμος της επιχειρηματικής τεχνολογίας είχε ενθουσιαστεί με τον όρο “Μεγάλα Δεδομένα”. Αυτός ο όρος αναφερόταν στη μαζική συλλογή πληροφοριών από οργανισμούς, οι οποίες θα μπορούσαν να χρησιμοποιηθούν για την ανακάλυψη νέων τρόπων λειτουργίας και την ανάπτυξη στρατηγικών. Ωστόσο, σήμερα γίνεται όλο και πιο σαφές ότι τα προβλήματα που αντιμετώπιζαν οι εταιρείες στην αξιοποίηση των Μεγάλων Δεδομένων παραμένουν άλυτα. Η νέα τεχνολογία, η Τεχνητή Νοημοσύνη (AI), φέρνει αυτά τα προβλήματα ξανά στην επιφάνεια. Χωρίς την αντιμετώπιση αυτών των ζητημάτων, οι εφαρμογές της AI θα συνεχίσουν να αποτυγχάνουν. Αλλά ποια είναι τα ζητήματα που εμποδίζουν την AI να εκπληρώσει τις υποσχέσεις της;
Οι Πηγές Δεδομένων και οι Προκλήσεις που Δημιουργούν για την Τεχνητή Νοημοσύνη
Η πλειοψηφία των προβλημάτων προέρχεται από τις ίδιες τις πηγές δεδομένων. Για να κατανοήσουμε το ζήτημα, ας εξετάσουμε τις πηγές πληροφοριών που χρησιμοποιούνται σε μια τυπική εργάσιμη ημέρα. Σε μια μικρομεσαία επιχείρηση, οι πληροφορίες μπορεί να προέρχονται από υπολογιστικά φύλλα αποθηκευμένα σε φορητούς υπολογιστές, στο Google Sheets ή στο Office 365 cloud, από πλατφόρμες διαχείρισης πελατειακών σχέσεων (CRM), από ανταλλαγές email μεταξύ συναδέλφων, πελατών και προμηθευτών, από έγγραφα Word, PDF, διαδικτυακές φόρμες και εφαρμογές μηνυμάτων. Σε μια μεγάλη επιχείρηση, προστίθενται επίσης τα συστήματα προγραμματισμού πόρων επιχειρήσεων (ERP), οι ροές δεδομένων σε πραγματικό χρόνο, οι λίμνες δεδομένων και οι διάφορες βάσεις δεδομένων πίσω από πολλαπλά προϊόντα.
Αυτό που χρειάζονται τα Μεγάλα Δεδομένα και οι εφαρμογές AI είναι η ενοποίηση όλων αυτών των στοιχείων με τέτοιο τρόπο ώστε ένας αλγόριθμος υπολογιστή να μπορεί να τα κατανοήσει. Το 2024, ο τεχνολογικός γίγαντας Gartner τοποθέτησε τα AI-Ready Data στην ανοδική καμπύλη του κύκλου υπερβολής για την τεχνητή νοημοσύνη, εκτιμώντας ότι θα χρειαστούν 2-5 χρόνια πριν φτάσουν στο “πλατό της παραγωγικότητας”. Δεδομένου ότι τα συστήματα AI εξορύσσουν και εξάγουν δεδομένα, οι περισσότερες οργανώσεις -εκτός από τις πολύ μεγάλες- δεν διαθέτουν τα θεμέλια για να χτίσουν, και ενδέχεται να μην έχουν βοήθεια από την AI για την προσπάθεια αυτή για άλλα 1-4 χρόνια.
Η Αντιμετώπιση των Προβλημάτων των Δεδομένων για την Επιτυχία της Τεχνητής Νοημοσύνης
Το υποκείμενο πρόβλημα για την εφαρμογή της AI είναι το ίδιο που εμπόδισε τις καινοτομίες των Μεγάλων Δεδομένων καθώς διέσχιζαν τον κύκλο υπερβολής – από την καινοτομία, την κορυφή των υπερβολικών προσδοκιών, τη χαμηλή περίοδο απογοήτευσης, την ανηφόρα της επιφώτισης, μέχρι το πλατό της παραγωγικότητας. Τα δεδομένα έρχονται σε πολλές μορφές, μπορεί να είναι ασυνεπή, να ακολουθούν διαφορετικά πρότυπα, να είναι ανακριβή ή μεροληπτικά, να περιέχουν ευαίσθητες πληροφορίες ή να είναι παλιά και, συνεπώς, άσχετα.
Η μετατροπή των δεδομένων ώστε να είναι έτοιμα για την AI παραμένει μια διαδικασία που είναι τόσο σχετική σήμερα (ίσως και περισσότερο) όσο ποτέ. Οι εταιρείες που θέλουν να ξεκινήσουν μπορούν να πειραματιστούν με τις πολλές πλατφόρμες επεξεργασίας δεδομένων που είναι διαθέσιμες σήμερα και, όπως γίνεται όλο και πιο συνηθισμένο, μπορούν να ξεκινήσουν με διακριτά έργα ως δοκιμαστικά πεδία για να αξιολογήσουν την αποτελεσματικότητα των αναδυόμενων τεχνολογιών.
Η Σημασία των Συστημάτων Προετοιμασίας και Συναρμολόγησης Δεδομένων
Το πλεονέκτημα των τελευταίων συστημάτων προετοιμασίας και συναρμολόγησης δεδομένων είναι ότι έχουν σχεδιαστεί για να προετοιμάζουν τους πόρους πληροφοριών μιας οργάνωσης με τρόπους που είναι κατάλληλοι για να χρησιμοποιηθούν από πλατφόρμες δημιουργίας αξίας AI. Μπορούν να προσφέρουν, για παράδειγμα, προσεκτικά κωδικοποιημένες κατευθυντήριες γραμμές που θα βοηθήσουν στη διασφάλιση της συμμόρφωσης των δεδομένων και θα προστατεύσουν τους χρήστες από την πρόσβαση σε μεροληπτικές ή εμπορικά ευαίσθητες πληροφορίες.
Ωστόσο, η πρόκληση της παραγωγής συνεκτικών, ασφαλών και καλά διαμορφωμένων πόρων δεδομένων παραμένει ένα συνεχές ζήτημα. Καθώς οι οργανισμοί αποκτούν περισσότερα δεδομένα στις καθημερινές τους λειτουργίες, η σύνταξη ενημερωμένων πόρων δεδομένων στους οποίους μπορούν να βασιστούν είναι μια συνεχής διαδικασία. Εκεί όπου τα μεγάλα δεδομένα θα μπορούσαν να θεωρηθούν ως στατικό περιουσιακό στοιχείο, τα δεδομένα για την εισαγωγή στην AI πρέπει να προετοιμάζονται και να επεξεργάζονται όσο το δυνατόν πιο κοντά σε πραγματικό χρόνο.
Η Ισορροπία Μεταξύ Ευκαιρίας, Κινδύνου και Κόστους
Η κατάσταση παραμένει, επομένως, μια τριπλή ισορροπία μεταξύ ευκαιρίας, κινδύνου και κόστους. Ποτέ πριν η επιλογή του προμηθευτή ή της πλατφόρμας δεν ήταν τόσο κρίσιμη για τη σύγχρονη επιχείρηση. Οι επιχειρήσεις πρέπει να εξετάσουν προσεκτικά τις επιλογές τους για να διασφαλίσουν ότι οι επενδύσεις τους στην τεχνολογία AI θα αποδώσουν καρπούς.
