Hubungan penting Antara AI dan Manajemen Data yang Baik

Kecerdasan buatan tidak seperti perangkat lunak tradisional dalam satu aspek yang sangat penting: Ia harus belajar bagaimana melakukan tugasnya.

Ini memberikan manfaat utama bagi siklus hidup produk karena daripada harus menunggu penyihir pengkodean untuk memperbarui kreasi mereka secara manual sekali setahun (atau bahkan lebih jarang), sistem itu sendiri dapat menambahkan alat baru, membuat fitur baru dan sebaliknya mengubah dirinya menjadi lebih baik memenuhi kebutuhan pengguna. Kelemahannya, tentu saja, adalah bahwa beberapa program AI akan memberikan kinerja penerbangan terbaik langsung; hanya melalui penggunaan terus menerus mereka akan memahami apa yang diharapkan dari mereka dan bagaimana cara terbaik untuk mencapai tujuan mereka.

Faktor kunci dalam evolusi ini adalah data yang terpapar pada sistem yang didorong oleh AI. Data yang baik, dikondisikan dengan benar dan ditempatkan dalam konteks yang benar, akan memungkinkan layanan untuk membuat keputusan yang tepat dan mengambil tindakan yang tepat, sementara data yang buruk akan menyebabkan hasil yang buruk dan terus menurun kinerja.

Baca juga : Kemajuan kecerdasan buatan dalam bidang Pendidikan

Sebagai contoh, pertimbangkan strategi pemasaran yang digerakkan oleh AI. Poin data utama mungkin menyarankan peningkatan minat pada penawaran produk tertentu di wilayah tertentu atau di antara demografis tertentu. Tetapi jika data hanya didasarkan pada tampilan halaman web atau bukti anekdotal lainnya daripada survei konsumen yang mendalam, waktu, uang, dan sumber daya lainnya yang signifikan dapat dialihkan dari proyek yang lebih produktif untuk mengejar peluang yang tidak ada. 

Melihat Masalahnya

Namun, hingga saat ini, perusahaan tersebut telah sedikit berhasil dalam mengelola data, terutama data yang tidak terstruktur . Menurut Corinium , 70 persen dari TI dan manajemen data tim berjuang untuk memenuhi analisis kebutuhan, sementara hampir 40 persen mengalami kesulitan mempertahankan kualitas data yang baik meskipun lebih dari setengah menggunakan mutakhir hybrid dan multi-awan arsitektur untuk penyimpanan data mereka.

Namun, di sisi positifnya, banyak organisasi mulai mengenali pentingnya masalah dan mengambil langkah-langkah untuk mengatasinya. Lebih dari 90 persen responden mengatakan bahwa mereka akan berinvestasi lebih dari $ 1 juta dalam inisiatif analitik baru di tahun mendatang, dengan lebih dari 60 persen menggunakan strategi hybrid, multi-cloud untuk menggabungkan data di seluruh infrastruktur internal dan eksternal.

Baca juga : Kemajuan kecerdasan buatan dalam bidang pertanian

Namun, satu masalah utama yang masih harus diatasi adalah kebutuhan untuk berkembang melampaui pengumpulan dan pengumpulan data dasar menjadi model kontekstual dan relevansi yang lebih maju, kata Presiden Informatica Amit Walia . Hanya dengan memilah metadata kunci mengenai teknologi, bisnis, operasi, dan penggunaan, perusahaan dapat memupuk jenis "data cerdas" yang diperlukan untuk melatih algoritma cerdas .

Tetapi ini menjadi lebih sulit untuk dilakukan karena volume data terus meledak. Agak ironisnya, banyak analisis data dan solusi manajemen beralih ke AI dan algoritma pembelajaran mesin yang sama yang memberdayakan aplikasi pintar yang akhirnya menghabiskan data dan metadata. Dengan membuat seluruh proses lebih cerdas, perusahaan dapat mengotomatisasi banyak fungsi hafalan yang saat ini menempati sebagian besar waktu para ilmuwan data yang dibayar tinggi , membuat mereka bebas untuk fokus pada tujuan strategis yang lebih kompleks.

Data dari Afar

Satu hal yang dibutuhkan oleh setiap sistem manajemen data cerdas adalah konektivitas yang efisien dari cloud . Sementara jaringan area luas menjadi semakin cepat, fleksibel, dan ditentukan oleh perangkat lunak, ia masih kekurangan alat manajemen butir halus untuk menyusun, memproses, dan mentransfer data dengan kecepatan yang ramah AI. Inilah sebabnya mengapa NetApp dan Nvidia bekerja sama untuk menyatukan platform flash AFF A800 dengan superkomputer DGX . Solusi ini memanfaatkan NetApp's Fabric Data untuk secara efektif memberikan kontrol data "far ke cloud", memberikan mesin analisis tampilan yang akurat dan terkini dari seluruh ekosistem yang didistribusikan dan akses langsung ke data di mana pun ia berada atau memformat apa pun.

Baca juga : Kecerdasan Buatan dalam prediksi Kepribadian

Namun, mengambil data hanyalah langkah pertama. Meningkatkan cara database mencerna dan menginterpretasikan data dapat sama efektifnya. Pavel Bains, CEO dari perusahaan database yang desentralisasi Bluzelle , percaya blockchain dapat memberikan kontribusi besar dalam hal ini, dengan menciptakan universal menyimpan data yang mengakomodasi kedua terstruktur data dan tidak terstruktur. Ini akan memungkinkan tim manajemen data untuk memberikan konteks mendalam yang diperlukan bagi AI untuk dengan cepat memahami semuanya sambil memastikan bahwa data penting tidak berada di bawah kendali penyedia cloud mana pun . Penggunaan Blockchain untuk didistribusikan, peer-to-peer node penyimpanan semua tetapi memastikan bahwa data dapat tersedia secara virtual di mana saja dengan kecepatan setinggi mungkin, sambil mempertahankan integritas tinggi karena pendekatan buku besar yang tidak berubah tetapi terbuka. 

AI adalah keliru karena tidak benar-benar cerdas. Secara intrinsik tidak bisa membedakan antara fakta dan fiksi, baik dan buruk, benar dan salah. Yang bisa dilakukan hanyalah mengonsumsi data dalam jumlah besar dan mencari pola yang memenuhi mandat pemrogramannya. Jika data salah, atau ditafsirkan salah, polanya akan miring dan hasilnya akan salah.

Dalam cahaya ini, kecerdasan sebenarnya di balik kecerdasan buatan terletak di tempat yang selalu dimilikinya: otak manusia. Hanya melalui pengawasan yang tepat dalam pengumpulan dan persiapan data, AI akan mampu memberikan manfaat terbesar bagi layanan dan operasi digital.

Semakin pintar kita dalam hal data, semakin pintar mesin kita dalam upaya mencapai produktivitas yang lebih besar.

Artificial Intelligence Big Data