Dlaczego dane są ważne?

Bez danych nie ma (dobrej) sztucznej inteligencji. To one decydują o tym czy nasz model i jego zastosowanie są do zaakceptowania i budują wartość

"Garbage in, garbage out" (śmieci na wejściu, śmieci na wyjściu) — to stare "przysłowie" nigdy nie było tak aktualne i boleśnie prawdziwe, jak dzisiaj, gdy często bezrefleksyjnie podchodzimy do budowy rozwiązań AI skupiając się na technologii a nie jej fundamencie.

Podejmując inicjatywy związane z AI, zarządy firm często skupiają się na wyborze właściwego modelu LLM (np. "Bierzemy GPT czy Claude'a?"), zapominając o tym, że bez odpowiedniego Data Governance (ładu zarządzania danymi), nawet najpotężniejszy model na świecie będzie tylko generatorem błyskotliwych błędów.

Ta zasada jest także aktualna w przypadku dużych modeli językowych, które wykorzystujemy "enterprise'owo", np. robiąc RAG czy fine-tuning

Bez dobrych danych (a o nie naprawdę trudno!) prędzej czy później pojawi się błąd. No bo spójrzmy na taką agentyczną AI. Przecież te agenty (wiem, brzmi okropnie, ale o dziwo poprawnie) także podejmują decyzje na podstawie danych. Jeżeli decyzja będzie oparta o dane błędne, nieprawdziwe czy nieaktualne, to... no domyślcie się co.

Trzy powody, dla których AI i dane to naczynia połączone

1. Jakość podpowiada trafność wyników (RAG)

W popularnej architekturze RAG (Retrieval-Augmented Generation), model szuka odpowiedzi we własnych dokumentach firmy przed wygenerowaniem tekstu. Jeśli te dokumenty są nieaktualne, sprzeczne lub pełne chaosu (np. w intranecie wiszą 3 różne wersje polityki urlopowej), to AI odpowie użytkownikowi bzdurą w bardzo elokwentny sposób. Zanim wpuścisz AI do dokumentów, musisz w nich posprzątać.

A to nie jest łatwe - no bo weź teraz przekonaj wszystkich, żeby stosowali te same reguły porządkowania danych :)

2. Prywatność, RODO i wycieki tajemnic

Brak kontroli dostępu do danych (Data Access Management) staje się krytycznym ryzykiem w zderzeniu z AI. Jeśli uruchamiasz asystenta dla wszystkich pracowników podpinając go pod bazę dokumentów bez egzekwowania rygorystycznych ról i uprawnień, nagle stażysta może poprosić model: "Napisz mi podsumowanie pensji całego zarządu z zeszłego roku" i uzyskać dokładną odpowiedź.

Ale nie bądźmy aż takimi pesymistami. Po prostu, przepisy RODO (o ochronie danych osobowych) po prostu zmuszają nas do zapewnienia danych dokładnych :)

3. Ochrona własności intelektualnej

Używanie publicznych modeli (jak darmowy ChatGPT) oznacza, że dane, które wprowadzasz (kody źródłowe, analizy finansowe, strategie umów), mogą być użyte do trenowania modeli publicznych (nie wierzcie we wszystko co "oświadczają" dostawcy!).

Fundament dla AI Governance

Dlatego też, pierwszym krokiem wdrożenia AI Governance w firmie jest audyt polityki (jakości) danych [pod warunkiem, że jest ona dostępna]. Trzeba też zinwentaryzować kluczowe zbiory danych, zmapować przepływy danych (data lineage), ustalić kto i za co odpowiada i wdrożyć odpowiednie narzędzia. Czasem będą to też platformy danych.

Ale uwaga! Data Governance to kompletnie inny projekt i choć można robić je równolegle, to ze względu na zależności pomiędzy "światami" może to być dość ryzykowne.

Mimo wszystko zajmij się danymi. Zacznij od polityki jakości danych. Będzie drogowskazem, który pomoże obrać kierunek.

"Aby Twoja organizacja mogła korzystać z dobrodziejstw AI (B2B/Enterprise AI), najpierw musi posprzątać we własnej architekturze i kulturze pracy z danymi. AI Governance bez Data Governance po prostu nie zadziała. No albo zadziała, ale z marnym skutkiem :)"

Dlaczego dane są fundamentem AI Governance

Jakość, pochodzenie i ochrona danych decydują o bezpieczeństwie modeli AI. Praktyczne wskazówki dotyczące data governance i zgodności z RODO.

Aktualizacja: