[ad_1]
Việc chuẩn bị dữ liệu đúng cách có vẻ như là một nhiệm vụ khó khăn, nhưng nếu không có nó, AI chuyên dụng sẽ gặp khó khăn.
AI đã gắn chặt không thể đảo ngược với vô số các hoạt động kinh doanh đa dạng. Và nó đang đói dữ liệu. Nhưng việc cung cấp cho nó dữ liệu phù hợp có thể tạo nên hoặc phá vỡ sự tích hợp của nó — và lòng tin của những người mà nó ảnh hưởng. Do đó, hiểu được dữ liệu chất lượng và cách sử dụng dữ liệu là những kỹ năng chính mà mọi nhà lãnh đạo doanh nghiệp cần biết, vì sự phát triển của AI chỉ đang nóng lên.
Dữ liệu thô, không được quản lý có thể làm suy yếu việc đào tạo các mô hình AI hiệu quả. Dữ liệu này, dưới dạng video, hình ảnh, văn bản ngôn ngữ tự nhiên, âm thanh hoặc định dạng vật lý, chiếm phần lớn dữ liệu ngoài kia. AI tồn tại, phát triển và học hỏi bằng cách tiêu thụ dữ liệu, và nếu tất cả những gì nó nhận được là một mớ thông tin không có ngữ cảnh, nó sẽ nhả ra cùng chất lượng thông tin đó. Như câu nói: rác vào, rác ra.
Kiểu dữ liệu này có vị trí của nó. Các mô hình ngôn ngữ lớn hơn (LLM) mục đích chung thường sử dụng mọi thứ chúng có thể, đó là lý do tại sao ảo giác và sai lầm xảy ra. Mọi người không nên mong đợi một cách hợp lý rằng sẽ nhận được kết quả đáng tin cậy từ một mô hình lấy dữ liệu từ một nguồn chưa được xác minh như Reddit, nhưng các mô hình này có thể rất thú vị khi sử dụng. Tuy nhiên, AI chuyên biệt hơn cần có mức độ chính xác cao hơn. Ví dụ, các ngành y tế, pháp lý, dược phẩm và bảo hiểm cần AI đáng tin cậy và độ tin cậy này chỉ có thể đến từ dữ liệu chất lượng. Nếu không có điều này, vô số sai lầm nguy hiểm có thể xảy ra, chẳng hạn như AI phát hiện ung thư chẩn đoán sai những người có làn da sẫm màu hoặc chatbot AI y tế cung cấp lời khuyên có hại về chứng rối loạn ăn uống.
Vậy làm thế nào để dữ liệu có thể được tái cấu trúc để trở thành đầu vào tốt cho AI chính xác? Nó phụ thuộc vào việc làm sạch, xác minh, ngữ cảnh hóa và phân loại. Ví dụ, nếu có một công ty muốn triển khai AI trong trung tâm dịch vụ khách hàng, dữ liệu cần được gắn thẻ và nhóm lại trước khi có thể đưa vào mô hình. Tương tác nào thành công, tương tác nào giải quyết được vấn đề A, B hoặc C, tương tác nào tuân thủ chính sách đúng và tương tác nào là cuộc gọi đùa?
Dữ liệu cũng cần được xác thực so với dữ liệu chân lý đã biết. Để mở rộng ví dụ về trung tâm dịch vụ khách hàng: Mô hình không chỉ được đào tạo trên bản ghi chép của trung tâm cuộc gọi; mà còn cần được đào tạo trên các Câu hỏi thường gặp và tài liệu nội bộ do các doanh nghiệp vừa và nhỏ tạo ra và xác minh. Trong quá trình đào tạo, các nguồn đã được xác minh như vậy phải được coi trọng hơn.
Các tổ chức đang nhanh chóng áp dụng AI vì họ nhận ra tầm quan trọng của nó, nhưng việc cắt giảm chi phí bằng dữ liệu thô đã khiến các doanh nghiệp phải trả giá hàng trăm triệu đô la. Cần nhắc lại rằng sẽ luôn có chỗ cho dữ liệu thô: AI hỗ trợ AI. Các mô hình được xây dựng để giúp làm sạch và cấu trúc dữ liệu có thể sẽ được đưa vào sử dụng và dữ liệu tổng hợp do AI tạo ra sẽ tiếp tục hoạt động track track để tiết kiệm chi phí trong khi vẫn đảm bảo kết quả tốt.
Nhìn về phía trước luôn là điều quan trọng, nhưng với tốc độ phát triển theo cấp số nhân của AI, việc chuẩn bị cho tương lai trước khi AI trở nên lỗi thời thậm chí còn quan trọng hơn. Chất lượng dữ liệu sẽ giúp các doanh nghiệp chuẩn bị cho một tương lai đầy hứa hẹn. Tuy nhiên, việc đạt được dữ liệu hoàn hảo là điều không thể và các nhà lãnh đạo phải hướng đến mục tiêu đạt được sự cân bằng phù hợp giữa dữ liệu phù hợp với nhu cầu tiêu dùng và trên toàn doanh nghiệp.
Trong khi AI đang được đào tạo và triển khai trong nhiều hoạt động kinh doanh, vẫn còn một mức độ lo lắng và sự nghi ngờ. Niềm tin có thể nhanh chóng bị phá vỡ và khó xây dựng lại. Do đó, điều quan trọng là việc triển khai đầu tiên phải tạo được sự tin tưởng và tạo ra kết quả đáng tin cậy. Chỉ có dữ liệu chất lượng mới có thể đảm bảo điều này và một nhà lãnh đạo biết và hiểu điều này sẽ tự tạo cho mình một tương lai vững mạnh trong môi trường làm việc do AI thúc đẩy.
Giới thiệu về tác giả
Subbiah Muthiah là Giám đốc công nghệ của Rising Applied sciences tại Chất lượng nhất. Ông là người dẫn đầu trong việc thúc đẩy đổi mới và tăng trưởng doanh thu của các năng lực thời đại mới trong tự động hóa nhận thức, trí tuệ nhân tạo (AI), blockchain, đám mây, web vạn vật (IoT) và trải nghiệm ‘phygital’ lai. Subbiah cũng là cố vấn cho hoạt động sáp nhập và mua lại của tập đoàn Qualitest trong lĩnh vực công nghệ. Trước Qualitest, ông đã dành một thập kỷ tại TCS và Cognizant trong các vai trò lãnh đạo công nghệ. Ông nắm giữ hai bằng sáng chế của Hoa Kỳ trong các lĩnh vực robotic và trải nghiệm khách hàng. Subbiah có trụ sở tại Chennai. Trong thời gian rảnh rỗi, ông thích xem phim và nâng cao hiểu biết về kinh doanh và tài chính của mình.
Đăng ký nhận tin tức insideAI miễn phí bản tin.
Tham gia cùng chúng tôi trên Twitter: https://twitter.com/InsideBigData1
Tham gia cùng chúng tôi trên LinkedIn: https://www.linkedin.com/company/insideainews/
Tham gia cùng chúng tôi trên Fb: https://www.facebook.com/insideAINEWSNOW
[ad_2]
Source link