5 راه برای تمیز کردن داده های AI خود

داده های ضعیف هزینه های خوبی را برای شرکت ها هزینه می کند – به خصوص اگر این داده ها از AI استفاده شوند.

چقدر در مورد صحبت می کنیم؟ یک مطالعه 2024 توسط شرکت ادغام داده های Fivetran نشان داد که هوش مصنوعی (AI) که در داده های نادرست ، ناقص یا کم کیفیت آموزش دیده است می تواند 6 ٪ از درآمد آنها یا به طور متوسط ​​406 میلیون دلار در سال باشد.

کریم هبال ، معاون رئیس جمهور تصمیمات مدیریت داده در Salesforce می گوید: “اگر اطلاعات خوبی ندارید ، احتمالاً بهترین تصمیمات تجاری را نمی گیرید.” “تأثیر واقعی در تصمیمات تاکتیکی روزانه و تصمیمات چند ساله وجود دارد.”

با این نیش درآمد بزرگ ، فکر می کنید که رهبران برای مقابله با تمیز کردن داده ها عجله می کنند. اما زمان ، ابزار کار و فناوری گران است و برخی از شرکت ها نمی خواهند این سرمایه گذاری را انجام دهند. این کوتاه من است. سرمایه گذاری حتی مقدار کمی را می توان بعداً پرداخت کرد. لیست ما از پنج روش سودآور برای تمیز کردن داده های شما می تواند شما را شروع کند.

قیمت داده های بد

بسیاری از مارک های بزرگ آموخته اند که داده های بد به شهرت و ردیف های پایین آسیب می رساند. یکی از شرکتهای هواپیمایی بزرگ پس از اینکه چت بابات خط مشی سفر خود را به اشتباه از دست داد ، خود را در دادگاه پیدا کرد و به مشتری گفت که در هنگام حضور وی واجد شرایط بهبودی است. در جای دیگر ، خطایی در یک سیستم کنترل ترافیک هوایی 2000 پرواز در انگلیس و ایرلند را لغو کرد و هزاران مسافر ، انباشته شده و خطوط هوایی را به 135 میلیون دلار ضرر می کند.

هزینه ها همچنین می توانند مالی بیشتری داشته باشند. یک تایپی جزئی در آدرس مشتری می تواند منجر به ارتباطات از دست رفته ، تحویل از دست رفته و فروش از دست رفته شود. و پس از آن اعتماد به نفس در مشتریان وجود دارد ، که برای قرار دادن قیمت بسیار ارزشمند است. اگر نماینده هوش مصنوعی در حال توهم یا پاسخ دادن به سؤالات به طور نادرست باشد ، مشتریان می توانند تجارت خود را در جای دیگر انجام دهند. آنها اهمیتی نمی دهند که آیا AI لعنتی شده است. آنها فقط به یاد خواهند آورد که این شرکت شما بوده است.

چگونه داده های خود را به روشی سودآور تمیز کنیم

نماینده هوش مصنوعی شما به اندازه داده هایی که از آن تغذیه می کنید خوب خواهد بود. اما تهیه داده های خود از آنچه فکر می کنید می تواند آسانتر و ارزان تر باشد. در اینجا چگونه:

1. اولویت بندی کنید که کدام داده ها باید تمیز شوند

فقط با تمیز کردن داده های مورد نیاز شما شروع کنید.

Salesforce این کار را با نمایندگان خاص خود انجام می دهد ، که از طرف AgentForce ، بستر این شرکت برای ساخت و اجرای نمایندگان هوش مصنوعی استفاده می شود. هنگامی که تیم محصول یک عامل را ایجاد می کند ، آنها روی کار (یا وظایف) که نماینده می خواهد انجام دهد تمرکز می کنند. دانیل زیلاسکی ، معاون رئیس جمهور Salesforce Science در فروش گفت: “این مشاغل” مباحث “نامیده می شوند و مباحث راهی برای هدایت درخواست کاربر به یک کار خاص است که نماینده می تواند انجام دهد.”

Zielaski به عنوان نمونه به نماینده جدید Salesforce برای توسعه فروش (SDR) اشاره کرد. عامل SDR برای نوشتن ایمیل برای اطلاعات چشم انداز به یک حساب کاربری تمیز و به روز شده ، سرب و تماس نیاز دارد. اما او نیازی به اطلاعاتی در مورد چگونگی حل یک مشکل فنی ندارد. وی گفت: “ما داده هایی را که در یک موضوع خاص مصرف می شوند ، شناسایی می کنیم و سپس بر بهبود کیفیت کلی آن ، در برابر جوش اقیانوس و تلاش برای تمیز کردن تمام داده های ما تمرکز می کنیم.”

ترتیب مدیریت هزینه کار

برای بسیاری از شرکت ها ، بیشترین هزینه داده کار است. به عنوان مثال ، یک مهندس سانفرانسیسکو به طور متوسط ​​178،000 دلار در سال برنده می شود. و هنگامی که شما یک تیم کل داده داخلی را می سازید ، می توان هزینه حقوق ، آموزش و مزایا را اضافه کرد.

تیم های داخلی برای پردازش داده های حساس مانند اطلاعات بهداشتی یا مالی بسیار مهم هستند. آنها همچنین دانش تداوم و نهادی ارائه می دهند. اما برای داده های حساس کمتر ، می توانید از یک ارائه دهنده خارجی یا فریلنسرها استفاده کنید ، که فقط به شما امکان می دهد خدمات مورد نیاز خود را بپردازید. یا می توانید از یک دسته کوچک موسیقی جاز از هر دو ، یک رویکرد ترکیبی استفاده کنید.

همچنین می توانید از Salesforce Data Cloud استفاده کنید ، که یکی از بزرگترین مشکلاتی که شرکت ها با آن روبرو هستند را حل می کند: داده ها را از سیستم های نرم افزاری مختلف در یک مکان برای خواندن عامل AI بارگیری کنید. زیلاس گفت: “این محصول به گونه ای طراحی شده است که نیازی به پرداخت یک تیم بزرگ مهندسی داده نیست.” “شما لازم نیست برای یک تیم معماری بپردازید. لازم نیست برای ورود به سیستم و استفاده از کد برای انتقال داده ها از یک مکان به مکان دیگر ، به گروهی از افراد بپردازید.”

3. تا آنجا که ممکن است تمیز کردن داده ها را به صورت خودکار انجام دهید

این مطالعه Fiveran نشان داد که دانشمندان داده ها بخش بیشتری از وقت خود را (67 ٪) می گذرانند و داده ها را به جای ساخت و پالایش مدلهای هوش مصنوعی تهیه می کنند. اما راهی برای روشن کردن بار آنها وجود دارد: کیفیت کیفیت داده خود را خودکار کنید.

اتوماسیون فرآیندهای کیفیت داده – یا از طریق کد یا ابزارهای کیفیت داده – می تواند زمان مورد نیاز برای نظارت و تمیز کردن داده ها را به شدت کاهش دهد. بله ، این نیاز به یک سرمایه گذاری اولیه دارد. اما گزارش Forrester نشان داد كه ابزارهای كیفیت داده ها مشکلات را در زمان وضوح 90 ٪ به دست می آورند و 5 184 ساعت را در مهندس داده ذخیره می كنند.

آنها این کار را تا حدودی با تشخیص ناهنجاری ها انجام می دهند. به عنوان مثال ، تیم Habbal از ابزارهای مختلف کیفیت داده برای نمایش خودکار مجموعه داده ها ، از جمله مواردی که ارزش قرارداد سالانه (ACV) را محاسبه می کند ، یک شاخص مالی مهم است. وی یک نمونه فرضی از مجموعه ای از داده ها را به اشتراک گذاشت که در آن محدوده ACV معمولی از 10 میلیون دلار تا 50 میلیون دلار برای هر مشتری است. اگر ابزار کیفیت داده ACV را با 30 دلار تشخیص دهد ، هاببال گفت: “ما به ما علامت گذاری می شویم و می توانیم آن را بررسی کنیم.”

تیم Habbal همچنین از این ابزارها برای نظارت بر داده ها برای کامل بودن ، به موقع بودن ، دقت و انطباق استفاده می کند. وی گفت: “در اصل ، این بدان معنی است که من می توانم یک قاعده ایجاد کنم که می گوید:” هنگامی که کامل بودن داده ها زیر 99 ٪ قرار می گیرد ، یک سیگنال را درمان کنید. ”

چرا این مهم است؟ “اگر ما قصد داشتیم ACV سه ماهه را گزارش کنیم [Salesforce CEO] مارک بنیف ، ما نمی خواهیم مجموعه ای از داده ها را به او بدهیم که 90 ٪ است. ” برای این وضعیت ، ما با ابزار کیفیت داده خود آستانه بسیار بالایی خواهیم داشت که داده ها باید 99 ٪ کامل یا بیشتر باشند. ”

4. خط مشی مدیریت داده را قرار دهید

راه دیگر برای مدیریت هزینه ها ، ایجاد یک مدیریت واضح است که شامل مدیریت داده ها است. به عبارت دیگر ، نوع که مسئولیت مجموعه خاصی از داده ها را بر عهده دارد.

نمونه فرضی داده های ایجاد شده در یک برنامه تجاری را در نظر بگیرید. از آنجا که داده ها برای موارد تحلیلی یا گزارشگری جریان را پایین می آورند ، می توان چهار بار تکرار کرد. وقتی کسی متوجه شد که در داده ها مشکلی وجود دارد ، “ما نمی خواهیم چهار تیم مختلف برای تغییر مسیر نسخه های خود از داده ها”. اگر مالکیت داده های روشنی دارید ، فقط یک تیم مسئولیت پذیر خواهد بود ، این به معنای هزینه کمتر نیروی کار است.

خط مشی مدیریتی که موقعیت شما در مورد دسترسی ، امنیت و انطباق را تشریح می کند ، شما را از ریسک جلوگیری می کند. خطاها در گزارشگری مالی یا پردازش نادرست داده های شخصی می تواند منجر به جریمه های گران قیمت و نبردهای قانونی شود. و مشکلات انطباق نیز منابع را تخلیه می کند. مدیریت روشن این خطرات را کاهش می دهد.

5. برای جلوگیری از داده های بد ابتدا از AI استفاده کنید

در سال 1992 ، جورج لابویتز و یو سانگ چانگ ، سپس هر دو استاد دانشگاه دانشگاه بوستون ، قانون کیفیت داده 1: 10: 100 را معرفی کردند. قانون آنها ادعا می کند:

• هزینه جلوگیری از داده های منبع ضعیف 1 دلار برای ضبط است.
• هزینه حذف پس از شناسایی مسئله داده 10 دلار است.
• هزینه انجام هیچ کاری 100 دلار است.

این اعداد احتمالاً طی سالها تغییر کرده اند ، اما ایده یکسان است: یکی از بهترین راه های صرفه جویی در هزینه ، جلوگیری از داده های بد در سیستم شما است. هوش مصنوعی می تواند کمک کند.

Zielas گفت عامل SDR Salesforce نمونه خوبی است. هنگامی که یک مشتری بالقوه از وب سایت Salesforce بازدید می کند ، از آنها خواسته می شود فرم را تکمیل کنند که نقش اصلی را ایجاد کند. اما فرم باید به روشی خاص برای ایجاد داده های استاندارد و با شکل مناسب تکمیل شود. اگر این چشم انداز شماره اضافی را به شماره تلفن اضافه کند ، از آنها خواسته می شود که دوباره به شماره وارد شوند. یا ممکن است در صورت خالی بودن کادر ، قادر به کلیک بر روی دکمه ارسال نباشند.

جلوگیری از داده های بد وقتی یک شرکت با نام های مختلف می رود ، چالش برانگیز تر می شود. به عنوان مثال ، مجاری هوایی نیپون ژاپنی اغلب ANA نامیده می شود. اگر کارمندان شرکت هواپیمایی فرم های وب سایت Salesforce را با استفاده از نام شرکت های مختلف در زمان های مختلف پر کنند ، حساب های تکراری ایجاد می شوند – و Salesforce می تواند ایمیل های غیر ضروری را ارسال کند. برای جلوگیری از این امر ، تیم Salesforce الگوریتم های هوش مصنوعی را برای دکوراسیون سوابق و پاکسازی و پاکسازی داده ها می سازد تا مطمئن شوید که این یک باکره است. زیلاس گفت: “به الگوریتم هایی مانند جاروبرقی که دائماً تمام این داده ها را برطرف می کنند فکر کنید.”

درآمدهای تولید شده توسط نماینده SDR قیمت این تیم را جبران می کند. Zielaski گفت: “اگر شما در حال ساختن یک عامل خودمختار هستید که می تواند خط لوله ای به مبلغ صدها میلیون دلار ایجاد کند و تنها کاری که باید انجام دهید ساخت تیمی از پنج تا 10 نفر برای مدیریت کیفیت داده ها است.”

تمیز کردن داده ها برای هر پنی هزینه دارد

تهیه داده های هوش مصنوعی شما می تواند احساس دلسردی و گران شود. اما اگر کار را بشکنید ، فقط داده های مورد نیاز خود را تمیز کرده و منابع را با دقت اختصاص دهید ، می توانید مدیرعامل را تهیه کنید وت افسر مالی خوشحال است. این سرمایه گذاری است که پشیمان نخواهید شد.

مقاله هایی را که فقط در صندوق پستی خود برای شما انتخاب شده است دریافت کنید

اکنون ثبت نام کنید