Firmy niezadowolone z efektów analiz AI – 9 na 10 organizacji mierzy się z błędnymi wynikami

Szybsze przetwarzanie dużych zbiorów informacji, redukcja błędów manualnych, identyfikowanie trendów i ich przewidywanie – to potencjalne korzyści z wdrożenia sztucznej inteligencji w analizie danych. Okazuje się jednak, że nie wszystkie organizacje mogą je osiągnąć. Blisko połowa firm przyznaje, że ich infrastruktura czy polityki bezpieczeństwa nie są w pełni przygotowane na implementację AI^[1]. Aż 84 proc. liderów zespołów analitycznych uważa, że w związku z tym należy gruntownie przebudować strategię dotyczącą zarządzania danymi^[2]. Czy to jedyna szansa, by zwiększyć jakość informacji będących podstawą decyzji biznesowych?

AI nie przynosi oczekiwanych efektów?

W teorii narzędzia AI mają usprawnić analizę informacji oraz zwiększyć jej skuteczność. Paradoksalnie jednak często utrudniają ten proces. W niemal 9 na 10 organizacji (89 proc.) zdarzyło się, że wyniki uzyskane przy pomocy sztucznej inteligencji były niedokładne lub błędne^[3]. Taka sytuacja przekłada się na zaufanie do wykorzystywanych rozwiązań. Aż 95 proc. dyrektorów finansowych uważa, że stosowanie AI w analizie danych jest ryzykowne^[4]. Poza nieprawidłowymi wynikami obawy dotyczą również potencjalnego wycieku danych wrażliwych dla firmy. Jak jednak zaznacza Sebastian Jaworski, wiceprezes Linux Polska, przyczyną takiej sytuacji może być niewłaściwa strategia wdrożeniowa.

– Niektóre organizacje decydują się na implementację dość przypadkowych narzędzi i modeli sztucznej inteligencji z nadzieją, że usprawnią one dotychczasowe procesy. Tymczasem, aby osiągnąć oczekiwane efekty, konieczne jest zbudowanie kompletnych systemów. Należy je zintegrować z dotychczas wykorzystywaną infrastrukturą IT oraz sukcesywnie rozwijać. Takie podejście zapewni większą kontrolę nad wykorzystywanymi rozwiązaniami – ograniczy błędy AI, zwiększy trafność wyników oraz poprawi zarządzanie kontekstem. Stworzenie spójnego środowiska nie wymaga zmian w architekturze, ale wiąże się z rewolucją w kulturze organizacyjnej. Dlatego należy edukować zespół w zakresie świadomego i bezpiecznego wykorzystania AI – wyjaśnia Sebastian Jaworski, wiceprezes Linux Polska.

Problem zaczyna się od danych

Obawy dyrektorów finansowych wynikają przede wszystkim z dotychczasowych doświadczeń. Niemal połowa z nich (47 proc.) wskazuje, że w ciągu ostatniego roku podjęło błędną decyzję na podstawie niedokładnych lub niekompletnych danych finansowych. W niemal 3 na 4 przypadkach (72 proc.) skutkowało to stratami wynoszącymi co najmniej pół miliona dolarów (ponad 1,8 mln złotych)^[5].

Źródłem tych problemów nie zawsze są narzędzia AI, a kwestie organizacyjne. Zdarza się, że różne działy firmy posiadają własne zasady gromadzenia i przetwarzania danych. Brak spójności skutecznie utrudnia wyciągnięcie wartościowych wniosków. Według szacunków nawet 90 proc. informacji, które posiadają przedsiębiorstwa, to dane nieustrukturyzowane^[6]. Nie posiadają one jednolitego formatu i określonej struktury – nie można zatem ich wykorzystać bez wcześniejszego przygotowania. Tymczasem aż 7 na 10 liderów zespołów analitycznych przyznaje, że to właśnie te informacje skrywają najważniejsze wnioski dla ich organizacji^[7]. Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska, wskazuje, że konfiguracja baz danych w organizacji powinna poprzedzać wdrożenie rozwiązań AI.

– Bazy danych to systemy informatyczne, które pozwalają na przechowywanie i organizację nawet sporej ilości ustrukturyzowanych rekordów. Ich implementacja jest zalecana między innymi tym firmom, którym zależy na szybkich i wydajnych mechanizmach wyszukiwania, analizy informacji czy raportowania. Szczególną rolę odgrywa w tym przypadku zaprojektowanie i optymalizacja procesów ETL (z ang. extract – wyodrębnienie, transform – przekształcenie, load – ładowanie). To właśnie one pozwalają na przetwarzanie i transformację danych między różnymi modelami. Dopiero uporządkowane i zorganizowane informacje mogą być skutecznie wykorzystane w analizie przy pomocy narzędzi opartych na sztucznej inteligencji – dodaje Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska.

Firmy nieprzygotowane do wdrożenia analityki AI

W praktyce jedynie 49 proc. organizacji czuje się w pełni przygotowanych do wdrożenia sztucznej inteligencji pod względem infrastruktury. Pozostałe nie dysponują odpowiednimi systemami do zbierania, przechowywania i przetwarzania informacji. Sytuacja jest jeszcze trudniejsza w przypadku jakości danych (gotowych w tym zakresie jest 47 proc. firm), a także ich bezpieczeństwa (47 proc.), integracji (46 proc.) czy aktualności (45 proc.)^[8]. Jak wyjaśnia Kacper Szczepaniuk, Observability Specialist w Linux Polska, problemy w każdym z wyżej wymienionych aspektów oddala firmę od skutecznej analizy.

– Nieaktualne czy niepełne dane zawsze będą skutkowały błędnymi wynikami analizy. Dziś o to nietrudno – organizacje gromadzą coraz więcej informacji i nie zawsze mają kontrolę nad ich jakością czy bezpieczeństwem. Dlatego prawidłowa konfiguracja bazy danych powinna uwzględniać rozwiązania z obszaru monitorowania i automatycznego zarządzania infrastrukturą. Dodatkowo należy pamiętać o integracji bazy z wdrażanymi narzędziami AI. Dzięki zapewnieniu dwukierunkowej komunikacji narzędzia analityczne będą korzystały z aktualnych zasobów, co ograniczy ryzyko halucynacji i generowania nieprawidłowych wniosków – mówi Kacper Szczepaniuk, Observability Specialist w Linux Polska.

Aktualnie zaledwie co piąta organizacja (19 proc.) wykorzystuje do analiz AI dane wejściowe z jednego systemu. Dla 32 proc. firm rozproszenie baz i brak integracji są głównymi barierami w osiągnięciu założonych celów^[9]. Wyzwania te nie powstrzymują firm przed wdrożeniem sztucznej inteligencji – ponad połowa (55 proc.) przedsiębiorstw szkoli lub rozwija własne modele przy pomocy niewłaściwych danych^[10]. Takie podejście sprawia, że narzędzia AI zwiększają liczbę błędów zamiast je eliminować.