Yapay Zeka (AI), Makine Öğrenimi (ML) ve Büyük Dil Modelleri (LLM) dünyayı alt üst etti. Finanstan üretime, ilaca ve perakendeye kadar her sektör AI/ML çoğunluğuna atlıyor. Ve iyi bir sebep için. AI/ML, verimliliği artırma, otomasyonu yönlendirme ve teslimat döngülerini kısaltma yeteneğine sahiptir. AI/ML uygulamaları, ayıklanması ve analiz edilmesi haftalar veya aylar değilse bile ortalama analist günlerini alacak büyük miktarda veriyi emebilir ve raporlayabilir. Genel olarak AI/ML, karar vericilerin daha kısa sürede daha iyi kararlar almasına yardımcı olacaktır.
Ancak, herhangi bir güçlü yetenek gibi, dikkatli bir şekilde ilerlemek gerekir. Yanlış bir şekilde uygulanırsa, AI/ML, tutarsız bilgileri kusarak, kabul edilemez önyargıları açığa vurarak ve etik olmayan sonuçlar çıkararak kendi başına bir yaşam sürdürebilir. AI/ML alanı ilginç bir muamma yarattı: birçok kuruluş AI/ML havuzuna atlamaktan (riskli “erken benimseyenler” haline gelmekten) korkarken, aynı zamanda AI/ML havuzuna atlamaktan da korkuyor ( FOMO’yu deneyimlemek — Kaybetme Korkusu).
Peki nasıl devam edilir? Tuzakları ve riskleri en aza indirirken AI/ML’nin faydalarını nasıl en üst düzeye çıkarabilirsiniz? Cevabın büyük bir kısmının zaten orada olduğuna inanıyorum – “eski moda” veri yönetiminin konuşlandırılmasında bulundu.
Veri Yönetimi, Veri Yönetişiminden Daha Fazlasıdır
Şimdi ilk tepkiniz, “Bu makalenin başlığı, AI/ML’yi uygularken veri yönetişiminin önemi hakkında değil mi?” olabilir. Neden bunun veri yönetimi ile ilgili olduğunu söylüyorsunuz? Şey… çünkü öyle! Sizi cezbetmek için başlıkta veri yönetimine atıfta bulundum! Neden? Çünkü çoğu zaman kuruluşların AI/ML programlarını yönetmenin çözümünün veri yönetişimi olduğunu varsaydığını görüyorum. Gerçek şu ki, haksız değiller ama sadece kısmen haklılar. Veri yönetişimi aslında veri yönetiminin yalnızca bir bileşenidir. AI/ML programınızı tam olarak benimsemek ve bundan yararlanmak, riskleri azaltırken yeteneklerinden yararlanmak için iyi yapılandırılmış, iyi tasarlanmış ve olgun bir veri yönetimi programına ihtiyacınız vardır.
Devam etmeden önce, geri adım atalım ve AI/ML programının tüm görünümüne bakalım. “AI/ML taburesinin ayaklarını” şu şekilde tanımlamayı seviyorum:
- 1. Ayak: Veri Yönetimi
- 2. Ayak: Model Yönetimi
- 3. Ayak: (ve genellikle unutulur) Sonuç Yönetimi
Her birini keşfedelim…
Bir AI/ML Programı için 1. Ayak: Veri Yönetimi
Veri Yönetimi, veri varlığının tedarik zinciri ile ilgilidir. Doğru verileri doğru kişilere doğru zamanda ulaştırmakla ilgilidir. Bu, verilerin kaynağını anlamak ve tam şeffaflığa sahip olmak, nasıl işlendiğini ve düzenlendiğini, nerede kalıcı olduğunu ve nasıl korunduğunu anlamakla ilgilidir. Analizlerimizi, AI/ML modellerimizi besleyen veriler doğru, zamanında ve güvenilir olmalıdır. Aşırı kullanılan “çöp içeri, çöp dışarı” ifadesi bunu en iyi şekilde özetler.
Bu “çöp içeri, çöp dışarı” ifadesinin nereden geldiğini merak ettiğim için küçük bir araştırma yaptım ve bu ifadenin 1960’larda IBM programcısı George Fuechsel adlı bir adama atfedildiğini keşfettim. kötü sonuçlar çıktı. Yetmiş yıl sonra bu ifade geçerlidir. AI/ML’miz ne kadar akıllı olursa olsun, yine de doğru, zamanında ve güvenilir verilere bağlıdır. AI/ML modelleriniz ne kadar iyi olursa olsun, yine de özünde bağlantılıdır ve onları besleyen verilere bağımlıdır. İyi veriler olmadan iyi analizlere, iyi AI/ML’ye sahip olamazsınız. 2 ayaklı bir tabure dayanmaz!
Görüyorsunuz, veri yönetişimi tek başına yeterli değil. AI/ML gündeminizi başarılı bir şekilde yönetmek için, başarılı bir AI/ML programına sahip olmak için başarılı bir şekilde uygulanan veri yönetimi yeteneklerinizin eksiksiz bir tamamlayıcısına ihtiyacınız vardır. EDM Konseyi’nin DCAM’si (Veri Yönetimi Yetenek Değerlendirme Modeli), veri yönetimi programınızın temel unsurlarını uygun bir şekilde tanımlar. Tamamen tanımlanmış ve onaylanmış bir veri yönetimi stratejisi ile başlar. Programınız nasıl yönetilecek ve sürdürülecek ve iş hedeflerinizi desteklemek için hangi verilere ihtiyacınız var? Bir sonraki husus, programın kendisidir. Programınızı desteklemek için doğru düzeyde yönetici desteğiyle doğru organizasyon yapısına sahip misiniz? Kuruluşunuzda veri yönetimi hedeflerinize ulaşmak için doğru becerilere sahip misiniz? Daha sonra işin kendisini anlamanız gerekir. İş mimarisi, iş hedeflerini ifade eder. İş hedefleri, veri gereksinimlerini tanımlar. Ve veri gereksinimleri teknolojiyi tanımlar. Veri kalitesi ve veri yönetişiminin önemli görevleri bir kez belirlendikten sonra, veri varlıklarınıza güveni sağlamak için dağıtılabilir. Ve son olarak, her veri programı, kişisel verilerin hassasiyetini koruyarak ve yetkisiz erişime ve veri ihlallerine karşı koruyarak, verilerin doğasını anlamalıdır.
Ne yazık ki, yerleşik bir veri yönetimi programı olmadan AI/ML’ye geçmek isteyen birçok kuruluş görüyorum. Bir binanın temelini kalitesiz betonla atabilirsiniz ama bu, zamana karşı koyamaz. Veriler, AI/ML programınızın temelidir.
Bir AI/ML Programı için 2. Ayak: Model Yönetimi
Daha sonra model yönetimi gelir. Analitik, AI/ML modelleri oluşturma konusunda uzman olduğumu iddia etmiyorum, ancak sizi temin ederim ki veri yönetimi için geçerli olan ilkelerin aynıları model yönetiminde de geçerlidir. Model geliştirme, iyi tanımlanmış bir dizi ilke ve standarda bağlı kalmalı ve amaçlandığı gibi çalıştıklarından emin olmak için dikkatlice geliştirilmeli ve test edilmelidir. Belirli bir iş hedefine ulaşmak için bu modelleri geliştirirken, modelciler algoritmalardaki yanlılığı tespit etmenin ve tasarımlarında adaleti sağlamanın sürekli olarak farkında olmalıdır. Kasım 2018’de Singapur Para Otoritesi (MAS), yapay zekanın sorumlu ve etik kullanımına yönelik bir kılavuz olan “FEAT” İlkelerini — Adalet, Etik, Hesap Verebilirlik ve Şeffaflık — yayınladı. Bu belge, AI/ML modellerinin her geliştiricisi için ilgi alanlarını 14 ilke halinde kodlar. AI/ML hala nispeten yeni bir beceridir. Tavsiyem: Bu belge üzerinde emek harcayan konu uzmanlarından ve benzerlerinden yararlanın ve işletmenizin ileriye doğru ivme kazanmasına yardımcı olmak için firmanızın kullanabileceği modelleri geliştirirken onların içgörülerinden yararlanın.
Bir AI/ML Programı için 3. Ayak: Sonuç Yönetimi
Taburenin son ayağı sonuç yönetimidir. Birçok firma için AI/ML çözümlerinin geliştirilmesi, modelin üretime geçmesiyle sona erdi. Ve geçmişte, geleneksel teknoloji uygulamalarında olduğu gibi, birim testinden sonra bu yeterliydi. Ancak günümüzün AI/ML dünyasında, bu modellerden çıkanların sürekli olarak gözden geçirilmesi ve değerlendirilmesi gerekiyor. Aradaki fark makine öğrenmesidir – “makine öğrenimi”. Büyük veri kümelerini denetleyen en iyi yönetim programları bile verilerdeki temel önyargıyı gözden kaçırabilir. Bu, veri yönetiminin rolünü en aza indirmez, bunun yerine verilerdeki öngörülemeyen önyargı kombinasyonunun AI/ML’nin gücüyle bir araya gelmesinin bu istenmeyen sonuçları ön plana çıkarabileceğini kabul eder. Yoldan çıkmış AI/ML modellerini tasvir eden çok sayıda manşet görmek için uzağa bakmak gerekmez. Etik olmayan çıktılar üreten bu kontrolden çıkmış modellerin hikayelerini gördüğünüzde, geliştiricilerin niyetinin bu modellerin bu sonuçları üretmesini sağlamak olmadığından eminim. Dolayısıyla, AI/ML taburesinin son ayağı olan sonuç yönetimi, tabureyi dik tutmak için kritik ve gereklidir.
AI/ML için Sağduyu
Sonuç olarak, bu makalenin başlığını değiştireyim –
AI/ML’yi Uygularken Veri Yönetişiminin Önemi ile AI/ML’yi Uygularken İyi İş Sağduyusunun Önemi. Verileri, modeli ve sonucu bir araya getirin ve bu yeni AI/ML teknolojisinin gücünden ve potansiyelinden yararlanma yolunda olacaksınız.
Bu çeyreğin sütununa katkıda bulunanlar:
JOhn Bottega, EDM Konseyi Başkanı
John Bottega, sektörde 40 yılı aşkın deneyime sahip kıdemli bir strateji ve veri yönetimi yöneticisidir. John, 2005 yılında EDM Konseyi’nde sektöre katkıda bulunan kişi olarak çalışmaya başladı ve 2007’den 2014’e kadar Başkan olarak görev yaptı. 2014’te Konseyin yürütme ekibine Kıdemli Danışman olarak katıldı. 2017’de Kıdemli Yönetici olarak görevi devraldı ve bugün bu unvanı elinde tutuyor. EDM Konseyi Başkanı. John, kariyeri boyunca hem özel sektörde hem de kamu sektöründe Citi, Bank of America ve New York Federal Rezerv Bankası için CDO olarak hizmet veren Baş Veri Sorumlusu olarak görev yaptı. Ayrıca ABD Hazine Bakanlığı Mali Araştırma Ofisi’nde Veri Yönetimi Başkanı olarak görev yaptı.
