Penulis: Keith Belanger Penulis: Keith Belanger Proyek AI memiliki cara untuk memaparkan masalah data yang digunakan tim data untuk dapat bekerja di sekitarnya. Itu karena data analitis memungkinkan margin kesalahan yang luas, dan AI tidak. model AI tidak mentolerir ambiguitas, dan keputusan yang dibuat pada kecepatan mesin memperbesar setiap cacat yang bersembunyi di atas. Kegagalan AI sering diabaikan sebagai rasa sakit yang berkembang secara eksperimental.Sebenarnya, mereka mengungkapkan kelemahan operasi yang ada.Kebenaran yang tidak nyaman adalah bahwa sebagian besar organisasi data tidak siap secara operasional untuk AI, tidak peduli seberapa modern platform mereka atau seberapa canggih model mereka tampaknya. Anda melihatnya ketika pelatihan ulang model pertama gagal karena pipa berubah, ketika tidak ada yang dapat menjelaskan mengapa data kemarin terlihat berbeda dari hari ini, atau ketika "hanya memulai ulang" menjadi jawaban default untuk masalah produksi. “Sebelum semua, jika data memiliki masalah, maka data tidak siap untuk AI.” oleh Gartner oleh Gartner Data Teams Butuh Model Operasional Baru Selama bertahun-tahun, sebagian besar organisasi hidup dengan kompromi yang rapuh. Jika pipa rusak sesekali, mereka dapat diperbaiki tepat waktu untuk memenuhi deadline. kualitas data “baik saja” cukup baik. Pemerintahan ada di suatu tempat di drive bersama. Model itu bergantung pada orang, bukan sistem, untuk menyerap kompleksitas. dikompensasi dengan heroik: pemeriksaan manual, malam-malam terlambat, dan memori institusi ditransmisikan secara informal dari orang ke orang. Data Tim Data Tim Pendekatan era data analitis runtuh ketika pengiriman bergeser dari rilis mingguan ke pengembangan multiple per hari. Model mengkonsumsi data secara berkelanjutan, mengasumsikan konsistensi, dan memperkuat bahkan penyimpangan kecil.Tidak ada tombol pause untuk melakukan pemeriksaan manual atau untuk mengkonfirmasi tentang pengetahuan suku. “AI-Ready” dapat dicapai dan diukur Organisasi tidak lagi dapat menyatakan ketersediaan berdasarkan kepercayaan atau alat-alat. mereka perlu mulai membuktikannya dengan validasi berkelanjutan, garis, skor, aturan, dan penegakan dalam produksi. Karena “AI-ready” bukan hanya perasaan. itu adalah keadaan yang dapat diukur. data AI-ready adalah: 
 
 
 
 
 
 Kepercayaan tepat waktu Pemerintahan Observasi Reproduksi Perkembangan kualitas data ini membutuhkan lebih dari sekedar niat baik atau dokumen-dokumen praktik terbaik.Ini membutuhkan sistem yang dirancang untuk menegakkan keandalan secara default yang dapat memberikan bukti berkelanjutan tentang keandalan data. The Real Bottleneck adalah operasi, bukan teknologi Sebagian besar perusahaan sudah memiliki platform data yang kuat. apa yang mereka kekurangan adalah cara untuk mengoperasionalkan platform tersebut dengan konsistensi pada kecepatan AI. Proses manual tidak meluas karena manusia hanya memiliki begitu banyak perhatian untuk diberikan. beban kerja AI membutuhkan repetabilitas dan kepercayaan bahwa data akan berperilaku dengan cara yang sama hari ini seperti kemarin - dan bahwa ketika tidak, itu akan ditandai dan diperbaiki segera. 
 
 Teknik perangkat lunak menghadapi masalah ini bertahun-tahun yang lalu. karena sistem menjadi lebih kompleks dan siklus rilis dipercepat, proses manual dan kewaspadaan manusia berhenti skala. DevOps mengubah permainan dengan mengoperasikan otomatisasi, pengujian, observabilitas, dan pengiriman berulang. Teknik perangkat lunak menghadapi masalah ini bertahun-tahun yang lalu. karena sistem menjadi lebih kompleks dan siklus rilis dipercepat, proses manual dan kewaspadaan manusia berhenti skala. DevOps mengubah permainan dengan mengoperasikan otomatisasi, pengujian, observabilitas, dan pengiriman berulang. Volume, kecepatan, dan radius ledakan kegagalan telah menangkap model operasi. DataOps menawarkan tim data ketat operasi yang sama yang membantu mengkatapulkan tim perangkat lunak ke abad ke-21. Data sekarang berada pada titik inflexi yang sama. Data sekarang berada pada titik inflexi yang sama. Operasionalkan kepercayaan adalah satu-satunya jalan ke depan Organisasi yang berhasil dengan AI akan menjadi mereka yang . treat data trust as an operational discipline Perlakukan kepercayaan data sebagai disiplin operasional Itu berarti bahwa pipa data perlu diperhatikan secara terus-menerus, dikendalikan secara otomatis, dan terbukti dalam produksi dengan AI-ready . Data Produk Data Produk Alternatifnya sudah bermain. model berhenti di produksi, kepercayaan pada output mengganggu, dan tim berhenti mempercayai sistem yang mereka bangun. Menghadapi momen ini dengan memeluk dan operasionalkan data Anda dengan sistem yang dirancang untuk memberikan kepercayaan pada kecepatan AI. Disiplin data Disiplin data 
 
 Artikel ini dipublikasikan di HackerNoon’s Business Blogging Program. Artikel ini dipublikasikan di HackerNoon’s Business Blogging Program. Artikel ini dipublikasikan di HackerNoon's . Program Bisnis Blogging Program Bisnis Blogging Program Bisnis Blogging

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

Tour The Product

Take A Hands-On Lab

Get 500 monthly minutes Free

Training Academy

Read The Docs

Join The Community

Audio ini diproduksi dalam bahasa asli cerita!

AI Mengungkap Kelemahan Operasi Data “Bagus”

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

Why do you need JWT in your ASP.NET Core project?

Return to Pleasure Island

Stocks will be More Profitable than Crypto - Interview With Bryan Applegate

IdeaOps: Why Every Request is a Company Asset in Product Development

Why do you need JWT in your ASP.NET Core project?

Return to Pleasure Island

Stocks will be More Profitable than Crypto - Interview With Bryan Applegate

IdeaOps: Why Every Request is a Company Asset in Product Development

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps