Tác giả: Keith Belanger Tác giả: Keith Belanger Các dự án AI có một cách để bề mặt các vấn đề dữ liệu mà các nhóm dữ liệu đã từng có thể làm việc xung quanh. Đó là bởi vì dữ liệu phân tích cho phép phạm vi sai lầm rộng, và AI chỉ đơn giản là không. các mô hình AI không chịu đựng sự mơ hồ, và các quyết định được đưa ra ở tốc độ máy phóng đại mọi khiếm khuyết ẩn giấu ở phía trên. Sự thất bại của AI thường bị loại bỏ như là những nỗi đau đang phát triển thực tế, chúng đang tiết lộ sự yếu đuối của các hoạt động hiện có. Sự thật không thoải mái là hầu hết các tổ chức dữ liệu không sẵn sàng hoạt động cho AI, bất kể nền tảng của họ hiện đại như thế nào hoặc các mô hình của họ trông tinh vi như thế nào. Bạn thấy điều đó khi việc đào tạo lại mô hình đầu tiên thất bại vì đường ống đã thay đổi, khi không ai có thể giải thích tại sao dữ liệu ngày hôm qua trông khác với dữ liệu ngày hôm nay, hoặc khi "chỉ cần khởi động lại" trở thành câu trả lời mặc định cho các vấn đề sản xuất. Nói một cách thẳng thắn: “Trên hết, nếu dữ liệu có vấn đề thì dữ liệu không sẵn sàng cho AI.” Công ty Gartner Công ty Gartner Các nhóm dữ liệu cần một mô hình hoạt động mới Trong nhiều năm, hầu hết các tổ chức đã sống với một sự thỏa hiệp mỏng manh. Nếu đường ống thỉnh thoảng bị phá vỡ, chúng có thể được sửa chữa kịp thời để đáp ứng thời hạn. Chất lượng dữ liệu "đủ tốt" là đủ tốt. Quản trị tồn tại ở đâu đó trong một ổ đĩa được chia sẻ. Và khi một cái gì đó bị phá vỡ, ai đó nhận thấy và sửa chữa nó. Mô hình đó dựa vào con người, không phải hệ thống, để hấp thụ sự phức tạp. được bù đắp bằng sự anh hùng: Kiểm tra thủ công, đêm muộn, và trí nhớ thể chế được truyền từ người này sang người khác một cách không chính thức. Dữ liệu Team Dữ liệu Team Cách tiếp cận thời đại dữ liệu phân tích sụp đổ khi giao hàng chuyển từ các bản phát hành hàng tuần sang nhiều lần triển khai mỗi ngày. Các mô hình tiêu thụ dữ liệu liên tục, giả định sự nhất quán và tăng cường ngay cả những sai lệch nhỏ.Không có nút tạm dừng để thực hiện kiểm tra thủ công hoặc để thông báo về kiến thức bộ lạc. “AI-Ready” có thể đạt được và đo lường được Các tổ chức không còn có thể tuyên bố sự sẵn sàng dựa trên sự tự tin hoặc công cụ.Họ cần bắt đầu chứng minh nó với việc xác nhận liên tục, phân loại, ghi điểm, quy tắc và thực thi trong sản xuất. Bởi vì “AI-ready” không chỉ là một cảm giác, đó là một trạng thái có thể đo lường được. đáng tin cậy Thời gian thống trị quan sát tái tạo Sự phát triển này của chất lượng dữ liệu đòi hỏi nhiều hơn là ý định tốt hoặc các tài liệu thực hành tốt nhất. nó đòi hỏi các hệ thống được thiết kế để thực thi độ tin cậy theo mặc định có thể cung cấp bằng chứng liên tục về độ tin cậy của dữ liệu. Real Bottleneck là hoạt động, không phải công nghệ Hầu hết các doanh nghiệp đã có các nền tảng dữ liệu mạnh mẽ. điều họ thiếu là một cách để vận hành các nền tảng đó với sự nhất quán ở tốc độ AI. Các quy trình thủ công không mở rộng quy mô bởi vì con người chỉ có quá nhiều sự chú ý để cung cấp. Tải công việc AI đòi hỏi khả năng lặp đi lặp lại và sự tự tin rằng dữ liệu sẽ cư xử theo cách tương tự ngày hôm nay như ngày hôm qua - và khi nó không, nó sẽ được dán nhãn và sửa chữa ngay lập tức. Kỹ thuật phần mềm đã phải đối mặt với vấn đề này nhiều năm trước.Khi các hệ thống trở nên phức tạp hơn và chu kỳ phát hành tăng tốc, các quy trình thủ công và sự cảnh giác của con người đã ngừng mở rộng.DevOps đã thay đổi trò chơi bằng cách vận hành tự động hóa, thử nghiệm, khả năng quan sát và phân phối lặp đi lặp lại. Kỹ thuật phần mềm đã phải đối mặt với vấn đề này nhiều năm trước.Khi các hệ thống trở nên phức tạp hơn và chu kỳ phát hành tăng tốc, các quy trình thủ công và sự cảnh giác của con người đã ngừng mở rộng.DevOps đã thay đổi trò chơi bằng cách vận hành tự động hóa, thử nghiệm, khả năng quan sát và phân phối lặp đi lặp lại. Khối lượng, tốc độ và bán kính bùng nổ của sự thất bại đã nắm bắt được mô hình hoạt động.DataOps cung cấp cho các nhóm dữ liệu sự nghiêm ngặt hoạt động tương tự đã giúp các nhóm phần mềm thả vào thế kỷ 21. Dữ liệu hiện đang ở cùng một điểm đảo ngược. Dữ liệu hiện đang ở cùng một điểm đảo ngược. Hoạt động hóa sự tin tưởng là con đường duy nhất Những tổ chức thành công với AI sẽ là những người . treat data trust as an operational discipline Xử lý sự tin tưởng dữ liệu như một kỷ luật hoạt động Điều đó có nghĩa là các đường ống dẫn dữ liệu cần được quan sát liên tục, quản lý tự động và được chứng minh trong sản xuất với AI-ready . Sản phẩm Data Sản phẩm Data Các mô hình dừng lại trong sản xuất, sự tự tin vào sản phẩm bị xói mòn, và các nhóm ngừng tin tưởng vào các hệ thống mà họ đã xây dựng. Gặp gỡ khoảnh khắc AI bằng cách ôm và vận hành dữ liệu của bạn với các hệ thống được thiết kế để cung cấp sự tin tưởng ở tốc độ AI. DataOps kỷ luật DataOps kỷ luật Bài viết này được đăng trong Chương trình Blog Kinh doanh của HackerNoon. Bài viết này được đăng trong Chương trình Blog Kinh doanh của HackerNoon. Câu chuyện này đã được xuất bản dưới HackerNoon's . Chương trình Blog doanh nghiệp Chương trình Blog doanh nghiệp Chương trình Blog doanh nghiệp
