Eğer yapay zeka verinin 'gaz yutucusu' ise, nasıl daha iyi kilometre performansı elde edebiliriz?

Veri kalitesi yıllardır ilk sırada yer alsa da yapay zeka ve eğitim modelleri için gerekli olan verilerin belirlenmesi başka bir zorluktur.

Yapay zeka sistemlerinden geçen yetersiz veya şüpheli veri bolluğunu dizginleyebilir miyiz? Yapay zeka halüsinasyonlar, önyargılar, kirli eğitim verileri ve son olarak organizasyonel belirsizlik nedeniyle sekteye uğruyor. Sektör liderleri ve düşünürlerin verileri düzene sokmaya yönelik bazı fikirleri var.

Constellation Research'ün baş analisti Andy Thurai, ZDNET'e verdiği demeçte, eğer veriler yeni petrolse, o zaman "çok fazla veriye ihtiyaç duyan yapay zeka, verinin 'gaz yutucusu' olacaktır" dedi. Ancak büyük miktarda veri tüketmek, süreçte kalite kaybına neden olur ve yapay zeka konusunda güven sorunları yaratır.

Salesforce'un 6.000 çalışanla yaptığı bir anket, dörtte üçünün birlikte çalıştıkları yapay zekayı eğitmek için kullanılan verilere güvenmediğini ortaya çıkardı. Fivetran'ın büyük kuruluşlardaki 550 yöneticiyle yaptığı bir anket, kuruluşların düşük performans gösteren yapay zeka modelleri (yanlış veya düşük kaliteli veriler kullanılarak oluşturulan) nedeniyle yıllık gelirlerinin ortalama %6'sını veya 406 milyon ABD dolarını kaybettiğini ve bunun da yanlış bilgilendirilmiş iş kararlarına yol açtığını tahmin ediyor. Büyük dil modellerinden (LLM'ler) yararlanan kuruluşlar, vakaların %50'sinde veri yanlışlıkları ve halüsinasyonlar rapor etmektedir.

Ayrıca bu eksikliklerin giderilmesi, veri iyileştirme ve kalite güvencesi gerektirir; bu da iş sorunlarına odaklanması gereken kişilerin çok fazla zamanını alır. Thurai, "Çoğu veri bilimci, gerçek modelleri oluşturup test etmek yerine verileri düzenlemeye veya veriyi düzenlemeye zaman harcıyor" diye ekledi.

Ancak yapay zeka motorunu beslemek için hala çok fazla veriye ihtiyaç var. Thurai, "Yapay zeka ve makine öğrenimi modellerini kısmi verilerle beslediğinizde, işletmenin yalnızca kısmi bir görünümünü elde edersiniz" diye açıkladı. "Kurumlar gereğinden fazla veri üretse de iş birimleri, alanlar, platformlar ve bulut ve özel veri merkezleri gibi uygulamalar arasında hâlâ çok parçalı durumda."

Sorun, kuruluşların yapay zekaya öncelik vermesidir. SHI International'ın baş teknik çözüm mühendisi Michael Heath, ZDNET'e şöyle konuştu: "Birçok işletme, altta yatan veri kalitesi sorunlarını ele almak gibi sıkı bir çalışma yapmadan, var olan en gürültülü soruna teknoloji atmaya aşırı istekli." "Bu, doğru, tutarlı ve eksiksiz veri gerektirir. Sağlam veri yönetişimi ve veri yönetimi uygulamaları olmadan kuruluşlar, hataların artması ve güvenilmez içgörüler üretilmesi riskiyle karşı karşıya kalır."

Veri yönetişimi, doğru verilerin doğru kişilere ve uygulamalara iletilmesini ve verilerin zamanında, ilgili, güvenli ve değerli olmasını sağlamak için kapsamlı bir çaba gerektirir.

Veri kalitesi yıllardır ilk sırada yer alsa da yapay zeka ve eğitim modelleri için gerekli olan verilerin belirlenmesi başka bir zorluktur. ZDNET'e verdiği demeçte, Stibo Systems baş ürün sorumlusu Neda Nia tarafından tanımlandığı şekliyle bu "mükemmel veriler", "iyi yönetilen ve makine öğrenimi modellerini eğitmek için en uygun sonucu veren şeyi gerçekten temsil eden" verilerden oluşur.

Kalite önemlidir ve hem veri hem de yapay zeka düzeyinde uyumlu yönetişime ihtiyaç vardır. Alation CTO'su Junaid Saiyed, bunun "GenAI çağında veri yönetimini ve dağıtımını yeniden şekillendiren dönüştürücü gücü" yarattığını söyledi. "GenAI'de veri işlemenin hızlı temposu, geniş ölçeği ve karmaşık karmaşıklığı, güçlü AI yönetişim çerçeveleri gerektirir. Kuruluşlar, etkili AI yönetişimi ile çöp girme, çöp çıkarma ikileminin üstesinden gelebilir."

Elbette yüksek kaliteli veriler birdenbire ortaya çıkmıyor. Nia, "Yüksek kaliteli verileri korumanın ana zorluğu, gereksinimlerin öngörülemeyen doğasında yatmaktadır" dedi. "Sorular arasında 'Yapay zekaya hazır veriler nelerden oluşur?' yer alıyor. 'Gelecekteki hangi modeller belirli verilere ihtiyaç duyacak?' ve 'Modellerde optimum işleme için veriler ne kadar geriye saklanmalıdır?'"

Yapay zeka ile çalışan kişilerin "uyumluluk ve düzenleme tarafından belirlenen yerleşik gereksinimleri dikkate almaları ve aynı zamanda aşağıdakiler de dahil olmak üzere gelecekteki veri bilimi ihtiyaçlarını da tahmin etmeleri gerekir." henüz tanımlanmadı," diye detaylandırdı Nia. "Bu önemli bir zorluk teşkil ediyor; sürekli değişen bir ortamda gelecekteki gereksinimleri nasıl tahmin edebiliriz?"

Ayrıca: Hükümetler yapay zeka güvenliği konuşmalarını eyleme dönüştürebilir mi?

İyi yönetilen, kaliteli verilerin tüm senaryolar için hazır ve kullanılabilir olması gerektiğini sözlerine ekledi. "Bu tür verilere yatırım yapın ve odaklanın. Veri hacmi önemli olsa da, modern dünyada kalite hacimden daha ağır basmaktadır."

Saiyed, yapay zeka ve veri yönetiminin "yapay zeka modellerinin temiz, ilgili ve güvenilir veriler üzerinde çalışmasını sağladığını" söyledi. "Bu, yapay zeka kararlarının doğruluğunu ve adilliğini artırır, meta veri yönetimi aracılığıyla etkili işbirliğini teşvik eder ve artan düzenleme taleplerine uyumu sağlar."

Saiyed, veri yönetişiminin aynı zamanda "bir veri bütünlüğü kültürü oluşturmaya, böylece kuruluşların inovasyonu, operasyonel verimliliği ve büyümeyi teşvik etmesine" yardımcı olduğunu söyledi.