Mākslīgais intelekts var paātrināt informācijas apkopošanu, prognozēšanu un ikdienas procesu plānošanu, taču rezultātu uzticamību nosaka ievaddati. Ja dati ir nepilnīgi, pretrunīgi vai nepareizi interpretēti, arī tehniski labs modelis var radīt kļūdainus ieteikumus.

Īpaši svarīgi tas ir lēmumos ar finanšu, darbības efektivitātes vai klientu apkalpošanas ietekmi. Uzticams AI risinājums sākas nevis ar modeļa izvēli, bet ar skaidru datu struktūru, pārbaudāmu izcelsmi un regulāru kvalitātes kontroli.

Kāpēc datu kvalitāte nosaka rezultātu

Mākslīgais intelekts atpazīst sakarības tajos datos, kas tam ir pieejami. Tas nespēj patstāvīgi noteikt, vai vēsturiskais lēmums bijis taisnīgs, vai cenas ievadītas vienādās mērvienībās, vai klientu ieraksti nav dublēti.

Nekvalitatīvi dati bieži rada šādas problēmas:

• prognozes balstās uz novecojušu informāciju;
• viena un tā pati persona vai darījums tiek uzskaitīts vairākas reizes;
• salīdzināmi dati tiek glabāti atšķirīgos formātos;
• trūkstošās vērtības tiek kļūdaini uzskatītas par nullēm;
• modelis atkārto vēsturiskos aizspriedumus.

Piemēram, personīgo izdevumu analīzē nestrukturēti maksājumu apraksti var nepareizi klasificēt regulārus tēriņus. Rezultātā budžeta ieteikumi būs neprecīzi, pat ja izmantotais modelis ir tehniski spējīgs. Tas jāņem vērā arī, izmantojot digitālos rīkus kredītsaistību optimizācijai, jo salīdzinājumu precizitāte ir atkarīga no pilnīgiem un pareizi klasificētiem finanšu datiem.

Sāciet ar datu mērķi

Pirms vākt vai apstrādāt datus, jādefinē konkrēts lēmums, kuru risinājums palīdzēs pieņemt. Mērķim jābūt izmērājamam un saistītam ar reālu procesu.

Piemēram:

• prognozēt nākamā mēneša naudas plūsmu;
• noteikt biežākos klientu pieprasījumu veidus;
• salīdzināt pakalpojumu izmaksas;
• prioritizēt tehniskās apkopes darbus;
• identificēt neparastus izdevumus.

Skaidrs mērķis palīdz noteikt, kuri dati ir nepieciešami, cik bieži tie jāatjauno un kā vērtēt rezultāta precizitāti. Datu ievākšana bez definēta lietošanas scenārija palielina izmaksas un apgrūtina kontroli.

Uzņēmumos, kas savieno procesu, resursu un darbību datus vienotā vidē, nozīmīgas ir digitālās platformas. Tās palīdz standartizēt datu apriti un samazināt manuālas ievades kļūdu risku.

Atlasiet tikai lēmumam vajadzīgo

Vairāk datu ne vienmēr nozīmē labāku rezultātu. Pārmērīgi plašs datu apjoms var palielināt troksni, apstrādes izmaksas un neobjektivitātes risku.

Datu atlasei izmantojiet trīs jautājumus:

1. Vai šis lauks tieši palīdz pieņemt plānoto lēmumu?
2. Vai vērtība ir pietiekami aktuāla un pilnīga?
3. Vai tās izcelsmi iespējams pārbaudīt?

Ja, piemēram, modelis palīdz salīdzināt mājsaimniecības izdevumu kategorijas, būtiski ir datums, summa, valūta, kategorija un maksājuma veids. Savukārt neskaidri brīvā teksta komentāri var būt noderīgi tikai tad, ja tiem ir noteikts apstrādes mērķis.

Definējiet datu īpašniekus

Katram datu avotam jābūt atbildīgajai personai vai komandai. Datu īpašnieks apstiprina definīcijas, uzrauga izmaiņas un risina konstatētās kvalitātes problēmas.

Bez šādas atbildības bieži rodas situācija, kurā vairākās sistēmās viens rādītājs tiek aprēķināts atšķirīgi. Tad AI modelis var izmantot savstarpēji pretrunīgus ievaddatus.

Attīriet kļūdas pirms modelēšanas

Datu attīrīšana ir process, kurā novērš dublikātus, standartizē formātus, pārbauda robežvērtības un apstrādā trūkstošās vērtības. To nevajadzētu atlikt līdz brīdim, kad modelis jau sniedz neizskaidrojamus rezultātus.

Praktisks attīrīšanas process ietver:

• dublikātu identificēšanu pēc unikāliem identifikatoriem;
• datumu, valūtu un mērvienību vienādošanu;
• neiespējamu vai neparastu vērtību pārbaudi;
• trūkstošo datu atzīmēšanu, nevis automātisku aizstāšanu;
• datu avotu un atjaunošanas laika reģistrēšanu.

Piemēram, ienākumu un izdevumu analīzē summa 1 250, 1250.00 un 1250,00 var nozīmēt vienu un to pašu vērtību, taču sistēmai tās jāspēj vienādi interpretēt. Bez standartizācijas aprēķinos var rasties nepareizi kopsavilkumi.

Saglabājiet sākotnējos datus

Pārveidojot datus, jāsaglabā arī sākotnējā versija. Tas ļauj pārbaudīt, kāpēc konkrēta vērtība mainīta, atkārtot apstrādi un novērst kļūdas, ja mainās noteikumi.

Noderīgs princips ir uzturēt trīs slāņus:

• neapstrādātie dati no avota;
• attīrītie un standartizētie dati;
• analīzei vai modelēšanai sagatavotie dati.

Šāda pieeja veido pārskatāmu datu plūsmu un atvieglo rezultātu auditu.

Izveidojiet vienotu datu struktūru

Lai mākslīgais intelekts spētu salīdzināt ierakstus, katram datu laukam nepieciešama vienota nozīme, tips un formāts. Vienā tabulā nevajadzētu jaukt datumus ar tekstu, summas ar piezīmēm vai atšķirīgas kategoriju sistēmas.

Katrā datu kopā ieteicams definēt:

• lauka nosaukumu;
• datu tipu;
• pieļaujamo vērtību diapazonu;
• mērvienību;
• datu avotu;
• atjaunošanas biežumu;
• kvalitātes pārbaudes noteikumu.

Piemēram, lauks darījuma_datums vienmēr jāglabā vienā formātā, bet lauks summa_eur jābūt skaitliskam. Kategorijām jāizmanto kontrolēts saraksts, nevis vairāki līdzīgi apzīmējumi, piemēram, transports, Transporta izdevumi un auto.

Izmantojiet datu vārdnīcu

Datu vārdnīca ir dokuments vai sistēmas apraksts, kurā noteikta katra lauka nozīme. Tā samazina interpretācijas atšķirības starp IT, finanšu, analītikas un vadības komandām.

Datu vārdnīcā jānorāda ne tikai tehniskais formāts, bet arī biznesa definīcija. Piemēram, aktīvs klients var nozīmēt klientu ar pirkumu pēdējo 30, 90 vai 365 dienu laikā. Šī atšķirība būtiski maina analīzes rezultātu.

Atklājiet kļūdainus pieņēmumus

Neobjektivitāte modelī bieži sākas ar pieņēmumiem par datiem. Ja vēsturiskajos datos kāda klientu grupa saņēmusi mazāk piedāvājumu, modelis var nepareizi secināt, ka šai grupai piedāvājumi nav piemēroti.

Lai to novērstu, pārbaudiet:

• kuras grupas datu kopā ir nepietiekami pārstāvētas;
• vai vēsturiskie lēmumi atspoguļo objektīvus kritērijus;
• vai kāds datu lauks netieši aizstāj sensitīvu informāciju;
• vai rezultāti dažādām grupām būtiski neatšķiras bez pamatota iemesla;
• vai modelis nepiešķir pārāk lielu nozīmi vienam mainīgajam.

Svarīgi atšķirt korelāciju no cēloņsakarības. Tas, ka divi rādītāji bieži parādās kopā, vēl nenozīmē, ka viens izraisa otru. Šis princips ir īpaši būtisks finanšu prognozēs un produktu salīdzināšanā.

Arī informācijas meklēšanā ievaddatu formulējums ietekmē rezultātu. Vaicājumu paplašināšana parāda, ka viens uzvednes formulējums var tikt izvērsts vairākos saistītos jautājumos. Tāpēc jānorāda konteksts, kritēriji un vēlamais salīdzināšanas veids.

Pārbaudiet rezultātus regulāri

AI rezultātu nevajadzētu pieņemt kā galīgu atbildi. Tas ir ieteikums, kas jāsalīdzina ar faktiskajiem datiem, biznesa noteikumiem un cilvēka ekspertīzi.

Praktiskai pārbaudei izmantojiet šādu kārtību:

1. Atdaliet datu daļu testēšanai, kuru modelis iepriekš nav redzējis.
2. Salīdziniet prognozes ar faktiskajiem rezultātiem.
3. Nosakiet pieļaujamo kļūdas robežu katram lietošanas scenārijam.
4. Pārbaudiet rezultātus dažādās datu grupās un laika periodos.
5. Dokumentējiet modeļa versiju, ievaddatus un novērojumus.

Piemēram, izdevumu prognozēšanas rīkam var noteikt, ka tas ir izmantojams plānošanai, ja vidējā kļūda nepārsniedz iepriekš definētu robežu. Ja izdevumu paradumi mainās, modelis un tā datu kopa jāpārvērtē.

Uzraugiet datu izmaiņas

Datu kvalitāte nav vienreizējs uzdevums. Mainās klientu paradumi, cenu līmeņi, produktu katalogi, sistēmu integrācijas un datu ievades kārtība. Šādas pārmaiņas var samazināt modeļa precizitāti, pat ja sākotnējā pārbaude bijusi veiksmīga.

Uzraudzībai ieteicams regulāri mērīt:

• trūkstošo vērtību īpatsvaru;
• dublikātu skaitu;
• neparastu vērtību biežumu;
• datu atjaunošanas kavēšanos;
• prognožu novirzi no faktiskajiem rezultātiem.

Veidojiet pārbaudāmu AI risinājumu

Uzticams AI risinājums nav tikai precīzs. Tam jābūt arī izskaidrojamam un pārbaudāmam. Lietotājam ir jāspēj saprast, no kādiem datiem radies ieteikums, kad dati pēdējo reizi atjaunoti un kādos gadījumos rezultātu nevajadzētu izmantot.

Praktisks nākamais solis ir izvēlēties vienu konkrētu lēmumu, apkopot tam nepieciešamos datus un izveidot datu vārdnīcu. Pēc tam var attīrīt datus, definēt kvalitātes pārbaudes un tikai tad izvērtēt piemērotāko mākslīgā intelekta risinājumu.

Šāda secība palīdz samazināt kļūdainu secinājumu risku un izmantot AI kā pamatotu palīgu, nevis nepārbaudītu automatizētu lēmumu avotu.

Valts Berkolds