คู่มือแอปพลิเคชัน

ความพร้อมของข้อมูลสำหรับโครงการ AI

ความพร้อมของข้อมูลสำหรับโครงการ AI หมายถึงข้อมูลที่สามารถเข้าถึงกรณีการใช้งานเฉพาะ มีคุณภาพดีเพียงพอ มีป้ายกำกับตามที่จำเป็น แสดงถึงสถานการณ์จริงที่ระบบจะเผชิญ และสามารถนำมาใช้เพื่อวัตถุประสงค์นั้นได้อย่างถูกกฎหมาย

ฟังคำแนะนำนี้บรรยายโดย AI · ~3 min

บนหน้านี้อ่าน 4 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของความพร้อมของข้อมูลสำหรับโครงการ AI
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

เป็นเรื่องสำคัญเนื่องจากปัญหาข้อมูลเป็นสาเหตุที่พบบ่อยที่สุดที่โครงการ AI ล้มเหลวหรือทำงานล่าช้า และมีค่าใช้จ่ายในการค้นหาในการตรวจสอบน้อยกว่าหลังจากสร้างแบบจำลองแล้ว

เจาะลึก

ความพร้อมของข้อมูลจะถูกตัดสินโดยพิจารณาจากกรณีการใช้งานเฉพาะเสมอ ข้อมูลเดียวกันสามารถพร้อมสำหรับหนึ่งโครงการและไม่มีประโยชน์สำหรับอีกโครงการหนึ่ง การตรวจสอบมักจะครอบคลุมคำถามห้าข้อ สามารถเข้าถึงได้? ค้นหาว่าข้อมูลอยู่ที่ใด ใครเป็นเจ้าของ สามารถดึงออกมาผ่าน API หรือการส่งออกได้หรือไม่ และทีมงานโครงการได้รับอนุญาตหรือไม่ ข้อมูลที่ถูกล็อคอยู่ในระบบเดิมหรือแพลตฟอร์มของผู้จำหน่ายอาจมีอยู่แต่ยังไม่สามารถเข้าถึงได้จริง มันดีพอหรือเปล่า? ตรวจสอบความสมบูรณ์ (ค่าที่หายไป) ความถูกต้อง ความสอดคล้องกันระหว่างระบบ ความทันเวลา และรายการซ้ำ คุณภาพต้องดีพอสำหรับงานเท่านั้น ข้อมูลที่สมบูรณ์แบบนั้นไม่ค่อยจำเป็น แต่ข้อผิดพลาดที่เป็นระบบนั้นเป็นอันตรายเพราะแบบจำลองเรียนรู้จากข้อผิดพลาดเหล่านั้น มีป้ายกำกับหรือไม่? การเรียนรู้แบบมีผู้สอนจำเป็นต้องมีป้ายกำกับความจริง เช่น ธุรกรรมเป็นการฉ้อโกงหรือตั๋วอยู่ในหมวดหมู่ใด ป้ายกำกับควรได้รับการกำหนดอย่างสม่ำเสมอ และควรตรวจสอบความถี่ที่ผู้ติดป้ายกำกับที่เป็นมนุษย์เห็นด้วยซึ่งกันและกัน เป็นตัวแทนมั้ย? ข้อมูลควรครอบคลุมถึงบุคคล เงื่อนไข และกรณีขอบที่ระบบจะพบ อคติในการคัดเลือก เช่น การมีผลลัพธ์เฉพาะสำหรับผู้สมัครสินเชื่อที่ได้รับอนุมัติเท่านั้น สามารถทำให้แบบจำลองดูแม่นยำในการทดสอบและล้มเหลวในการใช้งาน ใช้ได้อย่างถูกกฎหมายหรือไม่? ตรวจสอบความยินยอม สัญญา ใบอนุญาต การรักษาความลับ และกฎหมายความเป็นส่วนตัว ภายใต้ GDPR ของสหภาพยุโรป หลักการจำกัดวัตถุประสงค์หมายความว่าข้อมูลที่รวบรวมเพื่อวัตถุประสงค์หนึ่งไม่สามารถนำไปใช้ซ้ำกับวัตถุประสงค์ที่เข้ากันไม่ได้โดยไม่มีพื้นฐานที่ถูกต้อง สำหรับ generative AI พร้อมการดึงข้อมูล (RAG) ความพร้อมยังหมายถึงเอกสารและการดึงข้อมูลที่เป็นปัจจุบันและมีการจัดระเบียบอย่างดีซึ่งเคารพสิทธิ์การเข้าถึงที่มีอยู่ ความเข้าใจผิดที่พบบ่อยคือข้อมูลจำนวนมากหมายความว่าคุณพร้อม ปริมาณไม่ได้แก้ไขอคติ ป้ายกำกับหายไป หรือขาดสิทธิ์ทางกฎหมาย

การใช้งานจริงในโลกแห่งความเป็นจริง

ธนาคารที่วางแผนรูปแบบการผิดนัดชำระหนี้จะมีการสมัครเป็นเวลาห้าปี แต่ผู้สมัครที่ถูกปฏิเสธจะไม่ได้รับผลการชำระคืน ข้อมูลจึงไม่สามารถแสดงได้ว่าคนเหล่านั้นจะมีการดำเนินการอย่างไร

ผู้ค้าปลีกที่สร้างแชทบอทสนับสนุนตรวจสอบบทความในศูนย์ช่วยเหลือ และพบว่าหลายบทความล้าสมัย โดยจะกำหนดเจ้าของและวันที่ตรวจสอบก่อนที่จะเชื่อมต่อบทความเข้ากับระบบดึงข้อมูลของแชทบอท

บริษัทสตาร์ทอัพด้านรังสีวิทยาพบว่าการสแกนที่มีป้ายกำกับทั้งหมดมาจากโรงพยาบาลสองแห่งโดยใช้เครื่องสแกนเนอร์ยี่ห้อเดียว นั่นทำให้เกิดข้อสงสัยว่าโมเดลจะทำงานอย่างไรที่ไซต์งานพร้อมกับอุปกรณ์อื่นๆ

บริษัทในยุโรปที่ต้องการฝึกอบรมโมเดลเกี่ยวกับอีเมลสนับสนุนลูกค้าถามทีมความเป็นส่วนตัวของตนว่าพื้นฐานทางกฎหมายของ GDPR และประกาศความเป็นส่วนตัวเดิมนั้นครอบคลุมวัตถุประสงค์ใหม่นี้หรือไม่

อนาคตของความพร้อมของข้อมูลสำหรับโครงการ AI

งานเตรียมความพร้อมของข้อมูลกำลังได้รับการสนับสนุนเครื่องมือมากขึ้นเรื่อยๆ แค็ตตาล็อกข้อมูล การตรวจสอบคุณภาพแบบอัตโนมัติ และการติดตามเชื้อสายนั้นพบได้ทั่วไปในแพลตฟอร์มระดับองค์กร และการติดฉลากที่ได้รับความช่วยเหลือจาก AI สามารถเพิ่มความเร็วให้กับคำอธิบายประกอบได้ แม้ว่าจะยังต้องมีการตรวจสอบโดยมนุษย์ก็ตาม กฎเกณฑ์ในการจัดทำเอกสารข้อมูลการฝึกอบรม รวมถึงบางส่วนของกฎหมาย AI ของสหภาพยุโรป มีแนวโน้มที่จะทำให้เอกสารประกอบชุดข้อมูลเป็นข้อกำหนดในการปฏิบัติตามข้อกำหนดในการตั้งค่าต่างๆ มากกว่าเป็นเพียงแนวทางปฏิบัติที่ดี ข้อมูลสังเคราะห์อาจเติมเต็มช่องว่างบางส่วน แต่อาจมีอคติกับข้อมูลที่สร้างขึ้นได้ ดังนั้นการตรวจสอบอย่างระมัดระวังจึงยังมีความจำเป็น

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • สร้างทางเลือก. การออกแบบระดับแอปพลิเคชันจะกำหนดว่า AI จะปรับปรุงผลลัพธ์ที่แท้จริงหรือไม่
  • ทีมงานและขั้นตอนการทำงาน. การบูรณาการขั้นตอนการทำงานที่ดีจะช่วยเพิ่มผลผลิตที่ผู้ใช้ไว้วางใจได้
  • ความเสี่ยงและความปลอดภัย. กรณีการใช้งานที่มีขอบเขตดีจะช่วยลดความเหนื่อยล้าของการเปลี่ยนแปลงและความเสี่ยงในการดำเนินการ

ระวัง

  • การทำให้กระบวนการที่เสียหายเป็นอัตโนมัติสามารถขยายปัญหาที่มีอยู่ได้
  • ทีมอาจดำเนินการอัตโนมัติมากเกินไปและลบวิจารณญาณของมนุษย์ที่จำเป็นออก
  • คุณภาพอาจคลาดเคลื่อนได้หากไม่ได้รับการประเมินผลลัพธ์อย่างต่อเนื่อง

ขั้นตอนต่อไป

  1. แมปขั้นตอนการทำงานปัจจุบันและระบุขั้นตอนที่มีแรงเสียดทานสูงสุด
  2. กำหนดจุดตรวจของมนุษย์ก่อนระบบอัตโนมัติเต็มรูปแบบ
  3. ฝึกอบรมผู้ใช้เกี่ยวกับการแจ้งเตือน เส้นทางการยกระดับ และมาตรฐานคุณภาพ
  4. ติดตามผลลัพธ์ระดับงานเพื่อยืนยันคุณค่าที่ยั่งยืน

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Data Readiness for AI Projects quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

ความพร้อมของข้อมูลสำหรับโครงการ AI คืออะไร

ความพร้อมของข้อมูลสำหรับโครงการ AI หมายถึงข้อมูลที่สามารถเข้าถึงกรณีการใช้งานเฉพาะ มีคุณภาพดีเพียงพอ มีป้ายกำกับตามที่จำเป็น แสดงถึงสถานการณ์จริงที่ระบบจะเผชิญ และสามารถนำมาใช้เพื่อวัตถุประสงค์นั้นได้อย่างถูกกฎหมาย เป็นเรื่องสำคัญเนื่องจากปัญหาข้อมูลเป็นสาเหตุที่พบบ่อยที่สุดที่โครงการ AI ล้มเหลวหรือทำงานล่าช้า และมีค่าใช้จ่ายในการค้นหาในการตรวจสอบน้อยกว่าหลังจากสร้างแบบจำลองแล้ว

ธนาคารมีผลการชำระคืนเฉพาะผู้สมัครที่ได้รับอนุมัติเท่านั้น สิ่งนี้แสดงถึงปัญหาความพร้อมของข้อมูลใด

ผลลัพธ์จะมีเฉพาะสำหรับผู้ที่ได้รับการอนุมัติเท่านั้น ดังนั้นข้อมูลจึงไม่ได้เป็นตัวแทนของทุกคนที่โมเดลจะให้คะแนน นั่นสามารถทำให้การทดสอบดูดีกว่าประสิทธิภาพในโลกแห่งความเป็นจริง

การรั่วไหลของข้อมูลในบริบทของการฝึกโมเดลคืออะไร

ฟิลด์เช่น 'สถานะคอลเลกชัน' จะเปิดเผยผลลัพธ์เริ่มต้น ดังนั้นแบบจำลองจึงดูแม่นยำในการทดสอบ แต่ไม่สามารถใช้ข้อมูลนั้นเมื่อทำการคาดการณ์จริง

หลักการ GDPR ข้อใดจำกัดการนำข้อมูลที่เก็บรวบรวมกลับมาใช้ซ้ำเพื่อวัตถุประสงค์หนึ่งเพื่อวัตถุประสงค์ใหม่ที่เข้ากันไม่ได้

การจำกัดวัตถุประสงค์หมายถึงข้อมูลที่รวบรวมเพื่อวัตถุประสงค์เฉพาะไม่ควรนำมาใช้ซ้ำในลักษณะที่เข้ากันไม่ได้โดยไม่มีพื้นฐานที่ถูกต้อง นั่นคือเหตุผลที่บริษัทในยุโรปตรวจสอบกับทีมความเป็นส่วนตัว

ใน Data Readiness for AI Projects: Cohen's kappa วัดอะไร

Kappa แสดงให้เห็นว่าผู้ติดป้ายกำกับเห็นพ้องต้องกันอย่างต่อเนื่องเกินกว่าโอกาสสุ่มที่จะก่อให้เกิด ซึ่งสะท้อนให้เห็นว่าความจริงภาคพื้นดินของคุณน่าเชื่อถือเพียงใด

เหตุใดการดึงข้อมูลสำหรับผู้ช่วย AI เจนเนอเรชั่นจึงต้องเคารพสิทธิ์การเข้าถึงที่มีอยู่

หากการดึงข้อมูลเพิกเฉยต่อสิทธิ์ แชทบอทสามารถแสดงเนื้อหาที่เป็นความลับแก่ใครก็ตามที่ถาม แม้ว่าระบบต้นทางจะบล็อกผู้ใช้นั้นก็ตาม

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →