Üretken Yapay Zeka: Verilerinizin Hazır Olmasını Sağlayacak 7 Adım - Dünyadan Güncel Teknoloji Haberleri

Üretken Yapay Zeka: Verilerinizin Hazır Olmasını Sağlayacak 7 Adım - Dünyadan Güncel Teknoloji Haberleri
“Bu yapılandırılmamış veriler, dosyalarda ve nesnelerde depolanan verilerdir: yüksek çözünürlüklü videolar ve görüntüler, karmaşık tıbbi veriler, genom dizilimi, makine öğrenimi modellerine giriş verileri, doğal dünyadan elde edilen bilimsel veriler (örneğin, petrol ve gaz sahalarının haritalanması) – ve gerçekliğin simülasyonu – özel efektler, animasyon ve artırılmış gerçeklik dahil

Organizasyonlar için dikkat edilmesi gereken 7 nokta

Uzmanlar, verilerinizi gelişen yapay zeka çağına hazırlamak için kuruluşların aşağıdakileri dikkate almasını öneriyor:

  1. Veri yönetimi stratejisinin uygulanması Üretken yapay zekanın, büyük dil modellerinin ve “yapay zekanın rekabet avantajı elde etmek için uygulanabileceği” temeline dayanan diğer yeni teknolojilerin ortaya çıkan inovasyonunun nasıl çalışılacağını incelemek için bir “çalışma grubunun – veya kuruluşun büyüklüğüne bağlı olarak uygun bir eşdeğerin” oluşturulması »

    Teknolojik gelişmelerden yararlanmak için verileri düzenleyin

    Veri kaygılarındaki bu değişim, işletmelerin üretken yapay zeka girişimlerini desteklemek için genel veri mimarisini yeniden düşünmesi gerektiği anlamına geliyor

    “Stratejik kararlar almak için hayati önem taşıyan analitik ve görselleştirme araçlarına artan güven, verilere olan bağımlılığı da beraberinde getiriyor »

  2. Kaydedilen ilerlemenin analizi “Yeni gibi görünmeyebilir ancak daha önce bir şirketin idare etmesi mümkün olsa da, üretken yapay zeka bu açıdan büyük sorunlar yaratacak

    “Hızla değişen bu ortamda, Ar-Ge (Araştırma ve Geliştirme) ekiplerinden operasyonel pozisyonlara kadar hemen hemen her departman, cihazların ve ileri teknolojilerin çoğalmasıyla dikkate değer bir genişleme yaşıyor” dedi Ancak bu baskı başka sorunları da beraberinde getiriyor: Şirket, “Verileriniz üretken yapay zekaya hazır değilse, işletmeniz üretken yapay zekaya hazır değildir” uyarısında bulunuyor Bob Brauer, veri mimarisini yeni yapay zeka destekli talepleri karşılayacak şekilde hazırlamanın “veri kalitesini stratejik bir öncelik haline getirerek başlaması” gerektiğini tavsiye ediyor Bu durum, “insanların yaşam döngüsü boyunca aktif ve aktif olmayan verilere kolayca erişmesine ve bunlarla çalışmasına olanak tanıyan modern, otomatikleştirilmiş depolama mimarileri oluşturmak” için mevcut yeteneklerin yeniden değerlendirilmesini gerektirdiğini söyledi

    Herkes üretken yapay zekanın ve büyük dil modellerinin gücünden yararlanmak ister ancak bir sorun var »

  3. Genişletilmiş kullanım örneklerini desteklemek için yetenekleri veri mimarisine entegre etme

    Raporun yazarlarına göre belki de en büyük zorluk “üretken yapay zekanın yapılandırılmamış verilerle (sohbetler, videolar, kodlar) çalışma yeteneği”dir com



    genel-15

    “İyi bir başlangıç ​​noktası, bu yöndeki girişimler için belirli bir bütçeye ve kaynaklara sahip bir veri sorumlusunun (veya eşdeğer bir rolün) atanması olabilir Brian Pawlowski, “Yapılandırılmamış veriler, gelecekte oluşturulacak verilerin yaklaşık %90’ını temsil ediyor ve küresel kapasite, önümüzdeki beş yıl için ortalama yıllık büyüme oranıyla %25 oranında artıyor” diyor Quantum’un geliştirme başkanı Brian Pawlowski, son endüstri araştırmalarının “depolanan verilerin yarısından fazlasının (%60) etkin olmadığını, yani bu verilere nadiren erişildiğini veya hiç erişilmediğini” ortaya çıkardığını belirtiyor »

Özetle yapay zeka vaatlerle doludur Tüm bu verileri depolayacak bir yer bulmak ve aynı zamanda onları erişilebilir ve bulunabilir kılmak çok önemlidir Bob Brauer, “Doğru öncelikleri, doğru ekipleri, doğru yönetişimi, doğru araçları ve yönetimden gelen yetkiyi belirleyerek, şirketler veri kalitesi zorluklarını zayıf bir noktadan önemli bir rekabet avantajına dönüştürebilir” diye temin ediyor McKinsey raporunun yazarlarına göre, “özellikle yapılandırılmamış verileri desteklemek için ilgili yetenekleri (vektör veritabanları ve veri ön ve işlem sonrası hatları gibi) mevcut veri mimarisine entegre etmeyi unutmamalıyız

  • Veri depolama stratejisinin uygulanması Veri kalitesi sorunları, üretken yapay zeka modellerinde geleneksel makine öğrenimi modellerine göre daha belirgindir Faction, Inc “Buna rağmen işletmeler, özellikle veri kullanımının yaygınlaşması göz önüne alındığında, verilerin önümüzdeki yıllarda değerli çözümler ve iş değeri sağlayabileceğini anladıkları için bundan ayrılmak istemiyorlar Ancak bundan faydalanabilmek için iyi yönetilen verilere ihtiyacınız olacak

    Jeff Heller’a göre mesaj açık: İşletmelerin “verilerin ezici bir sorumluluk yerine paha biçilmez bir varlık olarak kalmasını sağlamak” için strateji oluşturma ve en son teknolojileri benimseme zamanı geldi “Veri kuruluşları, yapılandırılmış verilerle, özellikle de tablolarda düzenlenen verilerle çalışmaya alışkındır Yapay zeka ve diğer girişimlerin temelini oluşturan verileri için kurumsal destek kazanmaya yönelik bir adım olabilir Raporun yazarları, güçlü bir veri tabanı olmadan üretken yapay zekanın pek çok avantajının farkına varılmasının mümkün olmayacağı uyarısında bulunuyor Kuruluşların, veri yaşam döngüsünü otomatik bir şekilde yöneten çözümleri devreye alması ve daha fazla iş değeri elde etmeye yardımcı olmak için yapay zeka gibi en son teknolojileri kullanması önemlidir

    Kaynak : ZDNet

    “Üretici yapay zeka ile bir şeyler yapma” konusunda sürekli baskı

    McKinsey, “üretken yapay zeka ile bir şeyler yapılması” yönünde sürekli bir baskı olduğuna dikkat çekiyor Yapay zekanın önemi arttıkça veriler de modellerin eğitimi için gerekli hale geliyor” diye ekliyor “Üretken yapay zeka, veri mühendisliğinden veri yönetişimi ve analizine kadar veri değer zinciri boyunca mevcut görevleri hızlandırabilir ve bunların gerçekleştirilme şeklini iyileştirebilir son rapor Joe Caserta ve Kayvaun Rowshankish’in yönettiği konuyla ilgili

  • Yapay zeka oluşturmaya yardımcı olmak için yapay zekayı kullanma McKinsey ekibi, “Kendi verilerinizi yönetmenize yardımcı olması için üretken yapay zekayı kullanın” önerisinde bulunuyor Yapay zekanın yüksek beklentilerini karşılayabilmesi için geçerli, kaliteli verilere ihtiyaç var ve sorun da burada yatıyor

    Sektör genelinde giderek artan sayıda yönetici, şirketlerinin üretken yapay zeka da dahil olmak üzere ortaya çıkan zorlukları yönetmek için gereken muazzam veri akışını idare etme yeteneğinden endişe duyuyor ” “üretken yapay zeka” diye açıklıyor McKinsey raporunun yazarları bunu “çünkü çok daha fazla veri var ve bunların çoğu yapısal değil, bu da mevcut izleme araçlarının kullanımını zorlaştırıyor” diye açıklıyor

  • Yapılandırılmamış verilerin kapasite yönetimi


    Resim: Eugene Mymrin/Getty Images

    Bunlar, BT liderlerinin ve veri yöneticilerinin “üretken yapay zekanın veri sonuçlarına ilişkin net bir vizyon geliştirmeleri gerekeceğini” öne sürüyor Bob Brauer, “Bir kuruluşun liderliği için en önemli öncelik, şirket çapındaki verileri değerlendirmek ve başarıyı ölçmek için çerçeveler ve hedefler oluşturmak olmalıdır” diyor

  • Veri kalitesi

    Veri, varlık veya yükümlülük

    Ayrıca yapay zeka, daha verimli ve duyarlı veri mimarilerine olan ihtiyacı artıran tek faktör değil Veriler, önceden var olan hizmetler, uygulama programlama arayüzleri (API’ler) veya şirkete özel şablonlar aracılığıyla tüketilebilir; bu da “sofistike bir veri etiketleme ve etiketleme stratejisinin yanı sıra daha büyük yatırımlar” gerektirecektir Interzoid’in kurucusu ve CEO’su Bob Brauer, “Müşteriler, elbette büyük ölçüde doğru verilere dayanan, kişiye özel hizmet ve iletişim talep etmeye devam edecek” diye vurguluyor ’in teknoloji ve operasyonlardan sorumlu başkan yardımcısı Jeff Heller, “Sınırsız inovasyon ve teknolojik gelişmelerin yönlendirdiği dijital dönüşüm, kuruluşların çalışma biçiminde bir değişimi içeriyor” dedi