Niemal połowa analityków wskazuje, że organizacje podejmują błędne decyzje biznesowe, ponieważ dane nie uwzględniały lub były błędnie interpretowane pod kątem kontekstu biznesowego. Narzędzia AI mogą wskazywać błędną przyczynę spadku sprzedaży lub mylić trendy wąskiej grupy z typowymi.
Coraz więcej liderów biznesowych wykorzystuje sztuczną inteligencję do szybkiego przetwarzania informacji i wyciągania wniosków. Badania wskazują, że 64 proc. liderów analizuje dane przy pomocy AI, przy czym tylko 53 proc. korzysta w tym celu z pomocy specjalistów technicznych. Mimo rosnącego zapotrzebowania na szybkość, efekt często jest odwrotny do zamierzonego, a 49 proc. analityków wskazuje, że firmy podejmują błędne decyzje z powodu braku uwzględnienia kontekstu biznesowego w danych.
Halucynacje i bariery technologiczne
Problemy z wynikami AI nie zawsze wynikają z tzw. halucynacji, czyli generowania przez modele fałszywych statystyk. Aż 74 proc. użytkowników narzędzi analitycznych opartych na AI przyznaje, że wykorzystało w pracy wyniki, które okazały się błędne. Przyczynami są m.in. niezoptymalizowane prompty, metody trenowania modeli oraz brak systemów kontrolujących kontekst zapytań. W efekcie narzędzia mogą np. błędnie wskazać przyczynę spadku sprzedaży konkretnego produktu.
Maciej Wawrzyniak, Dyrektor obszaru baz danych i inżynierii danych w Linux Polska, wskazuje na trudności w przekładaniu kwestii biznesowych na zapytania techniczne. Według niego 63 proc. analityków uważa, że błędy wynikają właśnie z tego problemu. Wawrzyniak podkreśla, że 93 proc. badanych uważa, iż wyniki byłyby lepsze, gdyby pytania dotyczące danych można było zadawać w języku naturalnym. Dlatego ważne jest dostosowanie chatbotów tak, aby automatycznie tłumaczyły język naturalny na zapytania SQL.
Znaczenie kontekstu dla rentowności
Nawet poprawna technicznie analiza AI może nie przynieść wartości firmie, jeśli nie uwzględnia specyfiki organizacji, jej możliwości, ograniczeń oraz celu, który chce osiągnąć. Liderzy biznesowi są świadomi tego problemu – 93 proc. z nich uznaje kontekst za niezbędny do wyciągnięcia właściwych wniosków. Jednak niemal połowa analityków (49 proc.) zauważa, że wymóg ten nie zawsze jest spełniany.
Tomasz Dziedzic, CTO Linux Polska, wyjaśnia, że analiza nie może być oderwana od kontekstu rynkowego. Aby ograniczyć ryzyko generowania błędnych zaleceń, w strukturze plików z danymi należy uwzględniać szczegółowe metadane kontekstowe, takie jak cel biznesowy, źródła informacji czy definicje wskaźników. Pominięcie tego aspektu może prowadzić do inwestowania w nieopłacalne projekty lub niedopasowania oferty do potrzeb klientów. Ekspert dodaje, że kontekst jest również kluczowy przy ocenie zagrożeń, gdzie analiza musi uwzględniać specyfikę branży, regulacje prawne i dane historyczne.
Chaos informacyjny i rozproszone dane
Wdrożenie AI utrudnia rosnący wolumen informacji, który według analityków zwiększa się o ok. 30 proc. rocznie. Przeciętna firma korzysta już z 21 usług chmurowych i 21 operacyjnych baz danych. Rozproszenie infrastruktury oraz brak spójnych informacji to główne przyczyny błędów w analityce. Tomasz Sąciński, Senior Solutions Architect w Linux Polska, podkreśla, że wybór modeli AI powinien zależeć od potrzeb biznesowych i możliwości ich integracji z istniejącą infrastrukturą IT.
Skuteczność analiz zależy od warstwy semantycznej, która nadaje danym kontekst biznesowy. Według szacunków inwestowanie w ten obszar może zwiększyć dokładność agentów AI nawet o 80 proc. Dzięki temu firmy mogą ograniczyć ryzyko podejmowania kosztownych i błędnych decyzji. Źródło: Linux Polska
Źródło: Linux Polska / Lightscape
Fot. joshimo / Freepik
