A jelenlegi, gyorsan változó technológiai környezetben az MI az üzleti innováció új határterületévé vált, a szervezetek jelentős összegeket fektetnek a mesterséges intelligencia (MI) kezdeményezésekbe. Az idén már a felső vezetők 82 százaléka az MI skálázását tartja kiemelt prioritásnak ^[1], ehhez képest a sikerességi ráta még mindig kiábrándítóan alacsony: a Gartner szerint az MI-projektek 85 százaléka nem éri el az elvárt eredményeket ^[2]. A hiányzó érték az egyenletben nem más, mint a robusztus üzleti intelligencia (BI) alap: mielőtt a szervezetek hatékonyan kiaknázhatnák az MI erejét, először szilárd adatinfrastruktúrát, irányítási keretrendszert és analitikai kultúrát kell létrehozniuk a BI segítségével.

Itt tart ma az MI megvalósítása

A mesterséges intelligencia széles körű elterjedésére jellemző, hogy műveleteiben a globális vállalatok 78 százaléka számol be annak használatáról ^[3], de a megvalósítás továbbra is kihívásokkal teli, a kudarcok pedig elsősorban az adatok problémáira vezethetők vissza. Ahogy Troy Demmer, a Gecko Robotics alapítója az Egyesült Államok képviselőházi bizottsága előtt nyilatkozott róla: a mesterségesintelligencia-alkalmazások csak annyira jók, mint az adatok, amelyeken képzik őket, így a megbízható MI-hez megbízható adatbevitelre van szükség. ^[4]

A pénzügyi következmények is jelentősek, hiszen a rossz adatminőség átlagosan évente 12,9 millió dollárjukba kerül a szervezeteknek ^[5]. Az MI-modelleknek a nem megfelelő adatinfrastruktúrából fakadó, gyakori hibái közé tartozik az úgynevezett túl- vagy alultanulás (overfitting, underfitting), amikor a modell túl alaposan követi, vagy éppen ellenkezőleg, nem képes megragadni a tanítására használt adathalmaz összefüggéseit; a határesetek negligálása; a korrelációs függőség; az adattorzítás; illetve az úgynevezett data drift, amikor a betanítási adatok idővel egyre kevésbé reprezentatívak a valós használat során felmerülő bemenetekre nézve.

Különösen aggasztó tendencia, amikor a felső vezetés úgy erőlteti az MI-képességek demonstrációját, hogy nem veszi figyelembe annak előfeltételeit. Szemléletes példa erre annak a céges informatikai vezetőnek az esete, aki támogatást kért az igazgatótanácstól egy adatplatformra. A kérését arra hivatkozva utasították el, hogy nincs pénzük adatprojektekre, ellenben korlátlan forrásaik vannak a mesterséges intelligencia innovációjára. Az IT-vezető erre egyszerűen csak megváltoztatta a javaslat címét "MI-platform építésére", és az igazgatótanács azonnal jóvá is hagyta a finanszírozást ^[6].

Alapozás üzleti intelligenciával

Egy átfogó üzletiintelligencia-ökoszisztéma több, egymással összefüggő összetevőből áll:

• Adatintegráció: különböző forrásokból származó adatok összesítése egységes nézetben.
• Adattárház: központosított adattár a strukturált, feldolgozott adatok számára.
• Adatminőség-kezelés: az adatok pontosságának, teljességének és konzisztenciájának biztosítása.
• Adatirányítás: a szerepköröket, szabályzatokat és eljárásokat meghatározó keretrendszerek.
• Analitika és vizualizáció: olyan eszközök, amelyek lehetővé teszik a felhasználóknak az adatok elemzését és mintázatok felfedezését.
• Önkiszolgáló képességek: olyan funkciók, amelyek lehetővé teszik a nem műszaki felhasználóknak is az adatok elérését és elemzését.

A globális BI-piac értékét 2023-ban 29,42 milliárdra becsülték, és 2030-ra várhatóan eléri az 54,27 milliárdot is ^[7], ami tükrözi az üzleti intelligencia jelentőségének egyre magasabb elismertségét. Az érett üzletiintelligencia-képességekkel rendelkező szervezetek 33 százalékkal magasabb bevételnövekedésről és 32 százalékkal magasabb jövedelmezőségről számolnak be az ilyen képességekkel nem rendelkező iparági versenytársaikhoz képest ^[8].

A BI és az MI kritikus kapcsolata

Az üzleti intelligencia közvetlenül, számos alapvető módon támogatja a mesterségesintelligencia-kezdeményezéseket:

• Adatok felkészítése: a BI-rendszerek létrehozzák azokat az adatgyűjtési, -tisztítási és -szabványosítási folyamatokat, amelyek biztosítják az adatok alkalmasságát a mesterséges intelligencia általi használatra.
• Funkciótervezés alapjai: a BI-rendszerekben végrehajtott adattranszformációk a mesterségesintelligencia-modellek funkciótervezésének is alapjául szolgálnak.
• Üzleti kontextus: a BI biztosítja a mesterséges intelligencia fejlesztéséhez szükséges üzleti kontextust, támogatva az adattudósokat a relevánsabb modellek felépítésében.
• Adatigazgatási keretek: a BI-rendszerekhez kialakított governance biztosítja a szükséges korlátokat a felelős mesterségesintelligencia-fejlesztéséhez.

Az adattudományban a híres 80/20-as szabály – amely szerint az adattudósok jellemzően idejük 80 százalékát fordítják az adatok előkészítésére, és csak 20 százalékát a tényleges modellek fejlesztésére – ugyancsak a szilárd BI-alapok fontosságát támasztja alá. Az érett üzletiintelligencia-képességekkel rendelkező szervezetek jelentősen csökkenthetik ezt az egyensúlyhiányt azáltal, hogy tiszta, jól szervezett, modellezésre kész adatokat biztosítanak az adattudósoknak.

Gyakori buktatók a BI megkerülésekor

Azok a szervezetek, amelyek szeretnék kihasználni a mesterséges intelligenciát, gyakran megpróbálnak közvetlenül a megvalósításra ugrani anélkül, hogy szilárd üzletiintelligencia-alapokat teremtenének hozzá. Az ilyen "MI az első" megközelítés jellemzően a következőkhöz vezet:

• Világos használati esetek hiánya: az üzleti intelligencia által biztosított betekintés nélkül a szervezetek nehezen tudják azonosítani az értékes MI-használati eseteket.
• Irreális elvárások: az adatok üzleti intelligencia általi megértése nélkül a szervezetek valószerűtlen igényeket támasztanak a mesterséges intelligenciával szemben.
• Kihívások a megvalósításban: bevált üzletiintelligencia-folyamatok nélkül az adatok előkészítése exponenciálisan nehezebbé válik.
• Nehézségek a siker mérésében: az üzleti intelligencia alapmutatói nélkül a szervezetek küszködnek az MI hatásának mérésével.

Az MIT Technology Review szerint a globális vállalkozások 61 százaléka nyesi vissza MI-beruházásait a megingott bizalom miatt, beleértve az adatminőséggel és -irányítással kapcsolatos aggályokat ^[9].

A sikertelen MI-kísérletek után ráadásul az üzletiintelligencia-fejlesztés költségvonzatai is jelentősek. A kezdeti sikertelen MI-bevezetés és a későbbi üzletiintelligencia-fejlesztés együttes költsége jellemzően 40-60 százalékkal magasabb, mintha az üzleti intelligenciát vezették volna be elsőként ^[10].

A mesterséges intelligencia sikeréhez vezető út tehát nem magával a mesterséges intelligenciával kezdődik, hanem az adatok üzleti intelligencia segítségével történő hatékony megértésével, rendszerezésével és hasznosításával. Azok a szervezetek, amelyek szilárd BI-alapokat építenek ki, gyorsabban, megbízhatóbban és fenntarthatóbban tudják kiaknázni a mesterséges intelligencia teljes potenciálját, szemben azokkal, amelyek megpróbálják megspórolni ezt a kritikus alapot.

A szervezet adatstratégiájának mérlegelésekor mindenkit arra biztatok, hogy álljon ellen a kísértéseknek az MI-projektek lerövidítését illetően, és inkább fektessen be a szilárd üzletiintelligencia-alapok kiépítésébe. Ez a megközelítés kezdetben több türelmet igényelhet, de végső soron megbízhatóbb, értékesebb és fenntarthatóbb eredményeket hoz.