Mit #11: Głównym problemem są złe dane

Na pytanie, dlaczego projekty AI napotykają trudności, najczęściej słyszę: „Dane są za słabe”. I nie bez powodu. Brakujące informacje, niespójne definicje, błędy w danych podstawowych czy informacje rozproszone po wielu systemach potrafią utrudnić wdrożenie AI, a czasem wręcz je uniemożliwić.

Uważam jednak, że zbyt wiele zrzucamy na dane.

W wielu projektach większym problemem jest brak rzeczywistego zaangażowania firmy w zmianę. Nikt z kierownictwa biznesowego nie bierze odpowiedzialności za rezultat. Projekt konkuruje z dwudziestoma innymi priorytetami. Wszyscy chcą AI, dopóki nie trzeba zmienić sposobu pracy.

A wdrożenie AI wymaga zmian.

Jeśli AI ma przejąć część planowania, reagować na problemy w transporcie, wspierać zakupy lub automatyzować kontakt z klientami, nie wystarczy dodać jej do istniejącego procesu. Niektóre czynności znikną, inne przejdą do nowych osób. Zatwierdzenia potrzebne wtedy, gdy pracę wykonywał człowiek, mogą stracić uzasadnienie. Osoby, które dotąd zbierały informacje lub zajmowały się rutynowymi problemami, mogą skupić się wyłącznie na sprawach, których AI nie potrafi rozwiązać.

I właśnie tutaj wiele projektów się zatrzymuje.

Nikt nie chce zrezygnować ze starego raportu ani dodatkowej kontroli, choć w nowym procesie nie są już potrzebne. Pilotaż trwa, ale sposób pracy pozostaje bez zmian.

Żaden z tych problemów nie wynika z jakości danych.

Sam zespół projektowy też ich nie rozwiąże. Potrzebna jest osoba, która może podjąć wiążące decyzje: jaki proces będzie obowiązywał, które wyjątki są uzasadnione, z jakich czynności można zrezygnować i kto odpowie za nowy sposób pracy. Jeśli każdy spór trafia na kolejne posiedzenie komitetu sterującego albo nikt nie chce zakwestionować obecnych zasad, projekt utknie. Dobry model AI tego nie zmieni.

Dlatego wpisanie członka zarządu jako sponsora projektu na slajdzie nie wystarczy. Ta osoba musi włączać się w rozwiązywanie problemów i podejmować decyzje. Powinna też nadać projektowi taką rangę, by działy operacyjne, IT i pozostałe zespoły faktycznie zapewniły ludzi oraz czas potrzebne do wdrożenia.

Problemy z danymi są realne. Wiele z nich da się jednak rozwiązać, gdy firma uzna je za wystarczająco ważne. Można uzgodnić definicje, uzupełnić brakujące informacje, uporządkować dane podstawowe i połączyć systemy. To nie jest ani proste, ani tanie, ale jest wykonalne.

Za dane również ktoś musi odpowiadać. Jeśli nazwy dostawców są niespójne, ewidencja zapasów niepełna, a ten sam wskaźnik w każdym zakładzie liczony inaczej, jednorazowe porządki mogą wystarczyć do uruchomienia pilotażu. Bez osoby odpowiedzialnej za dalszą jakość danych problem jednak wróci.

Z tego samego powodu udany pilotaż nie gwarantuje udanego wdrożenia w całej firmie.

Podczas pilotażu można obejść wiele trudności. Zespół ręcznie poprawi dane, poradzi sobie bez integracji, wybierze zakład chętny do współpracy i sam obsłuży nietypowe przypadki. To rozsądne podejście, gdy chcemy sprawdzić, czy technologia działa.

Przy wdrożeniu na większą skalę firma musi ustalić, jak ma przebiegać proces. Co robi AI, co zostaje po stronie ludzi i co się dzieje, gdy AI nie potrafi rozwiązać problemu? Które lokalne różnice są rzeczywiście potrzebne, a które istnieją tylko dlatego, że „zawsze tak robiliśmy”? Ktoś musi też odpowiadać za dane i rezultaty, gdy zespół wdrożeniowy zakończy już pracę.

Dlatego za stwierdzeniem „nasze dane nie są gotowe” może kryć się znacznie więcej. Czasem rzeczywiście chodzi o dane. Czasem nikt nie uzgodnił procesu, który mają wspierać. A czasem firma chce korzyści z AI, ale nie chce zmieniać obowiązków, procedur, kontroli ani priorytetów.

Kolejny projekt porządkowania danych tego nie rozwiąże.

Zanim poświęcisz miesiące na doprowadzanie danych do perfekcji, ustal, jak ma wyglądać proces po wdrożeniu AI.

1. Co będzie robić AI?
2. Co nadal będą robić ludzie?
3. Z których czynności można zrezygnować?
4. Które różnice między zakładami trzeba zachować?
5. Kto rozstrzygnie spór, gdy zespoły nie dojdą do porozumienia?

Dopiero wtedy określ, jakich danych potrzebujecie i kto będzie odpowiadał za ich jakość na co dzień.

Wniosek

Złe dane mogą zatrzymać projekt AI. Ale nawet najlepsze dane nie pomogą, jeśli nikt nie chce zmienić procesu lub nie ma uprawnień, by nadać projektowi priorytet. Samo dodanie AI do dotychczasowego sposobu pracy nie wystarczy.

Przygotuj dane i procesy do AI →