隨著我們深入ML和GenAI領域，對數(shù)據(jù)質量的重視變得至關重要。KMS Technology高級技術創(chuàng)新小組的首席技術官John Jeske深入研究了數(shù)據(jù)治理方法，如數(shù)據(jù)沿襲跟蹤和聯(lián)合學習，以確保頂級模型的性能。

數(shù)據(jù)質量是模型可持續(xù)性和利益相關者信任的關鍵。在建模過程中，數(shù)據(jù)質量使長期維護變得更容易，并使你能夠在利益相關者社區(qū)中建立用戶信心和信心。在包括大規(guī)模語言和生成性算法在內的復雜模型中，‘垃圾輸入，垃圾輸出’的影響會加劇?！癑eske說。

基因AI偏向與數(shù)據(jù)代表性問題

無論你為用例選擇哪種模型，糟糕的數(shù)據(jù)質量都不可避免地會導致GenAI模型的扭曲。陷阱通常來自培訓數(shù)據(jù)，這些數(shù)據(jù)錯誤地表示了公司的范圍、客戶基礎或應用程序范圍。

真正的資產(chǎn)是數(shù)據(jù)本身，而不是曇花一現(xiàn)的模型或建模架構。最近幾個月，隨著大量建模框架的出現(xiàn)，數(shù)據(jù)作為可貨幣化資產(chǎn)的一貫價值變得格外明顯。

KMS Technology軟件服務高級副總裁Jeff Scott補充道：“當AI生成的內容偏離預期輸出時，這不是算法的錯誤。相反，這反映了培訓數(shù)據(jù)的不足或扭曲。

嚴格的數(shù)據(jù)完整性治理

數(shù)據(jù)治理方面的最佳實踐包括元數(shù)據(jù)管理、數(shù)據(jù)管理和部署自動化質量檢查等活動。例如，確保數(shù)據(jù)的來源，在獲取用于培訓和建模的數(shù)據(jù)時使用經(jīng)過認證的數(shù)據(jù)集，以及考慮使用自動化數(shù)據(jù)質量工具。雖然增加了一層復雜性，但這些工具對于實現(xiàn)數(shù)據(jù)完整性非常有用。

為了提高數(shù)據(jù)質量，我們使用了提供數(shù)據(jù)有效性、完整性檢查和時間一致性等屬性的工具，這促進了可靠、一致的數(shù)據(jù)，而這對于健壯的AI模型來說是不可或缺的。

AI發(fā)展中的責任追究和持續(xù)改進

數(shù)據(jù)是每個人的問題，在公司內分配數(shù)據(jù)治理的責任是一項基本任務。

最重要的是確保功能按設計工作，并且從潛在客戶的角度來看，正在訓練的數(shù)據(jù)是合理的。反饋加強了學習，然后在下一次訓練模型時考慮到反饋，從而調用持續(xù)改進，直到信任點。

在我們的工作流程中，AI和ML模型在公開推出之前要經(jīng)過嚴格的內部測試。我們的數(shù)據(jù)工程團隊不斷收到反饋，允許對模型進行迭代改進，以最大限度地減少偏差和其他異常情況。

風險管理與客戶信任

數(shù)據(jù)治理需要相關業(yè)務領域的數(shù)據(jù)管理，并需要主題專家持續(xù)參與，這確保了流經(jīng)其團隊和系統(tǒng)的數(shù)據(jù)得到適當整理和一致的責任。

必須了解與接收來自技術的不準確結果相關的風險，公司必須評估其透明度，從數(shù)據(jù)來源和處理知識產(chǎn)權到整體數(shù)據(jù)質量和完整性。

透明度對客戶的信任是不可或缺的，數(shù)據(jù)治理不僅僅是一項技術工作，由于風險從不準確的AI預測轉移到最終用戶，它還會影響公司的聲譽。

總之，隨著GenAI的不斷發(fā)展，掌握數(shù)據(jù)治理變得更加關鍵，這不僅僅是為了維護數(shù)據(jù)質量，也是為了理解這些數(shù)據(jù)與利用它的AI模型之間的復雜關系。這種洞察力對于技術進步、業(yè)務健康以及維護利益相關者和更廣泛公眾的信任至關重要。