AI belooft een slimmere, snellere en efficiëntere toekomst, maar achter het optimisme schuilt een steeds groter wordend probleem: de data zelf. We praten veel over algoritmen, maar niet veel over de infrastructuur die ze ondersteunt. De realiteit is dat innovatie de kwaliteit van de input die zij produceert niet kan overtreffen, en momenteel vertoont die input tekenen van achteruitgang. Wanneer de fundering begint te barsten, zullen zelfs de meest geavanceerde systemen wankelen.
Tien jaar geleden konden schaal en nauwkeurigheid hand in hand gaan. Maar vandaag de dag wijzen deze doelen vaak in tegengestelde richtingen. Nieuwe privacyregelgeving, aanmelding voor apparaten en platformbeperkingen maken het steeds moeilijker om hoogwaardige gegevens uit de eerste hand te verkrijgen. Om deze leemte op te vullen heeft de markt zichzelf overspoeld met gerecyclede, valse of afgeleide signalen die er legitiem uitzien, maar dat niet zijn.
Het resultaat is een vreemde nieuwe realiteit waarin winkelcentra die twee jaar geleden zijn gesloten nog steeds ‘voetverkeer’ vertonen, of autodealers midden in de nacht druk lijken. Deze anomalieën lijken misschien onschuldige fouten, maar zijn in werkelijkheid het resultaat van een data-ecosysteem dat kwantiteit belangrijker vindt dan geloofwaardigheid.
Wanneer volume ruis wordt
De industrie gelooft al jaren dat meer data betere inzichten betekent. Volume geeft sterkte aan. Meer input betekent meer intelligentie. Maar overvloed staat nu gelijk aan hinderlijk lawaai. Om de schaal te behouden, hebben sommige leveranciers opvulgegevens of valse signalen gebruikt die ervoor zorgen dat dashboards er goed uitzien en tegelijkertijd de betrouwbaarheid en authenticiteit ervan aantasten.
Zodra slechte gegevens een systeem binnenkomen, is het bijna onmogelijk om ze te ontwarren. Het is alsof je een aantal verlopen Cheerios in een nieuwe doos mengt; Je kunt niet zeggen welke oud is, maar je kunt het verschil proeven. En op grote schaal groeien die verschillen exponentieel.
De AI-paradox
Ironisch genoeg is AI zowel een deel van het probleem als van de oplossing. Elk model is gebaseerd op trainingsgegevens, en als die basis gebrekkig is, zullen de daaruit voortvloeiende inzichten ook gebrekkig zijn. Geef het onzin, en het zal vol vertrouwen tot de verkeerde conclusie komen.
Iedereen die ChatGPT gebruikt, heeft deze frustratie waarschijnlijk uit de eerste hand ervaren. Hoewel dit een zeer nuttig hulpmiddel is, zijn er momenten waarop het je nog steeds onnauwkeurige antwoorden of hallucinaties geeft. Je stelt een vraag en deze geeft meteen en vol vertrouwen een gedetailleerd antwoord. . . tenzij het allemaal verkeerd is. Even klonk het overtuigend genoeg om te geloven. Maar als je eenmaal weet wat er mis is gegaan, zullen er kleine zaadjes van twijfel ontstaan. Doe het nog een paar keer en de twijfel zal de overhand krijgen. Dat is wat er gebeurt als de datakwaliteit afneemt: het verhaal lijkt nog steeds compleet, maar je weet niet zeker wat het werkelijk is.
Tegelijkertijd geeft AI ons nieuwe tools om de rommel die het veroorzaakt op te ruimen door inconsistenties te signaleren. Een restaurant dat op zondag diner serveert als het gesloten is? Het gesloten winkelcentrum is opeens weer “druk”? Dat is een patroon dat AI kan oppikken als het goed wordt getraind.
Geen enkel bedrijf kan dit probleem echter alleen oplossen. Data-integriteit is afhankelijk van iedere schakel in de keten, van verzamelaars en aggregators tot analisten en eindgebruikers, die verantwoordelijk zijn voor hun bijdragen. Vooruitgang zal niet voortkomen uit meer data, maar uit meer transparantie over de data die we al hebben.
Kwaliteit boven kwantiteit
We kunnen er niet langer van uitgaan dat meer data automatisch betere data betekent, en dat is oké.
De focus moet verschuiven van het verzamelen van alles naar het verzamelen van wat belangrijk is, en het opbouwen van verifieerbare, betrouwbare datastromen. Een slankere dataset, gebouwd op betrouwbare signalen, levert consequent duidelijkere, beter verdedigbare inzichten op dan een verzameling twijfelachtige informatie.
Veel organisaties stellen omvang nog steeds gelijk aan geloofwaardigheid. Maar de echte vraag is niet hoeveel gegevens je hebt, maar hoe JUIST Hij.
Menselijk element
Het veranderen van de manier waarop mensen naar gegevens kijken is moeilijker dan het veranderen van de technologie zelf. Het team heeft de nieuwe workflow afgewezen. Partners zijn bang dat ‘minder’ een verlies aan zichtbaarheid of controle betekent. Maar kleinere, slimmere datasets onthullen vaak meer dan grote datasets, omdat de signalen die ze bevatten reëel zijn.
Maar zodra het vertrouwen verloren is, verliest inzicht zijn waarde. Het herstellen van dat vertrouwen door middel van transparantie, validatie en samenwerking is net zo belangrijk als de algoritmen zelf.
AI zal dataproblemen niet elimineren; het zal het vergroten. We moeten voldoende gedisciplineerd zijn om het signaal van de ruis te scheiden en voldoende zelfvertrouwen hebben om toe te geven dat meer signaal niet altijd beter is.
Omdat het echte voordeel niet over eindeloze gegevens beschikt. Het is weten wat je achter moet laten.
Uiterste deadline voor Fast Company Prijs voor wereldveranderende ideeën is vrijdag 12 december om 23:59 uur. PT. Solliciteer vandaag nog.
