Från AI-piloter till produktion: Datakravet

Företagsledare utsätts för ett allt större tryck att omvandla AI-experiment till mätbara affärsresultat. Med fokus på hur tekniken kan förbättra produktiviteten, automatisera processer eller öppna upp nya intäktskällor har många redan inlett pilotprojekt och koncepttester.

Många av dessa initiativ har dock svårt att ta steget till produktion. Ett återkommande hinder är bristen på data som är tillräckligt tillförlitliga, tillgängliga och reglerade för att stödja AI i stor skala. Gartner förväntar sig att organisationer år 2026 kommer att avbryta 60 % av de AI-projekt som saknar AI-anpassade data.

Innan en AI-modell kan leverera tillförlitliga resultat behöver den tillgång till pålitliga data.

Varför dataplattformar plötsligt har blivit viktiga igen

Kunddata finns i CRM-systemet, finansiella uppgifter lagras i en separat huvudbok och operativa data finns i ERP-systemet. Alla skapar nya rapporter baserade på data på sina bärbara datorer, och med molnet är det enkelt att bli en ”citizen data engineer” – det har aldrig varit enklare att skapa en ny silo.

Att lägga till AI i ekvationen förstärker bara scenariot. ”Garbage In/Garbage Out” gäller fortfarande, med den skillnaden att okontrollerad AI kan förvandla det där skräpet till säkra, men felaktiga svar i stor skala.

I åratal behandlades dataplattformar i stort sett som migreringsprojekt: system som skulle flyttas, moderniseras och sedan lämnas ifred fram till nästa migreringscykel. Nu utgör de kärnan i alla användningsfall för AI inom företagen. Dataengineering, analys, styrning och AI är alla delar av samma ekosystem. Prioriteringen förskjuts från isolerade plattformar för datalager, analys och maskininlärning mot en mer enhetlig datagrund, med styrning inbyggd i arkitekturen.

Datasjöar, som var avsedda att åtgärda stela datalager, blev ofta dataträsk, samtidigt som kunderna fortsatte att använda äldre integrationer parallellt med dem. Moderna lakehouse-arkitekturer har vuxit fram som ett svar på detta och ger organisationer en gemensam grund för analys, dataengineering, styrning och AI. 

Detta är en av anledningarna till att plattformar som Databricks har fått så stor uppmärksamhet. Öppna tabellformat som Delta Lake stöder transaktionskonsistens och versionshanterade data, vilket hjälper organisationer att upprätthålla tillförlitliga tabellhistoriker och bygga mer robusta grunder för styrda dataprocesser.

Styrningen hamnar i centrum

En gemensam datagrund löser bara en del av problemet. Nästa fråga är om data går att lita på, spåra och styra.

Fram till för några år sedan var datahärkomst, åtkomstkontroller och kataloger främst en fråga för styrningsgrupper och implementerades i efterhand. Idag påverkar styrningen företagsmål och AI-resultat. Om en organisation inte kan förklara varifrån data kommer, vem som har modifierat den, hur den har omvandlats och vem som har åtkomst till den, kan den inte lita på de AI-resultat som bygger på den.

Unity Catalog erbjuder ett enhetligt ramverk för hantering av åtkomst, härkomst och granskning i hela lakehouse-miljön. Dessa funktioner kan hjälpa organisationer att stärka den datastyrning och spårbarhet som krävs för att uppfylla gällande lagstiftningskrav, inklusive de som följer av EU:s AI-lag.

Skalning inom industriföretag

Industriföretag behöver idag i allt högre grad kombinera traditionella IT-data med data från maskiner, sensorer, produktionsutrustning och driftsystem. Datamängderna här är enorma – en anläggning med 5 000 sensorer som tar prover en gång per sekund genererar över 400 miljoner mätvärden per dag.

Hittills har denna information ofta varit isolerad på plats vid anläggningen – vare sig det är i Bangalore eller Johannesburg – medan huvudkontoret har genererat rapporter baserade på Excel-filer som delats via e-post. Att smidigt flytta data från fabriksgolvet utgör dock fortfarande en utmaning.

Inläsningstekniker som Auto Loader och Zerobus kan hjälpa till att föra in data från anläggningsnivå till en reglerad datamiljö, vilket skapar en grund för tillämpningar som förebyggande underhåll, produktionsoptimering, insyn i leveranskedjan, prestandahantering av tillgångar och energioptimering. Och även om dessa resultat ofta beskrivs som AI-insatser är de i första hand tydliga datainitiativ.

AI är ett resultat, inte en strategi

Ett av de största misstagen som organisationer gör är att behandla AI som utgångspunkten.

Enligt min erfarenhet uppnås dock de bästa resultaten genom att först fokusera på att skapa tillförlitliga datagrunder, vilket innefattar en modernisering av arkitekturen, förbättrad styrning samt investeringar i dataengineering och observerbarhet. Även om detta kanske inte låter lika spännande som att prata om autonoma agenter och intelligenta assistenter, är det oftast just detta som skiljer framgångsrika transformationer från ändlösa POC:er.

Detta innebär inte att man måste åtgärda varje dataset först. Vi måste bygga den styrda grunden ett värdefullt användningsfall i taget och låta varje användningsfall utvidga den.

Det man måste komma ihåg i detta sammanhang är att AI skapar värde utifrån data. Och om data inte är tillförlitliga, styrda och tillgängliga kan ingen grad av AI-avanceradhet kompensera för det. 

Så, innan nästa möte i din AI-styrgrupp, ställ en fråga: ”Om den här modellen gav ett felaktigt svar i morgon, skulle vi kunna spåra varför?”

Om inte, har du ett dataproblem.