Gids voor AI-datagovernance 

Heeft u ooit de zin “afval binnen, afval buiten” gehoord? Dat is precies hoe AI werkt in termen van de data die worden gebruikt om het te trainen. Als er slechte (d.w.z. onnauwkeurige of onvolledige) data binnenkomen, komt er slechte AI naar buiten. Als er goede (d.w.z. nauwkeurige en volledige) data binnengaan, komt er goede AI uit. Met “goede” AI bedoelen we eerlijk en nauwkeurig. 

Het probleem is de complexiteit en de hoeveelheid data die wordt gebruikt om AI- en machine learning-modellen te trainen. Het is veel te beheren. Daarom zorgen organisaties ervoor dat de data die ze in hun AIAImodellen invoeren veilig, nauwkeurig, relevant en grondig is. 

Goede AI-datagovernance verbetert de modelprestaties, verhoogt de betrouwbaarheid, bouwt vertrouwen op en leidt tot ethische AI-resultaten die op geen enkele manier bevooroordeeld zijn. Alle grote overwinningen, toch? 

Lees verder om alle essentiële elementen van AI-datagovernance te verkennen voor het trainen van data, waaronder:

• De belangrijkste principes en doelstellingen van AI-datagovernance voor het trainen van data
• Veelvoorkomende uitdagingen in AI-datagovernance
• Best practices voor het opzetten van effectieve AIAIdatagovernancekaders

Belangrijkste componenten van AI-datagovernance

Het is waarschijnlijk niet moeilijk om u voor te stellen wat datagovernance inhoudt, maar het definiëren en verkennen van deze termen kan nuttig zijn. 

Er is natuurlijk een algemene “datakwaliteit”. Dit kan zeer subjectief zijn, maar het komt in wezen neer op dataconsistentie, volledigheid en juistheid, wat betekent dat fouten, duplicaten en irrelevante informatie worden geëlimineerd. Kwaliteit omvat ook ongepaste data. Dit was bijvoorbeeld een tijdje geleden, maar in 2016 veranderde Microsoft’s AI-chatbot Tay in een PR-ramp toen het begon met het uitspuugen van racistische reacties. Waarom? Omdat het zijn waarden en taal van Twitter had geleerd. 

Goed datagovernance geeft ook prioriteit aan de naleving van privacyregelgeving zoals AVG of CCPA. Auditing is er om te zorgen voor anonimisering en minimalisering van data, toestemming van gebruikers en transparantie over datagebruik. AVG-boetes zijn misschien gedaald, maar dat betekent niet dat organisaties niet nog steeds waakzaam moeten zijn. 

Beveiliging is een ander belangrijk aspect van AI-datagovernance. Het beschermen van gevoelige en bedrijfseigen trainingsdata tegen onbevoegde toegang of inbreuken omvat het implementeren van robuuste encryptie– en toegangscontrolemechanismen en het controleren op kwetsbaarheden en ongeoorloofd datagebruik. Bedrijven moeten ook zorgen voor veilige opslag en overdracht van trainingsdatasets.

Uitdagingen voor AI-datagovernance

Bepaalde veelvoorkomende zaken maken AI-datagovernance vaak een uitdaging. 

We hebben allemaal gehoord van “datasilo’s”, bijvoorbeeld. Datasilo’s maken het moeilijker om AIAItrainingsgegevens samenhangend te beheren, wat leidt tot inconsistenties en inefficiënties. Wat kan helpen met datasilo’s? Implementatie van gecentraliseerde dataopslagplaatsen of datalakesarchitecturen om datasets te consolideren. U kunt ook tools en platforms voor data-integratie gebruiken om de toegang te stroomlijnen en consistentie te garanderen.

Gebrek aan standaardisatie is een ander probleem. Verschillende databronnen en -formaten kunnen het moeilijk maken om de interoperabiliteit effectief te beheren en te beheersen en de voorverwerkings- en trainingsworkflows te bemoeilijken. Soms is het moeilijk om gewoon te weten waar uw data vandaan komen. Het standaardiseren van formaten, labels en Metadata kan dit veel gemakkelijker maken.  U kunt ook robuuste documentatiepraktijken ontwikkelen en een duidelijk auditspoor bijhouden voor alle dataprocessen. Gebruik tools die datalijnen, transformaties en gebruik gedurende de AIAIlevenscyclus volgen.

Ook de enorme hoeveelheid en de verscheidenheid aan trainingsdata die nodig zijn voor AI- en ML-modellen kan verbazingwekkend zijn. Ongestructureerde data (bijv. tekst, afbeeldingen, video) vormen bijvoorbeeld een eigen set problemen voor opslag en analyse. Investeren in schaalbare infrastructuur zoals cloudgebaseerde platforms en gelaagde dataopslag kan hierbij helpen. 

Conclusie

Vergeet niet: afval in, afval uit. Ervoor zorgen dat u uw AI-modellen niet aan afval voedt, is een bedrijfsbrede inspanning die enorme samenwerking vereist. Dit soort vanzelfsprekende zaken, maar uw bedrijf zou een uitgebreid beleid moeten hebben met betrekking tot het verzamelen, opslaan, gebruiken en bewaren van data.

Een groot deel van al het bovenstaande is het hebben van de juiste data-infrastructuur om uw AI-initiatieven te ondersteunen. Het Pure Storage-platform helpt organisaties de prestaties en efficiëntie te maximaliseren, hun data te verenigen, data storage management te vereenvoudigen en de onvoorspelbaarheid van AI-groei op te lossen. Pure Storage^® FLASHBLADE^® is een gecertificeerde opslagoplossing voor NVIDIA DGX SuperPOD, en Pure Storage was een van de eerste leveranciers van enterprise storage die met NVIDIA samenwerkte aan gecertificeerde AI-Ready Infrastructuur die de implementatie van AI uitbreiden en versnellen. 

Lees meer over hoe u uw AI-resultaten toekomstbestendig kunt maken en kunt versnellen met Pure Storage.