Umetna inteligenca vse pogosteje postaja glavna pot, po kateri uporabniki dostopajo do poslovnih podatkov. Ne bi pa smela biti tista, ki odloča o tem, kaj ti podatki pomenijo. Definicije, metrike in pravila dostopa morajo ostati upravljani zunaj AI-ja, v univerzalnem semantičnem sloju, da isto vprašanje vsakič vrne isti odgovor, ne glede na to, katero orodje ali model ga postavi.
Če tri različna AI orodja vprašate isto poslovno vprašanje, na primer “Kakšen je bil naš skupni prihodek v zadnjem četrtletju?”, obstaja povsem realna možnost, da boste dobili dobil tri različne odgovore. Ne zato, ker bi AI napačno razumel vprašanje, ampak zato, ker je vsako orodje definicijo “prihodka” povzelo iz drugega vira.
To je neprijetna resnica za hitrim vstopom umetne inteligence v poslovno analitiko: AI zelo dobro razume, kaj ga vprašamo. Veliko manj zanesljiv pa je pri odločanju, kaj naj odgovor pomeni, če ta pomen ni upravljan zunaj njega samega.
Razdrobljeni podatki in pomen niso nova težava
Večina podjetij analitike ne izvaja prek enega samega orodja. Prodaja morda uporablja eno BI platformo, trženje drugo, finance tretjo, vsaka pa ima svojo različico “prihodka”, “kupca” ali “marže”, vgrajeno neposredno v orodje. O tem, kako tak mozaik izvornih sistemov in vzporednih definicij metrik ustvarja poročila, ki so videti profesionalna, a si v resnici nasprotujejo, smo že pisali.
Dokler so razlike usklajevali ljudje, so bila ta razhajanja obvladljive. AI agenti pa ta človeški blažilnik odstranijo. Ko klepetalni robot ali AI agent odgovori takoj in samozavestno, nihče ne preveri, katero različico “prihodka” je uporabil v svojem odgovoru. Razdrobljenost, ki je bila ves čas prisotna, postane naenkrat veliko bolj vidna in veliko dražja.
Ko se dve AI orodji ne ujemata, mora nekdo številke še vedno ročno uskladiti, kar pomeni, da se “krajša pot do odgovora”, zaradi katere je AI tako privlačen, v resnici podaljša na račun ročnega preverjanja. Odločanje se upočasni ravno takrat, ko naj bi ga AI pospešil, ker ljudje ugotavljajo, kateremu rezultatu zaupati.
Vsako nerazrešeno neskladje hkrati tudi spodkopava zaupanje v samo orodje. Ko poslovni uporabnik ujame AI pomočnika pri dveh različnih odgovorih na isto vprašanje, mu praviloma preneha zaupati pri vsem, kar je pomembno, in se vrne k ročnemu preverjanju izvornega poročila. To je resnični strošek vrzeli v upravljanju pomena: ne ena napačna številka, ampak manj prihranjenega časa, počasnejše odločanje in manj zaupanja v prav tisto orodje, ki naj bi stvari pospešilo.
AI postaja glavna vstopna točka do poslovnih podatkov
Ni težko razumeti, zakaj se AI tako hitro širi znotraj poslovne analitike. Poslovnim uporabnikom omogoča bližnjico mimo nadzornih plošč, filtrov in oblikovanja poročil, naravnost do odgovora, izraženega v vsakdanjem jeziku. Finančni direktor lahko prejme odgovor na vprašanje, zakaj je v tretjem četrtletju upadla marža, ne da bi vedel, v kateri tabeli so podatki ali kako napisati poizvedbo.
Ta premik je pomemben iz treh razlogov:
1: Krajša pot do odgovora.
Uporabniki pridejo od vprašanja do odgovora, ne da bi brskali po več poročilih ali sami pisali poizvedbe.
2: Nižji vstopni prag.
Konkretna poslovna vprašanja dobijo konkretne odgovore brez potrebe po tehničnem ali BI znanju.
3: Nadzorovan dostop do podatkov, če je sistem pravilno zastavljen.
Samo če je AI povezan s pravilno upravljano poslovno logiko in pravili dostopa, lahko njegovi odgovori samodejno upoštevajo vloge uporabnikov in občutljivost podatkov.
Zadnja točka skriva velik “če”. Prednosti se obdržijo le, če je logika za odgovorom dosledna, ne glede na to, kateri vmesnik je vprašanje postavil.
Pogovor, pomen in poizvedba: tri ločene naloge
Najpogostejša napaka pri projektih AI in BI je, da ena sama komponenta, običajno jezikovni model sam, hkrati prevzame tri zelo različne odgovornosti.
Uporaba je aktivnost, kjer vprašanje vstopi v sistem in kjer se prikaže odgovor. To je pogovor v naravnem jeziku, z dodatnimi vprašanji in povzetki. Ta se lahko in mora razlikovati glede na to, kdo sprašuje. Vodstveni delavec morda uporablja AI pomočnika znotraj BI orodja, finančna ekipa morda dela znotraj svoje aplikacije, avtomatiziran delovni tok pa morda isto vprašanje postavi prek API-ja. Različni vmesniki so v redu, dokler ne postanejo različne ločene različice poslovanja.
Kontekst je tisto, kar podjetje dejansko razume pod pojmi “prihodek”, “kupec” ali “aktiven račun”: metrike, hierarhije, izračuni in pravila dostopov, ki surovemu podatku dajo poslovni pomen. To je sloj, ki mora biti definiran enkrat in ponovno uporabljen povsod. Če ni, lahko vsako AI orodje na koncu sestavi svojo razlago iz katere koli sheme ali poziva, do katerega ima dostop. Natanko to je razlog, da trije pomočniki na isto vprašanje postrežejo s tremi različnimi odgovori.
Izvedba je mesto, kjer upravljana zahteva postane dejanska poizvedba nad podatki podjetja. Tu je doslednost najpomembnejša: poslovno pravilo, ki mora vsakič vrniti isti odgovor, ne sme biti vsakič znova verjetnostno ustvarjeno z jezikovnim modelom. Ko si AI hkrati lasti razlago vprašanja in logiko poizvedbe, se lahko pojavijo majhne razlike, še preden je podatek sploh dosežen. Isto vprašanje lahko tiho ubere drugačno pot, odvisno od modela, poziva ali dneva poizvedbe.
Povedano preprosto: pogovor se lahko spreminja in odvija po svoje. Pomen za njim pa ne. Poizvedba, ki na koncu doseže bazo podatkov, se mora vsakič obnašati enako in operirati z enakimi pomeni.
Semantični sloj poskrbi, da si AI pomena ne izmišljuje sam
Prav to vrzel zapolnjuje univerzalni semantični sloj. Nahaja se med AI (ali katerim koli BI orodjem) in podatkovnimi platformami v ozadju ter vsebuje upravljane definicije, razmerja in pravila dostopov do podatkov, iz katerih naj črpa vsak vmesnik, namesto da si vsako orodje izdela svojo različico.
O tem, kako to ščiti občutljive podatke in podpira skladnost, smo podrobneje že pisali. Poleg tega pa je pomemben še drug vidik: zaupanje v odgovor. Ko definicije metrik živijo na enem upravljanem mestu, AI agentu ni treba ugibati, kaj pomeni “prihodek”. Podeduje definicijo, ki je že potrjena in skladna s tem, kar bi sodelavec rad videl na nadzorni plošči.
Strategy Mosaic je zgrajen natanko okrog te ločitve. AI upravlja pogovor. Mosaic hrani poslovno logiko. Deterministični mehanizem SQL upravljane zahteve pretvori v poizvedbe, s čimer del sistema, ki se ne sme spreminjati, ostane zunaj rok jezikovnega modela, ki po svoji zasnovi vsakič, ko mu postaviš isto vprašanje, ustvari rahlo drugačen odgovor.
Kaj to pomeni za vodstva in IT pri uvajanju AI?
AI v analitiki ni le trenutna modna muha: hitro namreč postaja glavni način, kako ljudje delajo s podatki podjetja. To je dobro za dostopnost. A ostane dobro le, če je poslovna logika za vsakim odgovorom upravljana enkrat, centralno in dosledn, ne glede na to, prek katerega orodja, modela ali vmesnika je prišlo vprašanje.
Cilj ni, da se AI ločeno doda na vsako obstoječe BI orodje. Cilj je zagotoviti, da vsako orodje črpa iz iste, zaupanja vredne razlage poslovnih pojmov, kot jih razume podjetje.
Poslovna logika ne bi smela biti prepuščena naključju jezikovnega modela. Kot dolgoletni Strategy partner vam pomagamo postaviti ustrezne temelje za zaupanje vsakemu AI odgovoru, ne glede na to, od kod prihaja. Kontaktirajte nas in se dogovorite za predstavitev.