Dogodek AI Success Starts with AI Ready Data je združil strokovnjake in vodstvene predstavnike podjetij, ki so želeli razumeti, kako pripraviti podatkovno okolje, ki pobudam umetne inteligence dejansko omogoča rast, obvladovanje tveganj in predvidljive rezultate.
V hotelu Four Points by Sheraton Ljubljana Mons smo združili goste iz več kot štirideset podjetij. Program je izpostavil praktične pristope in rešitve, s katerimi lahko organizacije iz izoliranih AI eksperimentov napredujejo v zanesljive in stroškovno obvladljive projekte, ki temeljijo na trdnih podatkovnih arhitekturah.
Govorniki so dogodek oblikovali s kombinacijo strateških pogledov in konkretnih izkušenj s terena:
- Slavko Kastelic (CRMT) je izpostavil skrite pasti generativne in “agentske” UI in predstavil, zakaj brez premišljene arhitekture ni mogoče govoriti o zaupanju, sledljivosti in nadzoru.
- Lukas Zimmermann (Strategy) je predstavil, kako rešitvi Strategy Mosaic in Strategy One pomagata podjetjem graditi podjetniško inteligenco, pri čemer UI ne deluje kot skupek posameznih eksperimentov, ampak kot del enotne podatkovne zgodbe.
- Vid Podobnik (CRMT) je prikazal, kako univerzalni inteligentni sloj v Strategy Mosaic poenostavi dostop do konsistentnih, upravljanih podatkov za poslovne uporabnike in primere uporabe.
- Dirk Beerbohm (Exasol) je razložil, kako Exasol deluje kot zmogljiva analitična hrbtenica za UI, ki združuje visoko odzivnost, skalabilnost in predvidljive stroške, tudi pri zahtevnih obremenitvah.
- Andrej Gorenjšček (HPE, operated by Selectium) je pokazal, kako rešitve HPE podpirajo podatkovno suverenost, UI in učinkovito upravljanje velikih količin nestrukturiranih podatkov.
- Matej Petrovčič (CRMT) je zaokrožil dan s panelno razpravo, v kateri so udeleženci odkrito naslovili vprašanje, kako v praksi usklajevati tri elemente, ki si pogosto nasprotujejo: hitrost, stroške in nadzor.
Skupna točka vseh predstavitev je bila očitna. Organizacije, ki UI obravnavajo zgolj kot tehnološki eksperiment, brez urejenih podatkovnih temeljev in arhitekture, bodo pri skaliranju neizogibno naletele na omejitve.
Ključne ugotovitve
Razprave so se vztrajno vračale k nekaterim jasnim sporočilom:
- Garbage in = disaster out. Slaba, nekonsistentna ali nepopolna podatkovna slika pomeni prav tako nepredvidljive rezultate modelov in poslovna tveganja.
- Pri vsakem procesu, kjer sodeluje LLM, mora biti človeški pregled obvezen. Modeli so zmogljivi, niso pa nezmotljivi. Pri kritičnih procesih je človeški nadzor obvezen.
- Brez robustnega univerzalnega semantičnega sloja vas čaka kaos. Brez enotnih definicij in upravljane semantike organizacije hitro izgubijo usklajenost med oddelki, rezultati pa postanejo neprimerljivi in nezanesljivi.
- Kakovost podatkov. Kakovost podatkov. Kakovost podatkov. Če vam ostane še kaj časa, ponovno preverite kakovost podatkov. Brez kakovostnih podatkov v podjetju preprosto ne morete širiti projektov UI, ne da bi pri tem tvegali motenje v procesih in skokovito naraščanje stroškov.
Preprosto povedano: nehajte se igrati in najprej uredite temelje ali pa boste plačali ceno. To niso teorije, ampak izkušnje številnih projektov in konkretne posledice neurejenega podatkovnega okolja.
Ko se podjetja ozirajo proti letu 2026, se postavlja ključno vprašanje: Ali je vaše podatkovno okolje res pripravljeno na umetno inteligenco v velikem obsegu?
Če želite preveriti trenutno stanje in se pogovoriti o arhitekturah, ki lahko dolgoročno podprejo vaše AI pobude, nas kontaktirajte. Na CRMT vam namreč lahko pomagamo vzpostaviti podatkovne temelje, na katerih projekti UI dejansko delujejo.
