Успех ИИ начинается с чистых данных, а не только с лучших моделей

Kristy Mayer — Mejia из Kraken говорит, что объединение и приведение данных к качественным стандартам — обязательное условие для масштабного использования ИИ;

Успех проектов на базе искусственного интеллекта во многом зависит не от новых моделей, а от качества и единства данных, с которыми эти модели работают. В интервью автору Aly McGue Kristy Mayer — Mejia, Global Head of Data Transformation в Kraken, подчёркивает, что чистая, унифицированная информация — фундаментальная предпосылка любой масштабируемой инициативы по внедрению ИИ и машинного обучения.

Kraken описывает себя как операционную систему на базе ИИ, обслуживающую одних из крупнейших энергетических и коммунальных компаний мира. Платформа управляет более чем 90 миллионами клиентских аккаунтов в 27 странах и работает с такими клиентами, как EDF, E.ON, National Grid и Tokyo Gas. Внутренней платформой данных Kraken служит Databricks; компании также сотрудничают, чтобы помогать клиентам получать максимальную пользу от данных через защищённое и масштабируемое распространение информации.

Mayer — Mejia возглавляет команду, которая помогает клиентам Kraken понять, принять и извлечь ценность из передаваемых данных. Её две основные задачи — сократить время, необходимое для того, чтобы клиенты начали использовать данные, и повысить ту самую ценность, которую организации получают от этих данных. По её словам, техническое обеспечение — лишь часть работы; равнозначно важно обеспечить бизнес‑контекст и ответственность за данные внутри клиентов. По мнению собеседницы, платформы вроде Kraken и Databricks решают «фундаментальную задачу унификации»: собирают разрозненные источники в единое хранилище, делая возможным последующую автоматизацию и аналитику в масштабе. Однако после технической интеграции многие руководители недооценивают следующее звено — перевод объединённых данных в понятный бизнес‑контекст, присвоение им владельцев и обеспечение их применимости для конкретных операционных решений.

Mayer — Mejia отмечает, что низкое качество и «силосность» данных остаются самой большой преградой для получения отдачи от других инвестиций. Пока данные не сведены в одно место и не приведены к согласованным стандартам, никакие модели или аналитические решения не смогут работать устойчиво и эффективно. Kraken ориентирует свою платформу именно на устранение этого барьера, чтобы остальные инициативы стали «проблемой бизнеса», а не технологии. Вывод, который делает собеседница: данные следует рассматривать как актив бизнеса, а не как сугубо ИТ‑платформу. Организации, которые добиваются заметного преимущества, комбинируют техническую унификацию данных с глубоким отраслевым контекстом, ясным распределением ответственности и развитием культуры работы с данными — только тогда инвестиции в ИИ превращаются в измеримую пользу.