Կարո՞ղ են ընկերությունները պաշտպանել տվյալները՝ չնվազեցնելով AI-ի հուսալիությունը

Արհեստական բանականության մեջ ավելացող ներդրումների ֆոնին ընկերությունները բախվում են անսպասելի խոչընդոտի. անհրաժեշտ են տվյալներ, որոնք միաժամանակ և՛ պաշտպանված են, և՛ օգտագործելի։ The New Stack-ում հրապարակված հովանավորված հոդվածում Perforce Delphix-ի ավագ արտադրանքի մենեջեր Mayank Ahluwalia-ն նկարագրում է, թե ինչպես են գաղտնիության նախաձեռնությունները դժվարացնում հասանելիությունը տվյալների այն հավաքածուներին, որոնց վրա հենվում են արհեստական բանականության և ինժեներական թիմերը։

Թվերը խոչընդոտի հետևում

Հոդվածը հիմնվում է Perforce Delphix-ի «2026 State of AI and Data Privacy Report» զեկույցի վրա։ Հարցված կազմակերպությունների 26%-ը նշում է, որ գաղտնիության վերահսկիչները դժվարացնում են արտադրական որակի տվյալների ստացումը, իսկ 25%-ը դժվարանում է պահպանել կապերը տվյալների միավորների միջև։ Հարցվածների 51%-ը նշում է տվյալների որակի խնդիրներ, իսկ 84%-ը ընդունում է, որ ոչ արտադրական միջավայրերում ունի տվյալների գաղտնիության բացառություն։ Սա վկայում է, որ ընկերությունները դեռևս ընտրում են համապատասխանության և նորարարության միջև, փոխարենը՝ հաշտեցնելու երկուսը։

«Տվյալների պաշտպանությունը բավարար չէ, եթե դրանք այլևս չեն կարող սպասարկել այն համակարգերը, որոնք կախված են դրանցից», գրում է Ahluwalia-ն։ Նրա խոսքով՝ ցածր որակի տվյալները հանգեցնում են ոչ ճշգրիտ վերլուծությունների, վատ մարզված մոդելների, թեստերի ոչ ամբողջական ծածկույթի, ավելորդ վերամշակման և թողարկումների ուշացման։

Ինչու է կապերի ամբողջականությունը կարևոր

Զգայուն դաշտերի քողարկումը խնդրի միայն մի մասն է։ Եթե պաշտպանության ընթացքում գրառումների միջև կապերը կոտրվում են, տվյալներն այլևս չեն նմանվում իրականությանը. հաճախորդի, պատվերի կամ վճարման գրառումը կարող է դեռ գոյություն ունենալ, սակայն մի քանի աղյուսակ ընդգրկող հաշվարկային ստուգումը այլևս չի կարող ճիշտ արդյունք տալ։ Վերլուծական փոխանցումները կախված են հետևողական նույնացուցիչներից, մեքենայական ուսուցումը՝ ամբողջական բիզնես համատեքստից, իսկ թեստավորումը՝ գրառումների միջև իրատեսական կապերից։

Նման ձախողումները դժվար է նկատել, քանի որ փոխանցումները շարունակում են աշխատել և լուռ արտադրում են վատթարացած արդյունքներ։ Այդ պատճառով հարցված կազմակերպությունների մեկ քառորդը գրառումների միջև կապերի պահպանումը նշել է որպես լուրջ մարտահրավեր։

Համապատասխանության չափիչներից՝ տվյալների ռազմավարություն

Հեղինակը խորհուրդ է տալիս գաղտնիության նախաձեռնությունները գնահատել ոչ միայն համապատասխանության չափիչներով, այլև տվյալների որակով, իրատեսությամբ, կապերի ամբողջականությամբ, հասանելիությամբ և տրամադրման արագությամբ։ Նա առաջարկում է կառավարումը սկզբից ներառել աշխատանքային հոսքերում՝ քարտեզագրելով տվյալների ամբողջ կենսացիկլը՝ հարցումից ու հայտնաբերումից մինչև վերաօգտագործում և արխիվացում, և կիրառել համակցված մոտեցում՝ վիրտուալացում արագության համար, քողարկում՝ անվտանգության, սինթետիկ տվյալներ՝ սցենարների ծածկույթի համար։

«Արհեստական բանականության դարաշրջանում վճռորոշ մրցակցային առավելությունը կարող են դառնալ ոչ թե մոդելի արագ արդյունքը, այլ վստահելի տվյալները», եզրափակում է Ahluwalia-ն։