Ամբողջ աշխարհում ձեռնարկությունները բախվում են լուրջ գործառնական խոչընդոտների, երբ փորձում են արհեստական բանականության (ԱԲ) նախագծերը փորձնական փուլից փոխադրել ակտիվ արտադրական միջավայրեր։ Տվյալների կառավարմամբ զբաղվող Everpure ընկերության և Omdia վերլուծական գործակալության համատեղ հետազոտության համաձայն, որը հրապարակվել է TechEdt-ի կողմից, կազմակերպությունների ճնշող մեծամասնությունը՝ 97%-ը, ներկայումս դժվարանում է իր ԱԲ ծրագրերը զարգացնել նախնական փորձնական փուլից այն կողմ։ Ավելին, տեղեկատվական տեխնոլոգիաների (ՏՏ) ոլորտի ղեկավարների 62%-ը նշում է, որ այս գործընթացում բախվում է չափավոր կամ լուրջ դժվարությունների:
«Մութ տվյալների» մասշտաբներն ու վտանգները
Հետազոտության համաձայն՝ ներդրման այս խոչընդոտը հիմնականում պայմանավորված է «մութ տվյալների» (dark data) առկայությամբ։ Դրանք այն տեղեկություններն են, որոնք ձեռնարկությունները համակարգված կերպով հավաքում և պահպանում են իրենց ամենօրյա գործունեության ընթացքում, սակայն հետագայում երբեք չեն օգտագործում կամ վերլուծում որևէ գործնական նպատակով։ Հարցված կազմակերպությունների 99%-ը խոստովանել է, որ իրենց թվային համակարգերում առկա են նմանատիպ չօգտագործվող տվյալներ։ Ընդ որում, ընկերությունների 37%-ի մոտ այս չկառավարվող ակտիվները կազմում են իրենց ողջ կորպորատիվ տեղեկատվական բազայի 51%-ից մինչև 75%-ը։
Այս կուտակումների մեծ մասը բաղկացած է կրկնվող, հնացած և անկարևոր (ROT – Redundant, Obsolete, Trivial) տվյալներից։ Դրանք ներառում են փաստաթղթերի կրկնօրինակներ, հաճախորդների հին տվյալներ և ցածրարժեք վարչական ֆայլեր, որոնք խառնված են արժեքավոր կորպորատիվ տեղեկատվության հետ։ Քանի որ այս ֆայլերը դասակարգված չեն, դրանք ստեղծում են լրացուցիչ տեղեկատվական աղմուկ, մեծացնում են պահպանման ծախսերը և ընկերություններին ենթարկում անվտանգային ու համապատասխանության (compliance) լուրջ ռիսկերի։ Զարմանալի չէ, որ ՏՏ ղեկավարների 76%-ն այսօր «մութ տվյալները» դիտարկում է որպես լուրջ բիզնես վտանգ:
Կառուցվածքային բարդությունն ու տեսանելիության պակասը
ԱԲ համակարգերի հաջող գործարկման համար անհրաժեշտ են կազմակերպված և մաքուր տվյալների հոսքեր։ Սակայն զեկույցը ցույց է տալիս, որ ձեռնարկությունների 58%-ը դեռևս չունի տարրական տեսանելիություն սեփական տվյալների նկատմամբ։ Ղեկավարները հաճախ չգիտեն, թե կոնկրետ ինչ տեղեկատվություն ունեն, որտեղ է այն պահվում և արդյոք այն պիտանի է մեքենայական ուսուցման մոդելներին փոխանցելու համար:
Այս խնդիրն ավելի է խորանում ժամանակակից տեխնոլոգիական կառուցվածքի բարդության պատճառով։ Կորպորատիվ տվյալները ցրված են տարբեր հարթակներում՝ SaaS հավելվածներում, հիբրիդային ամպային տիրույթներում և տեղային (on-premises) սերվերներում։ ՏՏ ոլորտի ղեկավարների 68%-ը տվյալների ընդհանուր կառավարումը նշում է որպես իրենց գլխավոր մարտահրավեր, իսկ 63%-ը որպես հիմնական խոչընդոտ առանձնացնում է տարբեր համակարգերում տվյալների մասնատված պահպանումը։
Արժեքի և ռիսկերի գնահատման ռազմավարական մատրիցը
Everpure-ի տվյալների կառավարման բաժնի գլխավոր տնօրեն Աշիշ Գուպտան նշում է, որ անհնար է կառուցել վստահելի ԱԲ համակարգեր՝ հիմնվելով անվստահելի տվյալների վրա։ Որպես լուծում՝ ընկերությունն առաջարկում է բոլոր տվյալները դասակարգել ըստ արժեքի և ռիսկայնության աստիճանի՝ օգտագործելով չորս հիմնական ուղղությունները.
- Բարձր արժեք և ցածր ռիսկայնություն ունեցող տվյալներ. Պետք է առաջնահերթ կերպով օգտագործվեն ԱԲ մոդելների ուսուցման համար։
- Բարձր արժեք և բարձր ռիսկայնություն ունեցող տվյալներ. Պահանջում են խիստ վերահսկողություն և անվտանգության լրացուցիչ միջոցներ՝ նախքան ԱԲ համակարգերում ներառվելը։
- Ցածր արժեք և բարձր ռիսկայնություն ունեցող տվյալներ. Պետք է համակարգված կերպով արխիվացվեն կամ ջնջվեն՝ կարգավորող մարմինների հետ խնդիրներից խուսափելու համար։
- Ցածր արժեք և ցածր ռիսկայնություն ունեցող տվյալներ. Ենթակա են հեռացման՝ անհարկի պահպանման ծախսերը կրճատելու նպատակով։
Միայն տվյալների էկոհամակարգի հստակ գույքագրման և ROT տվյալների հեռացման միջոցով ընկերությունները կկարողանան հաջողությամբ կիրառել ԱԲ-ն իրենց առօրյա բիզնես գործընթացներում: