एआई/एमएल सिस्टम के लिए डेटा गवर्नेंस का उपयोग कैसे करें

आपका संगठन नवोन्मेषी डेटा-आधारित टूल की नींव बनाने के लिए AI/ML के लिए डेटा गवर्नेंस का उपयोग कर सकता है। छवि: गोरोडेनकॉफ/एडोब स्टॉक ) डेटा शासन आश्वासन देता है कि डेटा उपलब्ध, सुसंगत, प्रयोग करने योग्य, विश्वसनीय और सुरक्षित है। यह एक अवधारणा है जिसके साथ संगठन संघर्ष करते हैं, और जब बड़े डेटा और कृत्रिम बुद्धिमत्ता और मशीनी भाषा जैसे सिस्टम तस्वीर में प्रवेश करते हैं, तो आगे बढ़ जाता है। संगठन जल्दी से महसूस करते हैं कि एआई/एमएल सिस्टम पारंपरिक, निश्चित रिकॉर्ड सिस्टम से अलग तरीके से काम करते हैं। एआई/एमएल के साथ, उद्देश्य एक मूल्य वापस करना नहीं है या एकल लेनदेन की स्थिति। इसके बजाय, एक एआई/एमएल सिस्टम डेटा के पेटाबाइट्स के माध्यम से एक प्रश्न या एल्गोरिदम के उत्तर की तलाश करता है जो थोड़ा सा खुला हुआ प्रतीत होता है। डेटा को समानांतर-संसाधित किया जाता है जिसमें डेटा के थ्रेड्स को एक साथ प्रोसेसर में फीड किया जाता है। बड़ी मात्रा में डेटा एक साथ और अतुल्यकालिक रूप से संसाधित किया जा रहा है, आईटी द्वारा अग्रिम रूप से प्रसंस्करण की गति के लिए निकाला जा सकता है। देखें: हायरिंग किट: डेटाबेस इंजीनियर (TechRepublic Premium) यह डेटा कई अलग-अलग आंतरिक और बाहरी स्रोतों से आ सकता है। प्रत्येक स्रोत का डेटा एकत्र करने, क्यूरेट करने और संग्रहीत करने का अपना तरीका होता है – और यह आपके अपने संगठन के शासन मानकों के अनुरूप हो भी सकता है और नहीं भी। फिर एआई की ही सिफारिशें हैं। क्या आप उन पर भरोसा करते हैं? ये कुछ ऐसे प्रश्न हैं जिनका कंपनियों और उनके लेखा परीक्षकों का सामना करना पड़ता है क्योंकि वे AI/ML के लिए डेटा गवर्नेंस पर ध्यान केंद्रित करते हैं और ऐसे टूल की तलाश करते हैं जो उनकी मदद कर सकें। सुनिश्चित करें कि आपका डेटा सुसंगत और सटीक है यदि आप से डेटा एकीकृत कर रहे हैं आंतरिक और बाहरी लेन-देन प्रणाली, डेटा को मानकीकृत किया जाना चाहिए ताकि यह अन्य स्रोतों से डेटा के साथ संचार और मिश्रण कर सके। एप्लिकेशन प्रोग्रामिंग इंटरफेस जो कई प्रणालियों में पूर्वनिर्मित होते हैं ताकि वे अन्य प्रणालियों के साथ डेटा का आदान-प्रदान कर सकें, यह सुविधा प्रदान करता है। यदि उपलब्ध एपीआई नहीं हैं, तो आप ईटीएल टूल का उपयोग कर सकते हैं, जो एक सिस्टम से डेटा को एक ऐसे प्रारूप में स्थानांतरित करते हैं जिसे दूसरा सिस्टम पढ़ सकता है। यदि आप फ़ोटोग्राफ़िक, वीडियो और ध्वनि ऑब्जेक्ट जैसे असंरचित डेटा को जोड़ने पर, ऑब्जेक्ट-लिंकिंग टूल हैं जो इन ऑब्जेक्ट्स को एक दूसरे से लिंक और संबंधित कर सकते हैं। ऑब्जेक्ट-लिंकर का एक अच्छा उदाहरण एक जीआईएस सिस्टम है, जो एक विशेष सेटिंग के लिए एक पूर्ण भौगोलिक संदर्भ देने के लिए फोटोग्राफ, स्कीमैटिक्स और अन्य प्रकार के डेटा को जोड़ता है।

पुष्टि करें कि आपका डेटा प्रयोग करने योग्य है हम अक्सर प्रयोग करने योग्य डेटा के बारे में सोचते हैं डेटा जिसे उपयोगकर्ता एक्सेस कर सकते हैं – लेकिन यह उससे कहीं अधिक है। यदि आपके द्वारा बनाए रखा डेटा अप्रचलित होने के कारण अपना मूल्य खो चुका है, तो इसे शुद्ध किया जाना चाहिए। आईटी और अंतिम व्यवसाय उपयोगकर्ताओं को इस बात पर सहमत होना होगा कि डेटा को कब शुद्ध किया जाना चाहिए। यह डेटा प्रतिधारण नीतियों के रूप में आएगा।

ऐसे अन्य अवसर भी हैं जब एआई/एमएल डेटा को शुद्ध किया जाना चाहिए। ऐसा तब होता है जब एआई के लिए डेटा मॉडल बदल दिया जाता है, और डेटा अब मॉडल में फिट नहीं बैठता है। एआई/एमएल शासन ऑडिट में, परीक्षक उम्मीद करेंगे कि दोनों प्रकार के डेटा पर्ज के लिए लिखित नीतियों और प्रक्रियाओं को देखने के लिए। वे यह देखने के लिए भी जांच करेंगे कि आपकी डेटा शुद्ध करने की प्रथाएं उद्योग मानकों के अनुपालन में हैं या नहीं। बाजार में कई डेटा पर्ज टूल और उपयोगिताएं हैं।

सुनिश्चित करें कि आपका डेटा विश्वसनीय है परिस्थितियां बदलती हैं: एक एआई/एमएल प्रणाली जो एक बार काफी कुशलता से काम करती है, प्रभावशीलता खोना शुरू कर सकती है। आप यह कैसे जानते हैं? पिछले प्रदर्शन और अपने आसपास की दुनिया में जो हो रहा है, उसके खिलाफ एआई/एमएल परिणामों की नियमित रूप से जांच करके। अगर आपके AI/ML सिस्टम की सटीकता आपसे दूर जा रही है, तो आपको इसे ठीक करना होगा।

Amazon हायरिंग मॉडल एक बेहतरीन उदाहरण है। अमेज़ॅन की एआई प्रणाली ने निष्कर्ष निकाला कि पुरुष नौकरी आवेदकों को किराए पर लेना सबसे अच्छा था क्योंकि सिस्टम पिछले भर्ती प्रथाओं को देख रहा था, और किराए पर लेने वालों में से अधिकतर पुरुष थे। जो मॉडल आगे बढ़ने के लिए समायोजित करने में विफल रहा, वह उच्च योग्य महिला आवेदकों की अधिक संख्या थी। एआई/एमएल सिस्टम सच्चाई से दूर हो गया था और इसके बजाय सिस्टम में काम पर रखने के पूर्वाग्रहों को बोना शुरू कर दिया था। एक नियामक दृष्टिकोण से, एआई अनुपालन से बाहर था।

देखें: आर्टिफिशियल इंटेलिजेंस नैतिकता नीति (TechRepublic Premium)

Amazon ने अंततः सिस्टम को लागू कर दिया – लेकिन कंपनियां कर सकती हैं इन त्रुटियों से बचें यदि वे नियमित रूप से सिस्टम के प्रदर्शन की निगरानी करते हैं, पिछले प्रदर्शन के खिलाफ इसकी जांच करते हैं और बाहरी दुनिया में क्या हो रहा है, इसकी तुलना करते हैं। यदि एआई/एमएल मॉडल सिंक से बाहर है, तो इसे समायोजित किया जा सकता है।

एआई/एमएल उपकरण हैं जो डेटा वैज्ञानिक मॉडल बहाव को मापने के लिए उपयोग करते हैं, लेकिन व्यावसायिक पेशेवरों के लिए बहाव की जांच करने का सबसे सीधा तरीका ऐतिहासिक प्रदर्शन के साथ एआई/एमएल सिस्टम के प्रदर्शन की तुलना करना है। उदाहरण के लिए, यदि आपको अचानक मौसम पूर्वानुमान % कम सटीक लगता है, तो यह समय डेटा और एल्गोरिदम की जांच करने का है कि आपका AI /एमएल सिस्टम चल रहा है।