Amalan ‘Pengurusan Data’ yang Menentukan Kejayaan atau Kegagalan Pengenalan AI

Detik ‘Kebiasaan’ AI Generatif Berubah

Adakah terdapat pengurus yang mula menggunakan ChatGPT atau Claude dalam syarikat dan merasakan hasilnya tidak setinggi yang diharapkan? Walaupun cuba mengautomasikan respons pertanyaan, ketepatannya rendah dan akhirnya manusia perlu menyemak semula, menyebabkan kerja berganda. Walaupun meminta ringkasan dokumen dalaman, nombor atau syarat penting tertinggal. Ramai syarikat hanya menyentuh permukaan ‘kemudahan’ AI generatif tanpa menyedari isu asas.

Konsep ‘AI Ready’ yang didakwa oleh Hitachi adalah jawapan jelas untuk isu ini. Mereka menekankan bahawa faktor terbesar yang mempengaruhi ketepatan jawapan AI generatif adalah ‘pengurusan data’. Walaupun model AI canggih diperkenalkan, jika data yang diberikan tidak teratur, kualiti output tidak akan meningkat. Ini adalah fakta yang saya sendiri rasai melalui pengalaman membantu pengenalan AI untuk lebih daripada 38 pelanggan.

Artikel ini memberi tumpuan kepada ‘pengurusan data’ ini dan menerangkan kaedah praktikal untuk pengurus atau CTO menjadikan data syarikat mereka dalam keadaan ‘boleh digunakan oleh AI’. Dari perspektif keputusan pengurusan dan pulangan atas pelaburan (ROI), bukan teori teknikal, saya akan kongsikan langkah praktikal yang perlu dimulakan sekarang.

Intipati ‘AI Ready’ Terletak pada Kualiti dan Struktur Data

Dakwaan Hitachi adalah jelas. Prestasi AI generatif tidak hanya ditentukan oleh keupayaan model itu sendiri, tetapi sangat bergantung pada ‘kualiti’ dan ‘keadaan pengurusan’ data yang digunakan untuk pembelajaran atau inferens. Dalam kata lain, tidak kira seberapa canggih enjin AI yang dipasang, jika petrol (data) tidak tulen dan sistem bekalan (pengurusan data) tidak teratur, kereta tidak dapat menunjukkan prestasi sebenarnya.

Kesilapan yang dilakukan oleh ramai syarikat adalah bermula dengan kontrak alat AI (seperti ChatGPT Enterprise atau Claude Team). Namun, ini seperti memilih perabot mewah terlebih dahulu ketika membina rumah, kemudian memikirkan susun atur atau kerja asas. Pengenalan AI tanpa persekitaran data asas yang teratur akan mengurangkan ROI dengan ketara.

Dalam kes perundingan saya, seorang pelanggan dalam sektor pembuatan memperkenalkan AI respons automatik untuk pertanyaan pelanggan, tetapi data pertanyaan lepas disimpan dalam pelbagai format yang berasingan seperti PDF, e-mel, faks kertas, Excel. Hasil melatih AI tanpa menyelesaikan keadaan ‘silo data’ ini menyebabkan respons tidak konsisten dan akhirnya hanya merumitkan proses kerja sedia ada. Apabila mengatur data selepas itu, ia mengambil masa dan kos lebih daripada dua kali ganda kos pengenalan AI.

Pengurusan Data Menentukan ROI

Sebagai pengurus, perkara yang paling membimbangkan mungkin kos berbanding keberkesanan. Pelaburan dalam pengurusan data kelihatan membosankan dan sukar untuk melihat hasil langsung, jadi ia cenderung ditangguhkan. Namun, pelaburan di sinilah yang menentukan ROI untuk semua penggunaan AI seterusnya.

Dalam kes syarikat saya sendiri, kami menggunakan AI dalam 29 bidang kerja seperti penghantaran automatik SNS, penjanaan artikel WordPress, semakan kontrak, dan mencapai pengurangan 1,550 jam setahun (ROI 2,989%). Asas untuk ini adalah kerja ‘pemiawaian data’ yang mengambil masa kira-kira 80 jam pada peringkat awal. Kami menyelaraskan format yang berbeza untuk setiap kerja, menguruskan kebenaran akses, dan memperjelas aliran kemas kini. Tanpa pelaburan ini, pembinaan saluran paip automasi seterusnya adalah mustahil.

Penyediaan pengurusan data bukan sekadar persediaan awal untuk penggunaan AI. Ia adalah ‘pengukuhan asas pengurusan’ yang meningkatkan nilai aset maklumat dalaman itu sendiri, menghapuskan kebergantungan pada individu, dan mempercepatkan keputusan.

3 Amalan Pengurusan Data yang Perlu Dimulakan oleh Pengurus Sekarang

Jadi, apa yang perlu dilakukan terlebih dahulu? Saya perkenalkan 3 langkah praktikal yang boleh dimulakan esok tanpa pelaburan IT besar-besaran atau pengambilan pakar.

Langkah 1: ‘Kajian Inventori’ Data dan Penetapan Keutamaan

Pertama, fahami jenis data yang wujud dalam syarikat dan keadaannya. Melakukan inventori seluruh syarikat sekaligus adalah sukar, jadi mulakan dengan menumpukan pada ‘satu kerja yang dijangka memberi kesan tertinggi melalui AI’.

Contohnya, jika bertujuan untuk mengautomasikan e-mel respons pelanggan, sasaran adalah e-mel pertanyaan lepas dan balasannya, manual prosedur, koleksi Soalan Lazim, spesifikasi produk, dll. Senaraikan di mana dan dalam format apa data ini berselerak, seperti folder peribadi Outlook, SharePoint, NAS jabatan, fail kertas, dll.

Pada masa ini, yang penting adalah tidak mengejar ‘kesempurnaan’. Mulakan dengan data setahun terkini, dan memadai jika corak utama dapat diliputi. Kajian ini memerlukan temu bual dengan orang penting setiap jabatan. Dengan pengurus sendiri menyampaikan tujuan dengan jelas, “Saya ingin meningkatkan kecekapan kerja ini dengan AI. Untuk itu, saya perlu mengatur data,” kerjasama tempat kerja lebih mudah diperoleh.

Langkah 2: ‘Penukaran untuk AI’ dan Pemiawaian Data

Setelah lokasi data difahami, seterusnya tukarkannya kepada format yang mudah dipelajari dan diproses oleh AI. Kata kunci di sini adalah ‘struktur’ dan ‘pemberian metadata’.

Daripada memasukkan data tidak berstruktur (kandungan e-mel, kandungan PDF) terus ke AI, aturkannya dalam format tertentu. Contohnya, untuk e-mel pertanyaan pelanggan, ekstrak item seperti ‘Tarikh/Masa Pertanyaan’, ‘ID Pelanggan’, ‘Kategori Pertanyaan (Pesanan/Aduan/Pertanyaan)’, ‘Kandungan’, ‘Staf Bertanggungjawab’, ‘Bendera Selesai’, dan ringkaskan dalam format jadual (CSV atau Excel).

Kerja ini kelihatan menyusahkan pada pandangan pertama, tetapi di sini AI generatif itu sendiri adalah berkesan. Saya menggunakan Claude Code untuk menganalisis log e-mel pelbagai format dan mencipta skrip yang mengekstrak data berstruktur secara automatik dalam beberapa jam. Dengan cara ini, kerja mengatur data itu sendiri juga boleh dipermudahkan dengan penggunaan AI kecil. Pelaburan awal hanyalah kos alat AI sekitar RM21,000 sebulan dan masa percubaan beberapa hari.

Langkah 3: Pembinaan Sistem ‘Penyelenggaraan Berterusan’ Data

Yang paling penting adalah mewujudkan sistem untuk mengekalkan data yang telah diatur sebagai ‘aset cair’. Pengurusan data bukan acara, tetapi proses berterusan.

Secara khusus, tetapkan peraturan seperti berikut:

• Peraturan Penciptaan Data: Apabila pertanyaan baru timbul, pastikan direkodkan dalam format yang ditetapkan (contoh: sistem CRM dengan tag kategori tertentu).
• Aliran Kemas Kini: Apabila manual atau Soalan Lazim diubah, siapa yang bertanggungjawab, bila, dan data mana yang perlu dikemas kini.
• Semakan Kualiti: Sebulan sekali, sahkan ketepatan jawapan yang dihasilkan oleh AI melalui pensampelan dan tentukan sama ada punca penurunan ketepatan adalah kerana data usang.

Untuk pembinaan sistem ini, kunci kejayaan adalah melibatkan bukan sahaja jabatan IT, tetapi juga ketua jabatan tempat kerja yang benar-benar menggunakan data tersebut. Pengurusan data perlu diakui sebagai ‘penyediaan asas untuk memudahkan kerja sendiri’, bukan ‘paksaan dari atas’.

Kajian Kes: Apa yang Ditunjukkan oleh Pengoptimuman Respons E-mel Tokyo Power EP

Kes Tokyo Power Energy Partner (EP) oleh Virtualex yang diperkenalkan pada awal adalah contoh baik yang membuktikan kepentingan pengurusan data ini. Mereka bukan sekadar memperkenalkan ‘AI balas automatik e-mel’.

Membaca laporan dengan teliti, apa yang mereka lakukan adalah ‘pengoptimuman proses kerja’. Mungkin, mereka mengklasifikasikan corak pertanyaan yang tidak terhitung, dan membina ‘pangkalan pengetahuan’ yang menghubungkan teks respons sesuai, peruntukan peraturan berkaitan, kes serupa lepas, dll. Kemudian, mereka membina sistem AI yang memadankan e-mel yang diterima dengan pangkalan pengetahuan itu dan menjana/mencadangkan respons optimum.

Pembinaan ‘pangkalan pengetahuan’ inilah teras pengurusan data. AI menunjukkan ketepatan berguna dari segi perniagaan hanya apabila bersentuhan dengan data berkualiti tinggi yang diatur dan dihubungkan. Kes Tokyo Power EP boleh dikatakan berjaya kerana menganggap projek AI sebagai ‘semula reka bentuk kerja dan data’, bukan ‘pengenalan teknologi’.

Strategi Data dengan Memandang ke Era ‘AI Buatan Domestik’

Berita pembangunan model asas AI buatan domestik oleh SoftBank, NEC, Sony, Honda akan meningkatkan lagi kepentingan pengurusan data. Berbeza dengan model umum seperti GPT OpenAI atau Claude Anthropic, model domestik dijangka khusus untuk amalan perniagaan Jepun, undang-undang, bahasa (bahasa hormat, istilah industri).

Ini adalah peluang besar. Jika data syarikat anda diatur dan dalam keadaan ‘AI Ready’, apabila model AI domestik ini dikeluarkan, anda boleh membina ejen AI berketepatan tinggi khusus untuk kerja syarikat anda dengan pantas. Sebaliknya, syarikat yang datanya tidak teratur perlu memulakan kerja pengaturan dari awal lagi dan ketinggalan dalam persaingan.

Kemunculan AI domestik bukan sekadar ‘pilihan alat bertambah’. Ia adalah pertanda ‘peralihan paradigma’ di mana nilai aset data syarikat sendiri menjadi lebih ketara daripada sebelumnya. Pengurus perlu merancang strategi bagaimana membesarkan, mengurus, dan menggunakan data syarikat sendiri, lebih daripada memilih model AI, dari sekarang.

Ringkasan: Pengurusan Data adalah Pelaburan AI Terbaik

Laluan terpendek untuk berjaya memperkenalkan AI generatif bukan mengejar model terkini, tetapi mengatur persekitaran data di bawah kaki. Jalan ke ‘AI Ready’ yang didakwa Hitachi tidak lain adalah amalan pengurusan data yang berpijak di bumi.

Yang perlu dimulakan adalah 3 langkah bermula dari kajian inventori data. Pelaburan ini tidak menunjukkan hasil yang kelihatan serta-merta. Namun, ini adalah pelaburan paling kos efektif yang menyuburkan tanah untuk semua penggunaan AI. Apabila aset maklumat syarikat diatur dalam bentuk ‘boleh digunakan oleh AI’, barulah AI generatif menunjukkan kuasa yang dijanjikan dan menjadi senjata yang mengubah kebolehulangan dan kebolehskalaan pengurusan dari asas.

Pengurusan data tidak akan berjaya jika diserahkan sepenuhnya kepada jabatan teknologi. Ia adalah salah satu keputusan pengurusan paling penting yang bermula dari kepimpinan pengurus sendiri yang memahami bahawa maklumat adalah sumber pengurusan moden.