Porządek w danych przed wdrożeniem AI: model nie posprząta za system

W jednym systemie klient jest aktywny, w drugim zamknięty, a w arkuszu oznaczony na żółto. Wdrożenie AI nie rozstrzygnie samo, który zapis opisuje bieżącą relację. Najpierw trzeba ustalić znaczenie statusu i źródło, z którego wolno korzystać przy określonym zadaniu. Dopiero wtedy model może pomóc w analizie lub przygotowaniu odpowiedzi.

Nie oznacza to obowiązku uporządkowania wszystkich danych w firmie przed pierwszą próbą. Przy projekcie AI dla firmy wybierzmy źródła potrzebne do konkretnego wyniku. Im dokładniej wyznaczymy tę granicę, tym łatwiej rozpoznamy braki, które naprawdę przeszkadzają.

Nazwij pole tak, żeby dwie osoby rozumiały je podobnie

Zacznij od danych wpływających na decyzję. Przy obsłudze zamówień może to być termin potwierdzony, termin oczekiwany i przewidywana dostawa. Jeśli wszystkie mieszczą się w kolumnie „data”, model otrzyma problem, którego autor arkusza sam nie rozwiązał. Zapisz znaczenie, format i źródło ważnych wartości.

Takie ustalenia przydają się również w dashboardzie opartym na definicjach wskaźników. Wynik analizy AI i raport na ekranie powinny odnosić się do tych samych pojęć. W przeciwnym razie zespół będzie porównywać liczby pozornie opisujące tę samą sytuację.

Oddziel brak wartości od wartości zerowej i od pola nieużywanego w danym przypadku. Ustal, kto może poprawić zapis oraz czy poprawka ma zmieniać historyczny wynik. To drobne decyzje projektowe, które później pozwalają odpowiedzieć, dlaczego narzędzie pokazało określoną informację. Puste pole nie powinno być zaproszeniem do literackiej twórczości modelu.

Zbierz definicje w miejscu dostępnym dla użytkownika i wykonawcy. Do pola dopisz przykład poprawnej wartości oraz przypadek, który wymaga wyjaśnienia. Kiedy zespół zmieni znaczenie statusu, oznacz datę i zakres zmiany. Dzięki temu późniejszy raport nie będzie udawał, że dane z dwóch okresów opisują dokładnie to samo. Taki zapis pomaga również wdrożyć nową osobę bez odtwarzania ustaleń z rozmów.

Ustal tożsamość rekordów

Przy łączeniu systemów potrzebujesz sposobu rozpoznania tej samej sprawy, produktu lub kontrahenta. Nazwa może być pomocniczą wskazówką, lecz powinna zostać oceniona pod kątem pomyłek. Dwa oddziały tej samej organizacji mogą mieć podobne nazwy i różne ustalenia. Jedna zmiana pisowni nie musi oznaczać nowego klienta.

W tekście o integracji systemów i źródle danych opisujemy ustalanie, który system odpowiada za dane pole. Przy AI dochodzi potrzeba zachowania podstawy odpowiedzi: identyfikatora rekordu, dokumentu lub wersji materiału. Bez tego trudno poprawić błąd i sprawdzić, kogo dotyczył.

Jeśli model proponuje łączenie podobnych zapisów, zostaw kontrolowaną drogę zatwierdzenia i odwrócenia zmiany. Nie zaczynaj od zbiorczego scalania całej bazy. Najpierw przygotuj przypadki, w których podobieństwo nazwy jest mylące. Fałszywe połączenie dwóch spraw może być trudniejsze do wykrycia niż pozostawiony duplikat.

Jakość materiału wejściowego ma znaczenie także dla zdjęć produktów. Sprawdź, kiedy AI może poprosić o nowe ujęcie i dlaczego niepewny wynik wymaga przeglądu.

Aktualność jest częścią danych

Przy każdym źródle ustal, kiedy powstaje aktualizacja i kiedy widzi ją aplikacja. Wczytanie pliku raz na dobę może wystarczać do jednego zadania, a być niewłaściwe przy innym. Wymagany czas odświeżenia powinien wynikać ze skutku decyzji, nie z domyślnej opcji integracji.

Dotyczy to zarówno AI wspierającej planowanie produkcji, jak i asystenta szukającego firmowych instrukcji. W pierwszym przypadku brak świeżego statusu może ukryć przestój. W drugim wycofany dokument może nadal kształtować odpowiedź. Użytkownik powinien rozpoznać źródło i ograniczenie aktualności.

Osobno zaprojektuj zmianę uprawnień. Dokument może zachować treść, chociaż zmieniła się lista osób mających do niego dostęp. Takie zdarzenie musi dotrzeć do warstwy korzystającej ze źródeł. Opisujemy to szerzej przy uprawnieniach do dokumentów w RAG.

Przygotuj próbkę, która pokaże prawdziwe trudności

Wybierz materiały reprezentujące zwykłe sprawy, ale również braki, sprzeczności i zmiany. Nie czyść próbki tak starannie, że przestanie przypominać codzienną pracę. Zaznacz, które problemy naprawiamy przed próbą, a które system ma rozpoznać i przekazać do wyjaśnienia. To pozwoli ocenić rezultat bez mylenia przygotowania danych z działaniem AI.

Dokumentacja NIST dotycząca zarządzania ryzykiem AI podkreśla potrzebę pracy w kontekście zastosowania. W praktyce wykonawczej oznacza to udział osoby znającej źródła i skutki błędu. Przy integracji danych w Archifutura potrzebujemy jej decyzji o znaczeniu pól i zasadzie rozstrzygania rozbieżności. Kod może te reguły wdrożyć, lecz nie powinien ich wymyślać za organizację.

Po próbie wybierz konkretne poprawki w źródłach i przypisz je właścicielom. Nie twórz jednej długiej listy „dane do poprawy”, której nikt nie potrafi zamknąć. Osobno zapisz brak identyfikatora, sprzeczność definicji oraz nieaktualny materiał. Potwierdź wynik na tych samych sprawach, które ujawniły trudność. Wtedy przygotowanie danych kończy się sprawdzalną zmianą, a nie tylko poszerzeniem dokumentacji projektu.