Muitas empresas lutam com a qualidade dos dados mais do que admitem e os dados imprecisos podem ter impacto nos sistemas de A.I. (Inteligência Artificial).

Quando o algoritmo se alimenta de dados de formação para descobrir padrões, os desafios da qualidade dos dados desenvolvem-se no início do processo. Por exemplo, quando se dá acesso a dados não filtrados dos meios de comunicação social, um sistema de Inteligência Artificial pode detectar abusos, declarações racistas e observações misóginas, como demonstrado pelo bot de IA da Microsoft. Recentemente, também se pensou que os dados imprecisos eram responsáveis pelo fracasso da IA em identificações racistas.

Que ligação é que isto tem com a qualidade dos dados?

Os maus resultados são causados pela falta de governação dos dados, falta de conhecimento da qualidade dos dados, e pontos de vista de dados isolados (onde uma tal diferença de género pode ter sido observada).

E agora?

As empresas ficam aterrorizadas de recrutar quando compreendem que têm um problema com a qualidade dos dados. Para rapidamente identificar, limpar dados e tratar de questões, são recrutados consultores, engenheiros, e analistas por capricho. Infelizmente, os meses passam sem qualquer melhoria e as questões persistem apesar de se gastarem milhões com os funcionários. Uma solução imediata para uma questão de qualidade de dados raramente é útil.

• Veja também: 5 formas de rentabilizar artes digitais com NFTs

A verdadeira mudança começa ao nível do terreno

Criar Sensibilização e Reconhecimento de Questões de Qualidade de Dados.
Comece por desenvolver uma cultura literária de dados para avaliar a qualidade dos seus dados. A poderosa voz da indústria Bill Schmarzo aconselha a empregar o pensamento de design para fomentar uma cultura onde todos possam compreender os objetivos e questões de dados de uma organização e contribuir para os mesmos.

Os dados e a qualidade dos dados já não são apenas da responsabilidade das TI ou das equipas de dados no ambiente empresarial atual. Os utilizadores empresariais precisam de estar conscientes de preocupações como dados inconsistentes e duplicados, bem como de problemas de dados imundos.

Fazer da formação em qualidade de dados um esforço organizacional e equipar as equipas para identificar más qualidades de dados são, portanto, os primeiros passos cruciais a dar.

Traduzido de: Analytic Sinsight.