가트너에 따르면 Genai 프로젝트의 30% 2025 년 말까지 개념 증명 이후에 포기 될 것입니다. Genai의 초기 채택에 따르면 대부분의 기업의 데이터 인프라 및 거버넌스 관행은 효과적인 AI 배포 준비가되지 않았다는 것이 밝혀졌습니다. Genai 생산물의 첫 번째 물결은 상당한 장애물에 직면했으며, 많은 조직들이 의미있는 비즈니스 가치를 달성하기 위해 개념 증명 단계를 넘어서 고군분투했습니다.
우리가 생성 AI 생성물의 두 번째 물결을 입력함에 따라 회사는 이러한 기술을 성공적으로 구현하는 데 LLM을 데이터에 연결하는 것 이상의 것이 필요하다는 것을 깨닫고 있습니다. AI의 잠재력 잠금을 해제하는 핵심은 세 가지 핵심 기둥에 달려 있습니다. 순서대로 데이터를 얻고 AI와의 통합 준비가되도록합니다. Genai가 소개하는 고유 한 과제를 해결하기 위해 데이터 거버넌스 관행을 점검합니다. 또한 안전하고 신뢰할 수있는 사용법을 자연스럽고 직관적으로 만드는 방식으로 AI 에이전트를 배포하므로 사용자는 특수 기술이나 정확한 사용 패턴을 배우지 않아야합니다. 이 기둥은 함께 기업 환경에서 안전하고 효과적인 AI 에이전트를위한 강력한 기반을 만듭니다.
AI에 대한 데이터를 올바르게 준비합니다
하는 동안 구조화 된 데이터 LLM은 테이블과 컬럼에 깔끔하게 배열되어 육안으로 구성된 것처럼 보일 수 있습니다. LLM은 종종이 구조화 된 데이터를 효과적으로 이해하고 작업하는 데 어려움을 겪고 있습니다. 대부분의 기업에서 데이터는 의미 적으로 의미있는 방식으로 표시되지 않기 때문에 발생합니다. 데이터에는 종종 고객, 제품 또는 트랜잭션의 식별자 여부에 대한 명확한 표시가없는 “ID”와 같은 비밀 레이블이 있습니다. 구조화 된 데이터를 사용하면 고객 여정의 단계가 서로 관련되는 방식과 같이 서로 다른 상호 연결된 데이터 포인트 간의 적절한 컨텍스트와 관계를 캡처하기가 어렵습니다. 모든 이미지를 분류 해야하는 것처럼 컴퓨터 비전 의미있는 상호 작용을 가능하게하기 위해 조직은 이제 의미있는 AI 상호 작용을 가능하게하기 위해 모든 시스템에서 데이터를 의미 적으로 라벨링하고 관계를 문서화하는 복잡한 작업을 수행해야합니다.
또한 기존 서버에서 다양한 클라우드 서비스 및 다양한 소프트웨어 응용 프로그램에 이르기까지 다양한 장소에 데이터가 흩어져 있습니다. 이 시스템 패치 워크는 AI 솔루션을 구현할 때 더 문제가되는 중요한 상호 운용성 및 통합 문제로 이어집니다.
또 다른 근본적인 과제는 다른 시스템과 부서에서 비즈니스 정의의 불일치에 있습니다. 예를 들어, 고객 성공 팀은 한 가지 방법으로 “업셀”을 정의 할 수 있지만 영업 팀은 다른 방식으로 정의합니다. AI 에이전트 또는 챗봇을 이러한 시스템에 연결하고 질문을 시작하면 데이터 정의가 정렬되지 않기 때문에 다른 답변이 나타납니다. 이러한 조정 부족은 사소한 불편이 아니라 신뢰할 수있는 AI 솔루션을 구현하는 데 중요한 장벽입니다.
불량한 데이터 품질은 고전적인 “” “를 만듭니다.쓰레기, 쓰레기”AI 도구를 기업에 배치 할 때 기하 급수적으로 더 심각하게되는 시나리오. 부정확하거나 지저분한 데이터는 하나 이상의 분석에 영향을 미칩니다. 질문과 상호 작용을 통해 시스템을 사용하는 모든 사람에게 잘못된 정보를 전파합니다. 실제 비즈니스 결정을위한 AI 시스템에 대한 신뢰를 구축하려면 기업은 AI 응용 프로그램에 적절한 비즈니스 컨텍스트에서 깨끗하고 정확하며 이해되는 데이터를 갖도록해야합니다. 이는 조직이 AI 시대의 데이터 자산에 대해 생각 해야하는 방식의 근본적인 변화를 나타냅니다. 여기서 품질, 일관성 및 시맨틱 선명도는 데이터 자체만큼 중요 해집니다.
거버넌스에 대한 접근을 강화합니다
데이터 거버넌스는 최근 몇 년 동안 조직에 중점을 두 었으며 주로 분석에 사용되는 데이터 관리 및 보호에 중점을 둡니다. 회사는 민감한 정보를 매핑하고, 표준에 액세스하고, GDPR 및 CCPA와 같은 법률을 준수하고, 개인 데이터를 감지하기 위해 노력하고 있습니다. 이러한 이니셔티브는 AI-Ready 데이터를 작성하는 데 필수적입니다. 그러나 조직이 생성 AI 에이전트를 워크 플로에 도입함에 따라 거버넌스 문제는 데이터 자체를 넘어 AI의 전체 사용자 상호 작용 경험을 포함합니다.
우리는 이제 기본 데이터뿐만 아니라 사용자가 AI 에이전트를 통해 해당 데이터와 상호 작용하는 프로세스에도 적용해야합니다. 기존의 법률, 예 : 유럽 연합의 AI 법수평선에 대한 더 많은 규정은 질문 응답 과정 자체를 관리 할 필요성을 강조합니다. 이는 AI 에이전트가 투명하고 설명 가능하며 추적 가능한 응답을 제공하도록 보장합니다. 사용자가 블랙 박스 답변을받을 때,“어제 독감 환자는 몇 명입니까?”라고 묻습니다. 맥락없이 “50”만 얻는다 – 중요한 결정에 대한 정보를 신뢰하기는 어렵다. 데이터의 출처, 계산 방법 또는 “인정”및 “어제”와 같은 용어의 정의를 모르면 AI의 출력은 신뢰성을 잃습니다.
사용자가 특정 PDF 또는 정책에 대한 답변을 추적하여 정확도를 확인할 수있는 문서와의 상호 작용과 달리 AI 에이전트를 통한 구조화 된 데이터와의 상호 작용에는 종종 이러한 수준의 추적 성과 설명이 부족합니다. 이러한 문제를 해결하기 위해 조직은 민감한 데이터를 보호 할뿐만 아니라 AI 상호 작용 경험을 통제하고 신뢰할 수 있도록하는 거버넌스 측정을 구현해야합니다. 여기에는 강력한 액세스 컨트롤을 설정하여 공인 직원 만 특정 정보에 액세스하고 명확한 데이터 소유권 및 청지기 직무를 정의하고 AI 에이전트가 출력에 대한 설명 및 참조를 제공 할 수 있도록하는 것이 포함됩니다. 이러한 고려 사항을 포함하도록 데이터 거버넌스 관행을 점검함으로써 기업은 진화하는 규정을 준수하고 사용자 신뢰를 유지하면서 AI 에이전트의 힘을 안전하게 활용할 수 있습니다.
신속한 엔지니어링 이상의 생각
조직이 데이터 접근성을 향상시키기 위해 생성 AI 에이전트를 도입함에 따라 프롬프트 엔지니어링 비즈니스 사용자를위한 새로운 기술적 장벽으로 등장했습니다. 유망한 경력 경로로 선전되었지만 Prompt Engineering은 본질적으로 데이터 분석에서 어려움을 겪고있는 것과 동일한 장벽을 재현하고 있습니다. 완벽한 프롬프트를 만드는 것은 특수 SQL 쿼리를 작성하거나 대시 보드 필터를 작성하는 것과 다르지 않습니다. 기술 전문 지식을 한 형식에서 다른 형식으로 전환하고 있으며, 대부분의 비즈니스 사용자가 필요하지 않은 특수 기술이 필요합니다.
기업은 오랫동안 데이터 시스템을 더 잘 이해하고 문서 작성 및 전문 역할을 개발하도록 사용자를 교육하여 데이터 접근성을 해결하려고 노력해 왔습니다. 그러나이 접근법은 거꾸로됩니다. 사용자에게 데이터를 사용자에게 적응시키기보다는 데이터에 적응하도록 요청합니다. 신속한 엔지니어링은 또 다른 기술 중개자 계층을 만들어이 패턴을 계속할 것을 위협합니다.
진정한 데이터 민주화에는 데이터 언어를 이해하는 사용자가 아닌 비즈니스 언어를 이해하는 시스템이 필요합니다. 경영진이 고객 유지에 대해 요청하면 완벽한 용어 나 프롬프트가 필요하지 않아야합니다. 시스템은 의도를 이해하고 다른 레이블 ( “이탈”, “유지”또는 “고객 수명주기”)에서 관련 데이터를 인식하고 상황에 맞는 답변을 제공해야합니다. 이를 통해 비즈니스 사용자는 기술적으로 완벽한 질문을하는 법을 배우기보다는 결정에 집중할 수 있습니다.
결론
AI 에이전트는 기업이 운영하고 결정을 내리는 방법에 중요한 변화를 가져 오지만 배치하기 전에 해결해야 할 고유 한 과제 세트가 제공됩니다. AI를 사용하면 기술이 아닌 사용자가 셀프 서비스 액세스 권한이 있으면 모든 오류가 증폭되어 기초를 올바르게 얻는 것이 중요합니다.
신속한 엔지니어링의 한계를 넘어서면서 데이터 품질, 의미 론적 정렬 및 거버넌스의 기본적인 과제를 성공적으로 해결하는 조직은 데이터 액세스 및 의사 결정을 안전하게 민주화 할 수 있습니다. 최선의 방법은 팀워크를 용이하게하고 기계 대 기계 상호 작용을 조정하는 협업 환경을 만드는 것입니다. 이를 통해 AI 중심의 통찰력은 정확하고 안전하며 신뢰할 수 있으며, 데이터를 최대한 활용하고 보호하며 최대의 잠재력을 제공하는 조직 전체의 문화를 장려합니다.
게시물 기업을위한 안전하고 신뢰할 수있는 AI 에이전트를위한 3 가지 고려 사항 먼저 나타났습니다 Unite.ai.
