Kunstmatige intelligentie (AI) heeft transformatiepotentieel. Maar zoals bij elke krachtige technologie heeft de datakwaliteit van de input een directe invloed op de output.
Foundational, een bedrijf dat onlangs uit de stealth-modus is gekomen, begrijpt dit cruciale punt.
Gewapend met $ 8 miljoen aan nieuwe financieringwillen ze de vaak over het hoofd geziene problemen van datakwaliteit en AI-gereedheid aanpakken.
Waarom datakwaliteit zo belangrijk is voor AI?
We kennen allemaal het gezegde “afval erin, afval eruit“.
Dit geldt met bijzondere kracht voor AI-modellen. Deze modellen leren tijdens het trainingsproces van enorme datasets. Als de gegevens die ze krijgen inconsistent, onvolledig, bevooroordeeld of gewoonweg verkeerd zijn, zal de output van de AI waarschijnlijk deze tekortkomingen weerspiegelen. Op gebieden waar veel op het spel staat, zoals de gezondheidszorg of de financiële wereld, kunnen onnauwkeurige resultaten als gevolg van slechte gegevens desastreuze gevolgen hebben.
De aanpak van Foundational is gericht op het verbeteren van de betrouwbaarheid en integriteit van datasets die worden gebruikt voor AI-training en werking. Dit is essentieel werk, dat ervoor zorgt dat AI-modellen de best en veiligst mogelijke resultaten opleveren.
Data AI-ready maken
“Ze zullen onze inzichten, waarschuwingen of suggesties direct zien in de interface die ze al hebben”, legt CEO van Foundational, Michelangelo Nafta, uit aan VentureBeat. Belangrijk is dat het platform werkt door het onderzoeken van de metadata binnen de code zelf. Het omzeilt direct contact met de gevoelige gegevens, waardoor privacy- en veiligheidsrisico’s worden verminderd.
Het Foundational-platform integreert naadloos met tools zoals GitHubwaarmee ontwikkelaars bruikbare feedback worden geboden binnen hun bestaande workflow.
De kracht van analyse
Foundational maakt gebruik van een combinatie van technieken om een gedetailleerde kaart van de gegevensstroom van een organisatie op te bouwen:
- Statische codeanalyse: Het platform ontleedt de codestructuur om relaties en afhankelijkheden bloot te leggen
- Dynamische runtime-analyse: Bewaakt de uitvoering van code om gegevenspatronen uit de echte wereld en potentiële knelpunten te identificeren
- AI-aangedreven technieken: Deze helpen bij het leggen van verbanden, het opsporen van afwijkingen en het identificeren van optimalisatiemogelijkheden
Dit uitgebreide inzicht wordt de basis voor krachtige automatisering. “Zodra we deze volledige kaart van uw data-ecosysteem hebben, kunnen we daar bovenop allerlei krachtige automatiseringen toepassen”, zegt Nafta. Meldingen over mogelijke downstream-verstoringen als gevolg van codewijzigingen, tips voor prestatie-optimalisatie en zelfs het automatisch genereren van documentatie en datacatalogi zijn allemaal binnen handbereik.
Stroomlijning van meer dan alleen data
De aanpak van Foundational biedt voordelen die verder gaan dan alleen datakwaliteit. Het richt zich op potentiële problemen zoals circulaire referenties en vragen over stijgende kosten in de cloud, waarbij zowel de kostenefficiëntie als de nauwkeurigheid worden aangepakt. Bovendien bevordert het platform, door ongebruikte velden te identificeren, slankere, beter onderhoudbare datapijplijnen.
Het mensenprobleem
Foundational erkent dat technologie alleen de dataproblemen van AI niet zal oplossen. Ze bieden een sterke focus op samenwerking met domeinexperts. Het zijn deze experts die de nuances van de specifieke datasets in hun vakgebied begrijpen; dit partnerschap maakt het mogelijk om oplossingen te verfijnen en ervoor te zorgen dat ze aansluiten bij de behoeften in de echte wereld.
Bestuur door ontwerp
Fundamentele posities codeanalyse als een pijler van proactief databeheer. In een tijdperk van steeds groter wordende datasets en steeds complexere AI is een tool die door ontwerp helpt de gezondheid van data te behouden een waardevol bezit. De nadruk die het bedrijf legt op ontwikkelaarsvriendelijke integratie en de focus op de privacy van metadata zijn ook slimme zetten, die waarschijnlijk het vertrouwen in hun aanpak zullen vergroten.
De weg vooruit is het accepteren van datakwaliteit als uitgangspunt
De opkomst van bedrijven als Foundational duidt op een welkome verschuiving in de sector. Het benadrukt een toenemend bewustzijn van datakwaliteit als een niet-onderhandelbare voorwaarde voor een effectieve inzet van AI. Nu organisaties worstelen met de groeiende volumes en complexiteit van data, zal er veel vraag zijn naar diensten die nauwkeurige en betrouwbare AI-modellen mogelijk maken.
De intrede van Foundational in deze arena komt op het juiste moment. Bedrijven kunnen het zich niet langer veroorloven om AI-projecten als puur technologische inspanningen te behandelen. Door datakwaliteit voorop te stellen, is Foundational klaar om een betekenisvolle impact te hebben op het succes en de veiligheid van AI-toepassingen in alle sectoren.
Uitgelicht beeldtegoed: rawpixel.com/Freepik
