Datan laatu nousemassa tekoälyn luotettavuuden kynnyskysymykseksi
Tekoälyjärjestelmien luotettavuus ja selitettävyys riippuvat ensisijaisesti käytetyn datan laadusta, arvioi teknologiayhtiö Unite.AI tuoreessa katsauksessaan. Datan merkityksen korostuminen nähdään ratkaisevana tekijänä, kun tekoälysovelluksia viedään vaativampiin käyttöympäristöihin.
Tekoälyjärjestelmien kehityksessä on perinteisesti korostettu algoritmien monimutkaisuutta, mutta tuoreiden analyysien mukaan huomio on siirtymässä yhä enemmän käytetyn datan laatuun ja rakenteeseen. Niin kutsuttu datakeskeinen lähestymistapa pyrkii ratkaisemaan tekoälyn ”mustan laatikon” ongelman, jossa järjestelmän tekemien päätösten perusteet jäävät epäselviksi.
Unite.AI:n raportissa arvioidaan, että tekoälyn selitettävyys (Explainable AI, XAI) on suorassa suhteessa siihen, kuinka hyvin syötetty data on kuratoitu ja merkitty. Kun data on laadukasta ja edustavaa, tekoälyn tekemät analyysit ja ennusteet ovat helpommin ihmisen ymmärrettävissä ja todennettavissa.
Luotettavuuden merkitys korostuu erityisesti säännellyillä aloilla, kuten terveydenhuollossa ja finanssisektorilla. Raportin mukaan virheellinen tai puolueellinen data johtaa väistämättä epäluotettaviin tuloksiin, riippumatta siitä, kuinka kehittynyttä mallia käytetään. Tämän vuoksi datan esikäsittely ja läpinäkyvyys ovat nousseet keskeisiksi kehityskohteiksi.
Tulevaisuudessa tekoälykehityksen odotetaan painottuvan entistä enemmän eettisiin standardeihin ja selitettävyyteen. United.AI:n mukaan tämä vaatii yrityksiltä uusia panostuksia datanhallintaan, jotta tekoälypohjaiset päätökset kestävät kriittisen tarkastelun ja täyttävät kasvavat lainsäädännölliset vaatimukset.