Следите за новостями по этой теме!
Подписаться на «Гик Гайд (3 апельсина) / Цифра сегодня»
Данные, пригодные для искусственного интеллекта, должны быть достоверными и доступными для машинной обработки. Для этого компаниям нужны не просто таблицы и хранилища, а организованные наборы данных — «продукты данных». Они помогают ИИ-агентам находить нужную информацию и использовать её по понятным правилам.
Человек, увидев противоречивые цифры на панели мониторинга, может заметить нестыковку и выяснить, в чём дело. ИИ-агент, столкнувшись с той же проблемой, способен масштабировать ошибку: быстро и с убедительным видом выдать неверный результат.
Есть четыре ключевых требования к данным для ИИ. Это не вопрос инженерного вкуса, а условия, при которых компания сможет доверять результатам модели и отвечать за них.
Первое — управляемость и прослеживаемость. Данные должны проходить контроль, а их происхождение и изменения — фиксироваться на всём пути. Одного каталога данных или схемы происхождения, спрятанной во внутренней вики, недостаточно. Для каждого набора важно знать, откуда он взялся, когда его проверяли в последний раз, кто за него отвечает и какие преобразования он прошёл.
Правила должны храниться вместе с данными, а не отдельно — в инструментах, которые используют их позднее. Если управление отделено от самих данных, сбой может произойти незаметно: модель получит переопределённое поле, устаревший источник или информацию, на которую уже распространяется новая политика, и уверенно сформулирует неправильный ответ.
Если ИИ повлиял на решение, компания должна иметь возможность объяснить результат и взять за него ответственность. Для этого цепочка происхождения данных должна сохраняться непосредственно в момент обработки запроса, а не восстанавливаться задним числом.
Второе — актуальность. Модель, рассуждающая на устаревших данных, — скорее дорогой справочник, чем полноценная ИИ-система. Информация должна обновляться с частотой, подходящей для решения, которое на её основе принимают. При обнаружении мошенничества, перераспределении запасов или обработке срочных жалоб данные могут требоваться с задержкой всего в несколько секунд.
Для стратегических задач — например, оценки размера рынка или квартального планирования — обновления раз в день или неделю могут быть достаточными. Важно соотнести скорость поступления данных со скоростью принятия решений и честно обозначить разрыв, если он есть.
Третье — единые определения. Одно и то же слово в разных системах нередко означает разные вещи — и из-за этого проекты с ИИ могут проваливаться без громкого сигнала тревоги. Например, «выручкой» в CRM могут называть сумму заключённых сделок, в финансовом хранилище — признанную выручку, а в озере данных — общий объём транзакций.
Если модель объединит все три показателя без общего смыслового слоя, она воспримет их как одно и то же. Поэтому компаниям нужен общий бизнес-словарь: определения должны быть согласованы, задокументированы и закреплены на уровне данных, а не только прописаны в запросе к модели.
Четвёртое — доступность для машин. Корпоративные данные часто создавались для аналитиков, которые знают, в какой таблице искать информацию, как соединить таблицы и каким полям не стоит доверять. У ИИ-агента таких внутренних знаний нет.
Данные нужно организовать так, чтобы машина могла сама обнаружить нужный набор, понять его смысл и получить подходящую часть без участия человека. Поэтому важны не только сами сведения, но и архитектура их организации и предоставления.
Компании, которые заранее оформили данные в виде продуктов, получают преимущество при внедрении ИИ. Продукт данных — это не просто очищенный набор. У него есть собственная схема, частота обновления, владелец, правила доступа и описание смысла. Это отдельная, документированная и самостоятельно развиваемая единица данных.
Такая структура соответствует потребностям ИИ-агентов. Чтобы ответить на вопрос, запустить рабочий процесс или подготовить отчёт, агенту нужен единый машиночитаемый способ доступа. Компании могут предоставлять продукты данных через MCP (Model Context Protocol, протокол контекста модели) — развивающийся стандарт, который даёт ИИ-агентам структурированный доступ к внешним системам и источникам данных с учётом разрешений.
Например, агент сможет обнаружить продукт данных «Пожизненная ценность клиента», понять, какие сведения в него входят и насколько они свежие, а затем запросить нужную часть. Для этого человеку не придётся каждый раз создавать отдельную интеграцию или вручную встраивать SQL-запрос в инструкцию модели. Агент обращается к данным примерно так же, как разработчик обращается к API: по заранее описанному контракту, а не наугад.
У компаний, которые пока хранят данные в неразделённых озёрах, путь сложнее. Прежде чем агент сможет рассуждать, для каждого нового сценария кому-то придётся вручную создавать слой навигации. Компании с продуктами данных эту работу уже проделали. Поэтому их ИИ-системы запускаются быстрее, реже теряют качество и меньше зависят от вмешательства людей во время обработки запросов. Сейчас это не небольшое удобство, а принципиальное преимущество.
Исходный материал опубликован в рамках TechRadar Pro Perspectives — площадки для авторских мнений специалистов технологической отрасли. Позиция автора не обязательно совпадает с позицией TechRadar Pro или Future plc.
Корпоративный ИИ продают как сотрудника, который не просит отпуск, не спорит на совещаниях и якобы сразу понимает, что имели в виду люди. Но стоит ему встретить две таблицы с разными значениями одного слова — и выясняется, что наделили его не здравым смыслом, а доступом к масштабированию путаницы.
У этой истории есть удобный для поставщиков технологий моральный вывод: прежде чем покупать очередную модель, приведите в порядок данные. Никакой магии — просто дисциплина, которую годами откладывали, потому что отчёт с красивой диаграммой выглядел убедительнее, чем скучная работа по согласованию определений и владельцев.
Теперь дисциплину переименовали в «готовность данных к ИИ», а разрозненные таблицы — в проблему стратегического уровня. Термины новые, счета за интеграцию — тоже, зато сама задача стара как корпоративная жизнь: понять, откуда взялась цифра, кто за неё отвечает и почему вчера она означала одно, а сегодня другое.
Продукты данных обещают превратить эту бухгалтерию смысла в удобный интерфейс для машин. Звучит разумно: набор данных получает описание, владельца, правила доступа и расписание обновления. Но интерфейс не исправит плохую политику и не заставит подразделения договориться, что именно считать выручкой. Он лишь позволит агенту быстрее добраться до того, о чём они не договорились.
Особенно изящен аргумент про MCP — протокол, который должен дать ИИ-агентам структурированный доступ к системам. Стандарт полезен, когда за ним стоят единые правила и аккуратные данные; иначе получится автоматизированная дверь в тот же коридор, где все давно потеряли нужную комнату. Технология устраняет часть ручной навигации, но не отменяет необходимость решить, кого пускать и что ему показывать.
В этой риторике слышен и коммерческий подтекст: чем сложнее инфраструктура, тем охотнее компании покупают платформы, интеграции и экспертное сопровождение. Это не делает рекомендации ложными — прослеживаемость, свежесть и общий язык действительно важны. Просто полезно помнить, что рынок предлагает сначала оплатить наведение порядка, а потом ещё раз оплатить инструмент, который будет пользоваться порядком.
Главный риск не в том, что ИИ ошибается. Люди тоже ошибаются, причём с завидной регулярностью. Опасность в том, что автоматизация превращает локальную неразбериху в массовый результат, а уверенный тон машины легко принять за доказательство точности.
Поэтому зрелость здесь измеряется не количеством агентов и не числом протоколов в презентации. Она начинается с простого, почти унизительного вопроса: кто отвечает за эту цифру и что она означает? Пока на него нет ответа, компания не готовит данные к искусственному интеллекту — она просто выдаёт старый беспорядок с новым логотипом.