ডেটা গভর্নেন্স কি এআই ক্লান্তির সমাধান করতে পারে? - কেডিনাগেটস

লেখকের ছবি
 

ডেটা গভর্নেন্স এবং এআই ক্লান্তি দুটি ভিন্ন ধারণার মতো শোনাচ্ছে, তবে দুটির মধ্যে একটি অন্তর্নিহিত সংযোগ রয়েছে। এটি আরও ভালভাবে বোঝার জন্য, আসুন তাদের সংজ্ঞা দিয়ে শুরু করি। 

এটি দীর্ঘ সময়ের জন্য ডেটা শিল্পের মূল ফোকাস হয়েছে।

গুগল এটা ভালভাবে বলে – “ডেটা নিরাপদ, ব্যক্তিগত, নির্ভুল, উপলব্ধ এবং ব্যবহারযোগ্য নিশ্চিত করার জন্য আপনি যা করেন তা হল ডেটা গভর্নেন্স। এতে অভ্যন্তরীণ মান নির্ধারণ করা জড়িত — ডেটা নীতিগুলি — যেগুলি কীভাবে ডেটা সংগ্রহ করা হয়, সংরক্ষণ করা হয়, প্রক্রিয়া করা হয় এবং নিষ্পত্তি করা হয়৷

এই সংজ্ঞাটি যেমন হাইলাইট করে, ডেটা গভর্নেন্স হল ডেটা ম্যানেজ করা - অবিকল ইঞ্জিন ড্রাইভিং এআই মডেলগুলি।

এখন যেহেতু ডেটা গভর্ন্যান্স এবং এআই-এর মধ্যে সংযোগের প্রথম লক্ষণগুলি আবির্ভূত হতে শুরু করেছে, আসুন এটিকে এআই ক্লান্তির সাথে সম্পর্কিত করি। যদিও নামটি এটিকে দূরে সরিয়ে দেয়, এই ধরনের ক্লান্তির কারণগুলি হাইলাইট করা পোস্ট জুড়ে এই শব্দটির ধারাবাহিক ব্যবহার নিশ্চিত করে৷  

প্রতিষ্ঠান, ডেভেলপার বা টিম যে প্রতিবন্ধকতা ও চ্যালেঞ্জের সম্মুখীন হয় তার কারণে এআই ক্লান্তি আসে, যা প্রায়শই AI সিস্টেমের মূল্যায়ন বা বাস্তবায়ন ব্যর্থ হয়।

এটি বেশিরভাগই এআই কী করতে সক্ষম তার অবাস্তব প্রত্যাশা দিয়ে শুরু হয়। এআই-এর মতো অত্যাধুনিক প্রযুক্তির জন্য, মূল স্টেকহোল্ডারদের শুধু এআই-এর ক্ষমতা এবং সম্ভাবনার সাথেই নয়, এর সীমাবদ্ধতা এবং ঝুঁকির সাথেও সারিবদ্ধ হতে হবে।

ঝুঁকির বিষয়ে কথা বললে, নীতিশাস্ত্রকে প্রায়শই একটি চিন্তাভাবনা হিসাবে বিবেচনা করা হয় যা অ-সঙ্গত AI উদ্যোগগুলিকে বাতিলের দিকে নিয়ে যায়।

আপনি অবশ্যই AI ক্লান্তি ঘটাতে ডেটা গভর্নেন্সের ভূমিকা সম্পর্কে ভাবছেন - এই পোস্টের ভিত্তি।

সেখানেই আমরা পরের দিকে যাচ্ছি। 

AI ক্লান্তিকে বিস্তৃতভাবে প্রাক-নিয়োজন এবং পোস্ট-ডিপ্লয়মেন্ট হিসাবে শ্রেণীবদ্ধ করা যেতে পারে। প্রথমে আগে প্রাক স্থাপনার উপর ফোকাস করা যাক।

প্রি-ডিপ্লয়মেন্ট

স্থাপনার জন্য প্রুফ অফ কনসেপ্ট (PoC) স্নাতক করার জন্য বিভিন্ন কারণ অবদান রাখে, যেমন:

• আমরা কি সমাধান করার চেষ্টা করছি?
• কেন এটা এখন অগ্রাধিকার একটি বাধ্যতামূলক সমস্যা করে তোলে?
• কি তথ্য পাওয়া যায়?
• এটা কি ML-সমাধানযোগ্য প্রথম স্থানে?
• তথ্য একটি প্যাটার্ন আছে?
• ঘটনাটি কি পুনরাবৃত্তিযোগ্য?
• কোন অতিরিক্ত ডেটা মডেলের কর্মক্ষমতা বাড়াবে?

 

চিত্র থেকে Freepik 
 

একবার আমরা মূল্যায়ন করেছি যে এমএল অ্যালগরিদম ব্যবহার করে সমস্যার সমাধান করা যেতে পারে, ডেটা সায়েন্স দল একটি অনুসন্ধানমূলক ডেটা বিশ্লেষণ করে। এই পর্যায়ে অনেক অন্তর্নিহিত ডেটা প্যাটার্ন উন্মোচিত হয়, প্রদত্ত ডেটা সিগন্যালে সমৃদ্ধ কিনা তা হাইলাইট করে। এটি অ্যালগরিদমের শেখার প্রক্রিয়াটিকে দ্রুততর করার জন্য ইঞ্জিনিয়ারড বৈশিষ্ট্যগুলি তৈরি করতে সহায়তা করে।

এরপরে, দলটি প্রথম বেসলাইন মডেল তৈরি করে, প্রায়শই, খুঁজে পায় যে এটি গ্রহণযোগ্য স্তর পর্যন্ত পারফর্ম করছে না। একটি মডেল যার আউটপুট একটি কয়েন ফ্লিপের মত ভাল কোন মূল্য যোগ করে না। এমএল মডেল তৈরি করার সময় এটি প্রথম বিপত্তিগুলির মধ্যে একটি, ওরফে পাঠ।

সংস্থাগুলি এক ব্যবসায়িক সমস্যা থেকে অন্য সমস্যায় যেতে পারে, ক্লান্তি সৃষ্টি করে। তবুও, যদি অন্তর্নিহিত ডেটা একটি সমৃদ্ধ সংকেত বহন না করে, তবে কোনও এআই অ্যালগরিদম এটি তৈরি করতে পারে না। অদেখা তথ্যের উপর সাধারণীকরণের জন্য মডেলটিকে প্রশিক্ষণের ডেটা থেকে পরিসংখ্যানগত সংস্থানগুলি শিখতে হবে।

পোস্ট-ডিপ্লয়মেন্ট

প্রশিক্ষিত মডেল বৈধকরণ সেটে প্রতিশ্রুতিশীল ফলাফল দেখানো সত্ত্বেও, যোগ্য ব্যবসায়ের মানদণ্ডের সাথে সামঞ্জস্যপূর্ণ, যেমন 70% নির্ভুলতা, যদি মডেলটি উত্পাদন পরিবেশে পর্যাপ্তভাবে সম্পাদন করতে ব্যর্থ হয় তবে ক্লান্তি এখনও দেখা দিতে পারে।

এই ধরনের AI ক্লান্তিকে পোস্ট-ডিপ্লয়মেন্ট ফেজ বলা হয়। 

অগণিত কারণগুলি কার্যক্ষমতার অবনতি ঘটাতে পারে, যেখানে দুর্বল ডেটা গুণমান মডেলটিকে জর্জরিত করার সবচেয়ে সাধারণ সমস্যা। এটি গুরুত্বপূর্ণ বৈশিষ্ট্যের অনুপস্থিতিতে লক্ষ্য প্রতিক্রিয়া সঠিকভাবে ভবিষ্যদ্বাণী করার মডেলের ক্ষমতাকে সীমাবদ্ধ করে। 

বিবেচনা করুন যখন প্রয়োজনীয় বৈশিষ্ট্যগুলির মধ্যে একটি, যা প্রশিক্ষণের ডেটাতে মাত্র 10% অনুপস্থিত ছিল, এখন উত্পাদন ডেটাতে 50% সময় শূন্য হয়ে যায়, যা ভুল ভবিষ্যদ্বাণীর দিকে পরিচালিত করে। ধারাবাহিকভাবে পারফর্ম করা মডেলগুলি নিশ্চিত করার জন্য এই ধরনের পুনরাবৃত্তি এবং প্রচেষ্টা ডেটা বিজ্ঞানী এবং ব্যবসায়িক দলগুলির মধ্যে ক্লান্তি তৈরি করে, যার ফলে ডেটা পাইপলাইনের উপর আস্থা হ্রাস পায় এবং প্রকল্পে করা বিনিয়োগগুলিকে ঝুঁকিপূর্ণ করে।

উভয় ধরণের AI ক্লান্তি মোকাবেলায় শক্তিশালী ডেটা শাসন ব্যবস্থা গুরুত্বপূর্ণ। প্রদত্ত যে ডেটা ML মডেলের মূলে রয়েছে, সিগন্যাল-সমৃদ্ধ, ত্রুটি-মুক্ত, এবং উচ্চ-মানের ডেটা একটি ML প্রকল্পের সাফল্যের জন্য আবশ্যক। এআই ক্লান্তি মোকাবেলায় ডেটা গভর্নেন্সের উপর দৃঢ় ফোকাস প্রয়োজন। সুতরাং, আমাদের অবশ্যই সঠিক ডেটা গুণমান নিশ্চিত করতে কঠোরভাবে কাজ করতে হবে, অত্যাধুনিক মডেল তৈরি করতে এবং বিশ্বাসযোগ্য ব্যবসায়িক অন্তর্দৃষ্টি প্রদানের ভিত্তি স্থাপন করতে হবে।

উপাত্ত গুণমান

ডেটার গুণমান, সমৃদ্ধিশীল ডেটা শাসনের চাবিকাঠি, মেশিন লার্নিং অ্যালগরিদমের জন্য একটি গুরুত্বপূর্ণ সাফল্যের কারণ। সংস্থাগুলিকে অবশ্যই ডেটার গুণমানে বিনিয়োগ করতে হবে, যেমন ডেটা গ্রাহকদের কাছে প্রতিবেদন প্রকাশ করা। ডেটা সায়েন্স প্রোজেক্টগুলিতে, খারাপ মানের ডেটা মডেলগুলিতে যাওয়ার সময় কী ঘটে তা ভেবে দেখুন, যা খারাপ কার্যক্ষমতার দিকে নিয়ে যেতে পারে।

শুধুমাত্র ত্রুটি বিশ্লেষণের সময় দলগুলি ডেটা গুণমান সংক্রান্ত উদ্বেগগুলি সনাক্ত করতে পারে, যা, যখন আপস্ট্রিমে সংশোধন করার জন্য পাঠানো হয়, তখন দলগুলির মধ্যে ক্লান্তি সৃষ্টি করে।

স্পষ্টতই, এটি কেবল প্রচেষ্টাই ব্যয় করে না, সঠিক ডেটা পাইপ ইন করা শুরু না হওয়া পর্যন্ত অনেক সময় নষ্ট হয়।

তাই, এই ধরনের সময়-সাপেক্ষ পুনরাবৃত্তি রোধ করতে সর্বদা উৎসে ডেটা সমস্যাগুলি ঠিক করার পরামর্শ দেওয়া হয়। অবশেষে, প্রকাশিত ডেটা মানের রিপোর্টগুলি আগত ডেটার গ্রহণযোগ্য মানের বোঝার সাথে ডেটা সায়েন্স টিমকে (বা সেই বিষয়ে, অন্য কোনও ডাউনস্ট্রিম ব্যবহারকারী এবং ডেটা গ্রাহকদের) নির্দেশ করে।

ডেটার গুণমান এবং শাসন ব্যবস্থা না থাকলে, ডেটা বিজ্ঞানীরা ডেটা সংক্রান্ত সমস্যায় চাপে পড়বেন, যা এআই ক্লান্তি ড্রাইভিং ব্যর্থ মডেলগুলিতে অবদান রাখবে। 

পোস্টটি হাইলাইট করেছে যে দুটি পর্যায়ে AI ক্লান্তি সেট করে এবং উপস্থাপন করেছে কীভাবে ডেটা গভর্নেন্সের ব্যবস্থা যেমন ডেটা গুণমানের প্রতিবেদনগুলি বিশ্বস্ত এবং শক্তিশালী মডেল তৈরি করতে সক্ষম হতে পারে।

ডেটা গভর্নেন্সের মাধ্যমে একটি দৃঢ় ভিত্তি স্থাপন করে, সংস্থাগুলি সফল এবং নির্বিঘ্ন AI বিকাশ এবং গ্রহণের জন্য একটি রোডম্যাপ তৈরি করতে পারে, উদ্দীপনা জাগাতে পারে।

পোস্টটি AI ক্লান্তি মোকাবেলার বিভিন্ন উপায়ের একটি সামগ্রিক ওভারভিউ দেয় তা নিশ্চিত করার জন্য, আমি সাংগঠনিক সংস্কৃতির ভূমিকার উপরও জোর দিই, যা ডেটা গভর্নেন্সের মতো অন্যান্য সেরা অনুশীলনের সাথে মিলিত হয়ে ডেটা সায়েন্স টিমগুলিকে শীঘ্রই অর্থপূর্ণ AI অবদানগুলি তৈরি করতে সক্ষম এবং ক্ষমতায়িত করবে। দ্রুত
 
 

বিধি চুগ একজন AI কৌশলবিদ এবং একজন ডিজিটাল ট্রান্সফরমেশন লিডার যিনি পণ্য, বিজ্ঞান এবং প্রকৌশলের সংযোগস্থলে স্কেলযোগ্য মেশিন লার্নিং সিস্টেম তৈরি করতে কাজ করছেন। তিনি একজন পুরস্কার বিজয়ী উদ্ভাবনী নেতা, একজন লেখক এবং একজন আন্তর্জাতিক বক্তা। তিনি মেশিন লার্নিংকে গণতন্ত্রীকরণের একটি মিশনে রয়েছেন এবং প্রত্যেকের জন্য এই রূপান্তরের অংশ হওয়ার জন্য জারগন ভাঙতে চলেছেন৷

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://www.kdnuggets.com/can-data-governance-address-ai-fatigue?utm_source=rss&utm_medium=rss&utm_campaign=can-data-governance-address-ai-fatigue