Má bjóða þér brenglaðan gagnagraut?

Ímyndaðu þér að þú gangir inn á nýjan veitingastað. Til þín kemur stafrænn gervigreindarkokkur í tandurhreinni svuntu, með mikið sjálfstraust og sannfærandi bros. Hann geislar af slíkri fagmennsku að þú treystir honum strax – þú hugsar með þér að þú hafir mögulega fundið falinn Michelin-stað sem enginn veit af ennþá.

Hann leggur fyrir framan þig disk og segir með mikilli ástríðu: „Gjörið svo vel, þetta eru nákvæmlega þær upplýsingar sem þú pantaðir, verði þér að góðu.“

Framsetningin lítur óaðfinnanlega út, nánast eins og listaverk. En um leið og þú skoðar diskinn betur veistu að það er ekki allt með felldu. Hráefnin virðast vera algjörlega úr samhengi við pöntunina og ljóst að engin uppskrift var notuð. Þegar þú svo smakkar staðfestist grunurinn – bragðið er brenglað.

Það er nefnilega misjafnt hvað þarf til svo kokkurinn geti borið fram góðan mat. Það fer í raun allt eftir aðgengi hans að gæðahráefnum og skýrum uppskriftum – eða með öðrum orðum: samhengi og skilningi á gögnunum sem hann vinnur með.

Þetta er nákvæmlega það sem gerist þegar gervigreind er hleypt í gögnin þín án samhengis. Hún er eins og þessi sjálfumglaði kokkur: hún er ekkert nema sjálfstraustið og hljómar alltaf eins og hún viti hvað hún er að gera. Hún getur búið til svör sem líta faglega út og eru sett fram af mikilli sannfæringu, en án leiðbeininga er innihaldið ekkert nema fallega framsettur stafrænn gagnagrautur.

Gögnin eru hráefni - ekki fullbúin máltíð

Við heyrum reglulega að gögn séu verðmæt og skipti sköpum, en að eiga mikið af þeim skilar manni engu eitt og sér. Í hefðbundnum rekstri safnast upp alls kyns gögn hér og þar. Við geymum þau í gagnagrunnum, skjölum og hinum ýmsu kerfum sem við notum dags daglega. Við reynum eftir bestu getu að halda utan um þau og flokka til að gera þau aðgengileg síðar.

Það er hins vegar eins og að vera með fullt af hráefnum til matargerðar; þau skila manni ekki góðri máltíð nema að unnið sé úr þeim af þekkingu. Sama hversu flottir gagnagrunnarnir eða skjalasöfnin eru, þá vantar oft þetta samhengi til að hægt sé að matreiða góðar upplýsingar. Geymsla gagna er nefnilega fyrst og fremst tæknilegt úrlausnarefni, en það að gefa þeim merkingu og búa til samhengi er það sem breytir hráefninu í raunverulegt virði.

Uppskrift að árangri: Innviðir sem styðja við ákvarðanatöku

Ef við ætlum að tryggja að gervigreindarkokkurinn okkar standi undir væntingum þurfum við að líta á tæknina sem verkfærin í eldhúsinu. Það fylgja mörg ný og framandi orð gervigreindarbylgjunni, en í grunninn snúast þau öll um það sama: Að tryggja að kokkurinn skilji pöntunina, finni rétta hráefnið og noti þekkingu sína til að matreiða góðan mat.

En góður veitingastaður dugar skammt ef það eru engir viðskiptavinir. Það eru nefnilega gestirnir sem dæma um gæði matarins. Þeir eru með væntingar og það eru þeir sem ákveða hvort pöntunin hafi skilað sér rétt á diskinn. Ef gesturinn fær ekki það sem hann pantaði, skiptir engu hversu flott framsetningin er.

Til þess að upplifun gestanna verði sem best, þurfum við að innleiða nokkur ný verkfæri í skipulag eldhússins:

• RAG (Uppflettirit kokksins): Hugsaðu um RAG (Retrieval-Augmented Generation) sem muninn á tveimur kokkum:

  • Kokkur án RAG: Hann lærði allt í skóla fyrir fimm árum. Ef þú spyrð hann: „Hvað er til mikið af laxi?“ þá neyðist hann til að giska, því hann hefur ekki skoðað birgðastöðuna í dag. Hann gæti sagt af miklu öryggi: „Það er til nóg af laxi,“ jafnvel þótt hann sé búinn.

  • Kokkur með RAG: Hann er með spjaldtölvu í hendinni sem er tengd beint við birgðakerfið. Þegar þú spyrð hann um laxinn, byrjar hann á því að kíkja á skjáinn, sækir niðurstöðurnar og svarar svo: „Við eigum nákvæmlega 4,2 kíló af laxi“.

• System Prompts: Hugsaðu um þetta sem fastmótaðar vinnureglur hjá kokkinum. Þær segja honum nákvæmlega hvernig hann á að koma fram við gestina og hvernig hann á að túlka pantanir svo upplifunin sé alltaf sú sama.

Dæmi: „Við notum aldrei kóríander í þennan rétt og allan fisk á að bera fram með sítrónu“ Þetta tryggir að kokkurinn fylgi alltaf reglum veitingastaðarins en fari ekki að spinna sínar eigin reglur í hvert skipti sem einhver pantar mat.

• Gagnamódel og skipulag (Geymslan sjálf): Til þess að kokkurinn geti unnið skipulega þarf aðgengi að hráefnum að vera gott. Ef aðgengið er tímafrekt og merkingar rangar getur það haft veruleg áhrif á skilvirkni og aukið líkur á brenglun. Tæknimennirnir sem vinna með gervigreindina geta gert mikið til að greiða leiðina að rétta hráefninu, en stundum þarf hreinlega að kalla til gagnasérfræðinga til að gera úrbætur.

• Forvinna á hráefni (Staging og ETL): Líkt og á góðum veitingastöðum er mikilvægt að undirbúa hráefnin áður en pöntunin kemur inn. Þetta köllum við ETL (Extract, Transform, Load). Við sækjum gögn úr grunnkerfum, eins og viðskiptamannakerfum (ERP), flytjum þau yfir í „staging“ lag og hreinsum þau þar.

  • Dæmi: Þetta er eins og að skola sandinn af salatinu og flysja kartöflurnar fyrirfram. Þannig er hráefnið tilbúið í pottinn þegar kokkurinn þarf á því að halda, sem léttir álagi á aðalkerfin og tryggir að gervigreindin vinni með rétt meðhöndluð gögn.

• Skipulögð hráefnageymsla (Vöruhúsið): Í stað þess að kokkurinn þurfi að leita í gegnum risastóra og óreiðukennda vöruskemmu þar sem hlutirnir eru geymdir eftir því hvenær þeir komu inn, þá endurskipuleggja gagnasérfræðingar geymsluna í vöruhús gagna. Þar er búið til fyrirspurnalag sem er mótað eftir matseðlinum (viðskiptamódeli fyrirtækisins).

  • Dæmi: Við röðum hráefninu upp í hillur (víddir). Ein hillan er fyrir kjötvörur önnur fyrir grænmeti og sú þriðja fyrir mjólkurvörur. Í stað þess að leita í þúsundum kassa eftir tómötum þá veit kokkurinn nákvæmlega í hvaða hillu hann á að fara til að nálgast rétt hráefni.

• Merkingarlag (Semantic Layer): Hér mætast tækni, viðskiptagreind og samhengi. Þetta lag tryggir að allir skilji hugtökin eins, óháð því hvernig spurningin er orðuð.

  • Dæmi: Í stað þess að kokkurinn þurfi að kunna flókna reikniformúlu, þá búum við til sameiginlegt samhengi eins og „Sala án vsk“ eða „Selt magn“. Gervigreindin biður bara um „Sölu“ og fær alltaf þá tölu sem fyrirfram hefur verið ákveðin, t.d. “Sala án VSK”.

• Lagerstjórinn í lúgunni (MCP og API): MCP (Model Context Protocol) er nýjasta tæknin í gervigreindarverkefnum í dag þegar kemur að samþættingum. Hann virkar eins og lagerstjóri sem sér um að afhenda kokkinum það sem hann vantar í gegnum afgreiðslulúgu (API). Við setjum þessar afgreiðslulúgur ofan á gögnin okkar til að gera þau aðgengilegri, svo kokkurinn fái alltaf réttu hráefnin miðað við sínar óskir.

Dæmi: Í stað þess að gervigreindarkokkurinn þurfi að fara sjálfur að leita út um allt að hráefnum í vöruhúsinu eða öðrum kerfum, þá biður hann lagerstjórann (MCP) um hráefnið. Lagerstjórinn veit nákvæmlega hvar allt er, sækir það og réttir kokkinum það í gegnum afgreiðslulúguna (API). Þetta eykur hraða og öryggi, ásamt því að búa til samhengi sem kemur í veg fyrir að kokkurinn sé að „redda sér“ með alls kyns hráefnum sem hann finnur hverju sinni (það sem kallað er hallucinations í gervigreindinni).

• Frá upplýsingum yfir í framkvæmd (Agents): En kerfið getur gert meira en bara að sækja hráefni til að svara fyrirspurnum. Með því að bæta við Agents fær lagerstjórinn framkvæmdarvald. Hann getur ekki bara svarað spurningum heldur líka framkvæmt verkefni sjálfstætt, eins og að panta nýtt hráefni sjálfkrafa þegar hann sér að birgðir á lager eru að klárast.

Þó svo að við séum í dag að tala um fjölmörg ný hugtök, og jafnvel endurvekja gömul hugtök sem hafa fengið nýtt hlutverk og aukið vægi í samhengi gervigreindar, þá breytist eitt ekki: vönduð þarfagreining er alltaf lykilforsenda árangurs. Hvort sem um ræðir RAG, MCP, gagnamódel eða hefðbundin gagnavinnsla, þá þarf að meta í hverju tilviki hvaða lausnir henta best. Val á verkfærum ræðst ekki af því hvað er nýjast eða mest áberandi, heldur af flækjustigi verkefnisins, umfangi þess og þeim ákvörðunum sem styðja á við.

Er veitingastaðurinn þinn tilbúinn að taka á móti pöntunum?

Eins og komið hefur fram skiptir litlu máli hversu snjall og sannfærandi „kokkurinn“ er ef hann hefur hvorki skýrar uppskriftir né aðgang að réttum hráefnum. Án samhengis, skilgreininga og öruggs aðgangs að gögnum verður upplifunin oft fallega framsett — en röng.

Gervigreind leysir ekki vandamál sem þegar eru til í gögnum. Hún gerir þau einfaldlega sýnilegri. Þegar hún fær rangar forsendur, svarar hún engu að síður af miklu sjálfstrausti. Það er ástæða fyrir því að brenglaður gagnagrautur lítur oft betur út en hann bragðast.

Lausnin liggur ekki í einu tæknilagi, heldur í samspili:

• gervigreindarsérfræðinga, sem koma með ný verkfæri og þekkingu
  
  
  

• gagnagrunns- og gagnasérfræðinga, sem þekkja hráefnið vel
  
  
  

• viðskiptahliðarinnar, sem skilgreinir hvað „rétt svar“ á að þýða í raun
  
  
  

Hvernig opnum við eldhúsið?

Algengur misskilningur er að allt þurfi að vera fullkomið áður en byrjað er. Raunin er önnur. Flest fyrirtæki geta opnað eldhúsið smátt og markvisst, án þess að endurskipuleggja allt.

Oft er hægt að byrja á þremur einföldum skrefum:

Byrja þar sem þörfin er raunveruleg

Veldu notkunartilfelli sem snertir daglegar ákvarðanir í rekstrinum — til dæmis lagerstöðu, sölutölur eða aðrar lykilupplýsingar. Markmiðið er ekki að svara öllum spurningum, heldur þeim sem skipta raunverulegu máli fyrir fólk sem þarf að fá upplýsingar hratt og örugglega til að taka ákvarðanir.

Opna örugga leið að gögnum

Í stað þess að bíða eftir fullkomnu gagnamódeli er hægt að opna og hafa aðgangsstýringu að þeim gögnum sem þegar eru til. Það getur verið í gegnum API, MCP eða með öðrum leiðum.

Mikilvægast er ekki hvernig gögnin eru sótt, heldur að bæði notendur og gervigreind fái alltaf sömu forsendur til að vinna út frá. Með slíkri nálgun er jafnframt hægt að „hræra í súpunni“ áður en hún er borin fram: persónugreinanlegum gögnum eru fleytt frá, passað upp á viðkvæmar upplýsingar og komið í veg fyrir að viðskiptaleyndarmál verði óvart aðgengileg. Þannig er aðgangurinn ekki bara skilvirkur, heldur einnig öruggur og í samræmi við reglur um persónuvernd og trúnað.

Taka rekstrarþekkinguna með frá fyrsta degi

Gervigreindarsérfræðingar og tækniteymi vita hvernig á að tengjast gögnum og vinna með verkfærin. En það eru sérfræðingarnir í rekstrinum sem vita hvað svarið á að þýða og hvernig það er notað í raun.
Þessi þekking býr hjá fólki sem hefur unnið með ferlana í áraraðir — í fjármálum, rekstri, sölu, þjónustu eða upplýsingatækni. Hún býr ekki endilega í gagnalíkönum, heldur í reynslu, undantekningum og óskráðum reglum.

Þegar þessi þrjú skref eru tekin verða svör gervigreindarinnar ekki bara tæknilega rétt, heldur nothæf í rekstrarlegum tilgangi.

APRÓ styður þitt fyrirtæki í gagna- og gervigreindarvegferðinni

APRÓ er leiðandi í innleiðingu á nýjustu tækni þegar kemur að samhengi gagna og hagnýtingu gervigreindar. Við búum yfir einu öflugasta teymi landsins sem spannar allt ferlið – frá því að skipuleggja „hráefnageymsluna“ yfir í að hanna „stafræna kokkinn“.

Hjá okkur starfa sérfræðingar með góða þekkingu á:

• Gervigreind og umboðsmenn (AI Agents): Við hönnum og innleiðum lausnir eins og RAG og MCP til að tryggja að gervigreindin skili tilætluðum árangri,

• Gagnagrunnum og gagnavinnslu: Reyndir gagnasérfræðingar og gagnaforritarar okkar sjá um að hreinsa, skipuleggja og móta gögnin þín (ETL/ELT) svo gervigreindin geti notað þau.

• Skýjalausnum (AWS og Azure): Við erum sérhæfðir samstarfsaðilar í bæði AWS og Azure. Við nýtum öfluga innviði, hvort sem það er Amazon Bedrock eða Microsoft Foundry, til að keyra gervigreindarverkefni á öruggan og skalanlegan hátt í því skýjaumhverfi sem hentar þér.

Við hjálpum fyrirtækjum að brúa bilið á milli flókinna tæknilausna og viðskiptaþarfa. Hvort sem þú þarft að koma skikka á stór gagnasöfn eða vilt smíða fyrstu „afgreiðslulúguna“ þína í AWS eða Azure, þá er teymið okkar tilbúið að leiða þig í gegnum ferlið – frá fyrstu greiningu til fullbúinnar lausnar.

Ertu tilbúinn að breyta gagnagrautnum í góða máltíð? Finnum þá saman réttu uppskriftina að árangri í þínu fyrirtæki. Hafðu samband og við sýnum þér hvernig þú getur hagnýtt gögnin þín með nýjustu tækni gervigreindar, óháð því hvaða skýjalausn þú notar.