Cel mai frecvent motiv pentru care un proiect de inteligență artificială nu produce valoare nu este alegerea modelului. Este calitatea datelor pe care se antrenează.
Semnele că fundația lipsește
Aceeași metrică are trei valori diferite, în funcție de raport. Nimeni nu poate spune cu certitudine ce înseamnă „client activ”. Datele istorice au fost modificate retroactiv, fără urmă în jurnal. Un câmp important este completat în 40% dintre înregistrări.
Într-un astfel de context, un model va învăța zgomotul, nu tiparul.
Ce construim mai întâi
- Dicționarul de indicatori. Fiecare metrică are o definiție unică, agreată între business și tehnic, și un proprietar responsabil.
- Fluxuri versionate. Transformările de date trăiesc în repository, cu teste care rulează la fiecare modificare.
- Teste de calitate automate. Prospețime, completitudine, unicitate, distribuție. Când o verificare cade, cineva primește alertă înainte ca raportul greșit să ajungă la conducere.
- Trasabilitate. Orice cifră dintr-un panou de control poate fi urmărită până la înregistrarea sursă.
Abia apoi modelele
Cu fundația așezată, un model devine o problemă de inginerie, nu de noroc. Îl evaluăm pe date reale, definim pragul de acceptare împreună cu echipa de business și îl punem în producție doar după o perioadă de rulare în paralel.
Iar dacă, după evaluare, o regulă simplă obține 95% din beneficiul modelului la 5% din cost, recomandăm regula. Asta face parte din meseria noastră.