Adatminőség és AI readiness
Az AI-rendszer minőségét nem csak a modell határozza meg. A megfelelő adatnak a megfelelő időben, jogosultsággal és minőségben kell eljutnia a megfelelő AI-komponenshez.
Nem azt, hogy minden vállalati adatot egyetlen óriási adatbázisba kell másolni. Az adat akkor AI-ready, ha a konkrét use case számára elérhető, értelmezhető, megfelelő minőségű és friss, biztonságosan használható, a jogosultságai pedig egyértelműek.
A jó adat feladathoz kötött: ami havi vezetői riporthoz megfelelő, nem feltétlenül alkalmas valós idejű agent döntéshez.
A production rendszernek nem csak azt kell tudnia, mire képes a modell, hanem azt is, melyik adatból és milyen jogosultsággal dolgozhat.
| Adattípus | Példák |
|---|---|
| Strukturált | ERP, CRM, SQL, pénzügy, termelés, ticketing és idősor |
| Strukturálatlan | PDF, szerződés, e-mail, prezentáció, kép, hang és videó |
| Külső | Piaci adat, nyilvános adatbázis, beszállítói API, árfolyam és időjárás |
A szükséges minőségi szintet a döntési kockázat és az üzleti cél alapján határozzuk meg.
Elavult árlistából hibás ajánlat, hiányos ügyféltörténetből rossz prioritás, duplikált termékadatból hibás készletinformáció, rossz jogosultságból pedig adatszivárgás lehet.
Az egyszeri adattisztítás ezért kevés: a production rendszerben folyamatos validáció, schema check, anomaly detection, frissesség-ellenőrzés, lineage, karantén és monitoring szükséges lehet.
A cél nem egy egyszer megtisztított dataset, hanem egy megbízható adatfolyam.
A fejlesztés előtt célzottan felmérjük, rendelkezésre áll-e a use case-hez szükséges adat és kontroll.
Mit kell az AI-jal megoldani?
Mely forrásokra van szükség?
API, adatbázis, fájl vagy más kapcsolat?
Pontosság, teljesség és frissesség.
Ki és milyen célból használhatja?
Hogyan jut el az adat a rendszerhez?
Hogyan észlelhető a minőség romlása?
A rendszer közvetlen API-n kérhet le adatot, MCP-n keresztül használhat vállalati toolt, jogosultság alapján kereshet dokumentumot, adatbázisból kérdezhet vagy eseményre reagálhat.
A cél a szükségtelen másolás és duplikáció elkerülése; az architektúrát mindig a konkrét use case alapján tervezzük.
Production RAG-nál meg kell tervezni a darabolást, metadatát, indexelést, frissítést, törlést, verziókezelést, forrásjogosultságokat és a retrieval minőségének mérését.
A jó RAG nem egyszerűen vector database + LLM. Ez adatarchitektúra.
Ehhez SSO, szerepkör-alapú és dokumentumszintű hozzáférés, tenant separation, audit log, service account kontroll és tool-szintű jogosultság szükséges lehet.
Bizonytalan, hiányos vagy ellentmondásos adatnál a workflow emberi ellenőrzésre adhatja át az esetet.
Nem az összes vállalati adat tökéletesítése a cél. A helyes sorrend az üzleti problémától és az AI use case-től vezet a szükséges döntéseken és adatokon át az elvárt minőséghez, majd az adatpipeline-hoz és a rendszerhez.
Csak azon az adatminőségen dolgozunk, amelynek tényleges üzleti hatása van.
Kézzelfogható eredmény
Az AI readiness és adatminőség use case-függő. A felmérés célja az adott üzleti célhoz szükséges adat megbízhatóvá és használhatóvá tétele.
30 perces projekt-egyeztetés
Közvetlenül műszaki és üzleti vezetőinkkel egyeztethet. Az első beszélgetéshez elég a megoldandó problémát ismernie.