Uporządkuj własne dane, zanim AI zacznie na ich podstawie przewidywać

Na czym to polega

Zanim uruchomisz narzędzie AI, które uczy się na twojej własnej historii, sprawdź dane, na których będzie się uczyć. Dane muszą być kompletne, zapisywane za każdym razem w ten sam sposób i przechowywane w jednym miejscu. Jeśli takie nie są, najpierw to napraw.

Takie narzędzia szacują cenę nowego zlecenia na podstawie dawnych zleceń, czas zadania na podstawie dawnych zadań albo następny krok wobec klienta na podstawie jego historii.

Ogólny asystent czatowy używany do pisania wersji roboczych nie potrzebuje tego kroku. Narzędzie, które przewiduje na podstawie twoich danych, potrzebuje.

Co pokazują dowody

Podstawą tej rady są przypadki firm wymienione niżej w sekcji „Przypadki firm”. Żadne badanie jej nie sprawdziło.

Porządkowanie było główną pracą. Sześcioosobowy warsztat obróbki metali chciał, by AI wyceniała części na zamówienie na podstawie historii produkcji. Duża część projektu poszła na przygotowanie danych. Właściciel mówi: “If the data is not clean, the tool will not be reliable.” [„Jeśli dane nie są czyste, narzędzie nie będzie wiarygodne”]. Wycena zajmuje teraz około dziesięciu minut, a czasem zajmowała dwie godziny.
Dane trzeba było stworzyć. Producent konstrukcji stalowych miał czasy produkcji zapisywane ręcznie. Czasy dla identycznych części różniły się nawet o 30 minut, więc były mało przydatne. Pierwszą połowę projektu zajęła prosta aplikacja, w której pracownicy zapisywali rzeczywiste czasy. Model AI wytrenowany na tych czasach był mniej więcej pięć razy bliżej rzeczywistych wartości niż eksperci firmy.
Jedno miejsce na każdego klienta. Dwuosobowa firma doradcza działała na e-mailach i arkuszach kalkulacyjnych. Firma wskazuje jeden plik na klienta, zamiast rozproszonych plików, jako jedną z decyzji, od których zależał jej projekt. Firma sprzątająca trzymała dane klientów w arkuszach. Przeniosła klientów do jednego systemu do obsługi klientów, a AI w tym systemie podpowiada teraz odpowiedzi na podstawie historii każdego klienta.
Słabe dane na wejściu, błędne odpowiedzi na wyjściu. Rite Aid dopuścił zdjęcia niskiej jakości do bazy, z którą system rozpoznawania twarzy porównywał klientów. Regulator stwierdził, że zwiększyło to ryzyko fałszywych dopasowań. Klienci byli niesłusznie oskarżani, a sieć dostała pięcioletni zakaz używania tej technologii.

Tam, gdzie długie i kompletne dane już istnieją, ten krok jest krótki. Zakład produkujący chipy miał dane z 1197 dawnych partii produkcyjnych, każda z 3614 zapisanymi wartościami. Model AI wytrenowany na tych danych wskazał dwa etapy produkcji, które psuły chipy.

Podobnie mówi dostawca AI na podstawie własnych danych. Anthropic, który sprzedaje model AI Claude, sklasyfikował, jak firmy używają tego modelu. W raporcie z września 2025 roku twierdzi, że złożone zastosowania ogranicza bardziej dostęp do właściwego kontekstu niż sam model. To odczytanie przez dostawcę tego, jak używają go jego klienci, a nie test.

Jak to zrobić

Nazwij jedną rzecz, którą chcesz przewidywać. Warsztat obróbki metali chciał znać cenę nowej części. Producent konstrukcji stalowych chciał znać czas walcowania jednego arkusza blachy. Jedna prognoza mówi ci, które dane się liczą.
Wypisz dane, których potrzebuje prognoza, i to, gdzie są. W warsztacie obróbki metali były to wpisy w oprogramowaniu firmowym, wykazy części, pliki 3D i standardowe marszruty produkcyjne.
Sprawdź, czy danym można ufać. Weź dziesięć identycznych lub niemal identycznych dawnych zleceń i porównaj, co zapisano. Producent konstrukcji stalowych znalazł różnice sięgające 30 minut między identycznymi częściami. To mu powiedziało, że trzeba zacząć od nowa.
Jeśli dane nie są wystarczająco dobre, zacznij je zapisywać. Niech to będzie proste. Producent konstrukcji stalowych rozłożył jeden proces na etapy i dał pracownikom aplikację do zapisywania każdego etapu przy danym zleceniu. Dopracował aplikację razem z pracownikami i przeszkolił ich z jej obsługi.
Zapisuj to, co naprawdę się wydarzyło. Eksperci producenta przeszacowywali czynności poboczne, takie jak przenoszenie materiału. Narzędzie wytrenowane na szacunkach powieliłoby ten błąd. Trenuj na zmierzonych czasach, rzeczywistych kosztach i rzeczywistych wynikach.
Powiąż każdy zapis z jego zleceniem lub klientem. Warsztat obróbki metali powiązał każdy plik 3D z zapisem, jak wykonano daną część. Firma doradcza umieściła wszystko o danym kliencie w jednym pliku.
Zdecyduj, co może trafić do danych. Ustal minimalny standard nowego zapisu i wskaż, kto go sprawdza.
Zapisuj dalej, gdy narzędzie już działa. Producent konstrukcji stalowych nadal zapisuje każde nowe zlecenie i regularnie aktualizuje model na podstawie tych zapisów.

Co mierzyć

Różnicę między zapisami identycznych zleceń przed uporządkowaniem i po nim.
Odsetek dawnych zleceń z kompletnym zapisem.
Jak daleko prognozy narzędzia odbiegają od tego, co naprawdę się wydarzyło, na zleceniach, których narzędzie wcześniej nie widziało. Zob. mierz względem pomiaru wyjściowego.

Gdzie to zawodzi

Porządkowanie wszystkiego. Producent konstrukcji stalowych ograniczył projekt do jednego procesu. Uporządkuj dane potrzebne do jednej prognozy, potem idź dalej. Zob. zacznij od jednego kosztownego procesu.
Zapisywanie, za którym pracownicy nie nadążają. Centrum, które prowadziło projekt producenta konstrukcji stalowych, podaje, że problemy z ludźmi ciągle spowalniały zbieranie danych i wydłużyły projekt. Niech zapisywanie będzie szybkie i zaangażuj ludzi, którzy je wykonują.
Nikt potem nie odpowiada za dane. Nowe wpisy wracają do dawnego standardu. Wskaż jedną osobę.
Zaczynanie od narzędzia. Narzędzie kupione przed sprawdzeniem danych będzie oceniane po odpowiedziach, których nie mogło podać poprawnie.

Według wielkości firmy

Mikro i małe: właściciel może to zrobić sam. Właściciel warsztatu obróbki metali prowadził projekt sam, ze swoim asystentem i bez firmy doradczej.
Średnie: wybierz jeden proces i powierz jego dane jednej wskazanej osobie. Spodziewaj się, że zbieranie i porządkowanie zajmie dużą część projektu.
Średnio-duże i duże: dane zwykle istnieją, ale są rozproszone w kilku systemach. Praca polega na ich połączeniu i uzgodnieniu jednego sposobu zapisywania we wszystkich zakładach i zespołach.

Przypadki firm

Firmy, które to zrobiły

Co się stało bez niej

Rite Aid Regulator stwierdził, że Rite Aid nie zapobiegła wprowadzaniu zdjęć niskiej jakości do bazy rozpoznawania twarzy, co zwiększało ryzyko fałszywych dopasowań. Coś poszło nie tak

Źródła

Żadne opublikowane badanie nie sprawdza tej praktyki bezpośrednio, dlatego ma ocenę „Wstępne”. Ocena opiera się na przypadkach firm opisanych wyżej i na źródłach podanych niżej.

Anthropic (15 September 2025). Anthropic Economic Index report. A report by an AI vendor on how its own customers use its model. anthropic.com