01

Jakość zależy od zastosowania

Ten sam zbiór może wystarczyć do trendu miesięcznego i być zbyt niedokładny do automatycznej decyzji o pojedynczej sprawie. Najpierw trzeba opisać, jak dane będą używane i jaki błąd jest akceptowalny.

Właściciel biznesowy powinien wskazać pola krytyczne, reguły poprawności i źródło referencyjne. IT może mierzyć dane, ale nie ustali samodzielnie ich znaczenia w procesie.

02

Osiem praktycznych kontroli

Kontrola powinna obejmować nie tylko puste pola. Ważna jest wiarygodność całego przepływu.

  • kompletność wymaganych pól;
  • poprawność formatów i zakresów;
  • spójność między systemami;
  • aktualność oraz częstotliwość odświeżania;
  • unikalność i reguły łączenia rekordów;
  • pochodzenie oraz historia zmian;
  • reprezentatywność przypadków i grup;
  • uprawnienia, podstawa użycia i retencja.

03

Próbka, której można zaufać

Test nie może obejmować wyłącznie poprawnych i łatwych rekordów. Należy uwzględnić sezony, różne kanały, regiony, wyjątki, reklamacje, anulowania oraz przypadki historycznie problematyczne.

Dane testowe powinny być zabezpieczone tak samo jak produkcyjne. Jeżeli można zastosować minimalizację, anonimizację lub syntetyczne przykłady bez utraty celu testu, warto ograniczyć ekspozycję.

04

Jakość jako stały proces

Po wdrożeniu potrzebne są progi alarmowe, raporty odrzuceń i osoba, która podejmuje decyzję o korekcie źródła. Ręczne poprawianie wyniku bez usunięcia przyczyny tworzy ukryty koszt.

Zmiana formularza, systemu lub zachowania użytkowników może pogorszyć wynik modelu. Dlatego monitoruje się zarówno dane wejściowe, jak i jakość decyzji oraz liczbę eskalacji.

ŹRÓDŁA

Sprawdzone materiały źródłowe

Stan informacji zweryfikowano w dniu publikacji. W sprawach prawnych zakres obowiązków zawsze należy odnieść do konkretnej organizacji i zastosowania.

  1. Komisja Europejska — Data Act
  2. Komisja Europejska — Data Act explained
  3. NIST — AI Risk Management Framework
  4. NIST — profil ryzyka dla generatywnej AI