Data governance? Ktokolwiek widział, ktokolwiek wie

Dane są ważniejsze od algorytmu. To stwierdzenie Erica Siegela dobrze obrazuje, jak istotne dla funkcjonowania systemu sztucznej inteligencji jest dobre przygotowanie, które zaczyna się de facto na etapie koncepcyjnym.

Cykl życia systemu sztucznej inteligencji jest skomplikowany i wieloetapowy, a jednym z kluczowych „momentów” jest ten dotyczący danych – ich dostępności, oceny jakości czy przydatności do konkretnego projektu. Moment ten jest rozciągnięty w czasie, obejmuje wiele etapów cząstkowych i dlatego dla organizacji opartej na mądrym wykorzystaniu danych (data-driven) posiadanie odpowiednich rozwiązań organizacyjnych i technicznych, a także „nastawienie” pracowników będzie miało kluczowe znaczenie dla sukcesu projektów AI.

W dzisiejszym felietonie nie będę rozwijał wątku tzw. data governance, czyli ładu dla danych, który powinien poprzedzać tworzenie analogicznych rozwiązań dla systemów sztucznej inteligencji, ale chciałbym zwrócić uwagę na ważny art. 10 projektu rozporządzenia w sprawie sztucznej inteligencji (AI Act). Przepis ten – choć odnosi się do wymaganych (dobrych) praktyk dla specyficznej kategorii systemów AI o wysokim ryzyku (np. rozwiązania biometryczne, rozpoznawanie emocji czy „scoringi”) – może stanowić bardzo dobrą podstawę do budowania własnych praktyk mających na celu zapewnienie, że dane, które wykorzystamy do projektów AI, będą „odpowiednie”, a więc spełniające określone kryteria.

Jakość jako cel

Zanim przejdziemy jednak do samego art. 10, warto uzmysłowić sobie, że jakość danych (i w pewnym zakresie ich...