Деятельность любой вертикально-интегрированной компании в производственной индустрии невозможна сегодня без информационной системы, объединяющей и контролирующей инженерные данные по объектам на протяжении всего их жизненного цикла. От качества таких данных и возможности их повторного использования зависит успех бизнеса компании.
Приобретение всех необходимых инструментов для управления качеством данных, определение KPI для продуктов, отладка отдельных процессов проверки качества могут не принести ожидаемых бизнес-результатов при отсутствии сквозного обеспечения качества данных. Компонентный подход позволяет объединить различные процессы, отследить родословную данных и исключить ошибки в их качестве.
По мере расширения областей применения систем искусственного интеллекта все более актуальным становится проблема обеспечения гарантий их функциональной корректности и безопасности. Особенно важно это в таких критически важных прикладных отраслях, как медицина, транспорт, промышленность, системы безопасности и др. Характеристики функциональности и безопасности систем искусственного интеллекта во многом определяются качеством используемых в них данных.
Методологии и технологии управления данными в России сегодня на подъеме – этому способствуют, с одной стороны, требования экономики данных, а с другой, появление на рынке свободных ниш, занимаемых ранее зарубежными ИТ-игроками. Какие тенденции сегодня наблюдаются в отечественной индустрии управления данными и что можно сказать про прогнозы ее развития? Ведущие представители отрасли делятся своими взглядами на судьбы индустрии.
Проблема автоматической передачи без искажений любой информации о состоянии здоровья пациента становится сегодня все более актуальной. Однако гиперавтоматизация бизнес-процессов и рост применения искусственного интеллекта в российском здравоохранении выявили проблему контроля рисков искажения медицинских записей. Технологической основой системы управления подобными рисками может быть модель контроля качества медицинских записей, подразумевающая наличие встроенного в медицинские информационные системы модуля контроля. Но на пути ее внедрения имеется ряд проблем.
Проблема автоматической передачи без искажений любой информации о состоянии здоровья пациента становится сегодня все более актуальной. Однако гиперавтоматизация бизнес-процессов и рост применения искусственного интеллекта в российском здравоохранении выявили проблему контроля рисков искажения медицинских записей. Технологической основой системы управления подобными рисками может быть модель контроля качества медицинских записей, подразумевающая наличие встроенного в медицинские информационные системы модуля контроля. Но на пути ее внедрения имеется ряд проблем.
Данные для любого предприятия цифровой экономики — это ценный актив, но как его измерить, а специалистам по управлению данными обосновать перед руководством экономический эффект от проектов, направленных на повышение качества данных? Можно ли оценить целесообразность затрат на повышение качества конкретных данных: клиентских, данных кредитного портфеля банка и общих справочников?
На базе стека Open Source в «Газпромбанке» развернута система, позволившая решить ключевые задачи управления качеством данных. Наличие конструктора проверок, системы визуализации и рассылки уведомлений, а также инструментов интеграции с любыми системами, работающими в контуре организации, позволяет оперативно выстраивать процессы контроля основных показателей качества данных и интегрировать их в бизнес-процессы.