Sade anlatım
Bir restoran menüye yeni bir yemek koymadan önce biri mutfağa bakar: malzemeler stokta mı, taze mi, etiketli mi, bunların servis edilmesine izin var mı? Veri hazırlığı, bir yapay zeka projesi için yapılan aynı kontroldür. Sistemin ihtiyaç duyduğu bilgiye gerçekten ulaşılabiliyor mu, bu amaçla kullanılması hukuka uygun mu, bilgi güncel mi, anlaşılacak kadar iyi tanımlanmış mı ve iş için yeterince iyi mi diye sorar.
Neden önemli
Bir yapay zeka projesinde zamanın ve paranın çoğu veriye gider; gecikmelerin çoğu da orada başlar. İlk haftalarda yapılan bir hazırlık kontrolü, altıncı aydaki tatsız sürprizi planlanmış bir maliyete çevirir. Hazırlık her zaman kullanım senaryosuna göre değerlendirilir: aynı veri aylık bir rapor için hazır, müşterilere yanıt veren bir asistan için yetersiz olabilir. Üretken yapay zekada zor kısım çoğunlukla yapılandırılmamış içerik ve yetkilerdir. Sınırı: şirketteki bütün verinin temizlenmesini beklemek yanlış derstir. Seçilen kullanım senaryolarının ihtiyaç duyduğunu hazırlayın.
Örnek
Bir banka 900 müşteri ilişkileri yöneticisi için bir asistan planlıyor ve gereken beş kaynağı kontrol ediyor. Kredi politikaları ile ürün föyleri beş sınamanın hepsini geçiyor. Müşteri dosyaları erişim sınamasını geçemiyor: üçte biri, metni okunamayan taramalardan oluşuyor. Görüşme notları izin sınamasını geçemiyor: müşteriler hizmet amacıyla rıza vermiş, bu ise yeni bir amaç. Pazar raporları iki sınamayı geçemiyor: sahibi de tarihi de yok. Banka sekiz haftada hazır iki kaynakla başlıyor; öteki üçünü ayrı bir iş paketi olarak finanse ediyor.
Bununla en çok karıştırılan kavram
Data Readiness ve Veri kalitesi arasındaki fark
Veri kalitesi verinin doğru olup olmadığını sorar: doğruluk, eksiksizlik, tutarlılık. Hazırlık ise verinin bu amaçla şimdi kullanılıp kullanılamayacağını sorar. Yapay zeka sisteminin ulaşamadığı ya da rıza kurallarının kullanmasını yasakladığı kusursuz bir müşteri veritabanı, kalitesi yüksek ama hazır olmayan bir veridir. Tersi de olur: kusurlu veri, dar bir iş için çoğu zaman yeterlidir. Kalite, beş koşuldan biridir.
Teknik katman
Hazırlık değerlendirmesi kullanım senaryosundan başlar ve geriye doğru çalışır: ihtiyaç duyulan veriyi listeleyin, sonra her kaynağı beş koşula göre sınayın. Erişilebilir: bir arayüz ya da bağlayıcı vardır, biçimler makinece okunabilir, taramalar OCR'dan geçmiştir. İzinli: hukuki dayanak ve açık rıza bu amacı kapsar (GDPR, KVKK), lisanslar buna izin verir, erişim yetkileri doğrudur ve getirme adımına taşınır, hassas alanlar maskelenir. Güncel: güncelleme sıklığı işe uygundur, süresi dolan içerik arşivlenir. Belgeli: adı belli bir sahip, her alanın ya da belgenin ne anlama geldiğinin tanımı, verinin kaynağı ve geçerlilik tarihleri vardır. Kaliteli: doğruluk, eksiksizlik ve yinelenen kayıtlar, işin kaldırabileceği düzeye göre ölçülür. Tahmin modellerinde buna geçmiş verinin uzunluğu, etiketler ve temsil gücü eklenir. Üretken yapay zekada tabloların ve sunumların ayrıştırılması, filtreleme için üst veri ve yanıtı bilinen gerçek sorulardan oluşan bir test kümesi eklenir. Tipik bulgular: kaynağın sahibi yoktur, yetkiler düşünülenden geniştir, kritik bilgi insanların kafasında ya da e-posta kutularındadır. Çıktılar: kaynak başına kullan, düzelt ya da vazgeç kararı, bir efor tahmini ve adı belli sahipler.