Skip to content
Voir tous les articles

Comment postuler IA et ML pour une gouvernance stratégique des données Programmes

Les leaders du secteur des données dans différents secteurs s'attaquent à un problème commun : comment peuvent-ils appliquer efficacement l'intelligence artificielle et l'apprentissage automatique à leurs activités ? gouvernance des données programmes ? Des perspectives plus approfondies, évolutivité L'efficacité et la productivité sont des objectifs communs à atteindre lors de la mise en œuvre de programmes et de processus modernes dans ce domaine. C'est pourquoi BigID a réuni un groupe de dirigeants de différents secteurs pour une table ronde sur ce sujet spécifique.

Lors de notre récent sommet numérique, Moderniser la gouvernance des données : tirer parti de l'IA et minimiser les risques, nous avons exploré comment aborder ces questions. gouvernance moderne des données défis avec un panel d'experts en gouvernance des données, dont Krishna Cheriath, vice-président des données numériques et de l'analyse chez Zoétis; Prisca Doe, responsable de la gouvernance des données consultatives, chez eMoney; et Wendy Turner-Williams, vice-présidente de la gestion de l'information et de la stratégie, chez Salesforce. Lisez la suite pour connaître les points saillants et les principaux points à retenir du panel Exploiter l'IA/ML pour mettre en œuvre un programme de gouvernance des données.

Programmes de gouvernance des données

La réussite d'une stratégie de gouvernance des données dépend en grande partie de la taille de l'organisation. Parfois, la centralisation des données est la meilleure option, tandis que d'autres fois, un modèle en étoile est plus judicieux.

Afin de donner plus de pouvoir aux dépositaires de données et gestionnaires de données – et leur transmettre la responsabilité et la propriété des données – il est important que les responsables des données pilotent les services partagés et les plateformes de données qui permettent aux équipes non seulement d'innover, mais également de garantir que la gouvernance est intégrée au processus du cycle de vie du développement logiciel (SDLC) tout en s'assurant qu'il intègre la confiance.

Pour nos panélistes, la stratégie de création de programmes de gouvernance s'articule autour de l'identification des cadres, des acteurs clés et des rayons, et du travail visant à établir la confiance et le partenariat avec les différentes équipes de l'organisation afin d'identifier non seulement leurs priorités, mais aussi les priorités partagées au sein de l'entreprise pour accélérer la maturité de la gestion des données.

Les outils basés sur l'IA et le ML ont traditionnellement été considérés comme une solution à l'échelle de l'entreprise axée sur la performance identification des données Au sein de l'organisation. Une fois les données identifiées et classées, des outils spécifiques à chaque service s'intègrent à ces solutions pour éviter que les équipes de direction n'imposent des outils universels aux unités opérationnelles.

La gouvernance des données rencontre la confidentialité

Aujourd’hui, alors que de plus en plus de réglementations en matière de confidentialité et de protection continuent d’émerger, les responsables des données doivent travailler en étroite collaboration avec les équipes de conformité et juridiques. GDPR était le fer de lance qui redynamise aujourd'hui la communauté de la gouvernance des données. Au cours de la discussion, nos intervenants ont souligné que, dans ce monde où le RGPD est roi, garantir la confiance passe par la garantie de bonnes pratiques. gestion des métadonnées et la vie privée.

La frontière entre les équipes de gouvernance des données et de confidentialité s'estompe. Ces deux équipes doivent collaborer étroitement pour surveiller, exploiter et gérer les données afin de répondre aux exigences de confiance de manière réaliste et proactive plutôt que réactive. Pour que les composantes juridiques soient implémentées dans les systèmes de l'entreprise, gouvernance des données Il faut d’abord savoir où se trouvent vos actifs : si vous ne savez pas où se trouvent vos actifs, vous ne pouvez pas garantir la confiance.

Et en parlant de lignes floues, conservation des données La gouvernance des données de nouvelle génération repose souvent sur le partage des données, les rôles appropriés pour leur consommation, les métadonnées appropriées, la confidentialité et les autres leviers qui l'accompagnent. Elle aborde également les questions éthiques et l'utilisation responsable des données, ainsi que la protection des droits des clients, des employés et des autres parties prenantes en matière de données. Il ne s'agit plus d'éléments isolés, et les entreprises doivent l'envisager comme une réflexion plus large sur les données, dont les multiples piliers doivent collaborer.

Bien souvent, lorsque des données sont collectées dès les premières étapes d'une relation, le consentement est au cœur des préoccupations. Cependant, les entreprises doivent également réfléchir à la cycle de vie complet des données à mesure que les données vieillissent, et comment l'utilisation des données passe d'une utilisation primaire à une utilisation secondaire et comment les entreprises maintiennent la fidélité aux concepts originaux sous lesquels les données ont été collectées. Conservation des données, ainsi que la consommation de données tout au long d’un cycle de vie, est un concept extrêmement important au sein de toute entreprise.

Catalogage des données et glossaire

Il est clair que les équipes de gouvernance des données ont une portée large, et à mesure que davantage d'éléments entrent dans leur champ de vision, deux d'entre eux restent au premier plan des programmes de gouvernance des données. catalogage des données et des fonctions de glossaire d'entreprise.

Comprendre où se trouvent vos actifs, en les cataloguant et en vous assurant que vous disposez des droits marquage des métadonnées Oriente les décisions de manière judicieuse, que votre priorité soit la gestion du cycle de vie et de la conservation des données ou leur classification. Nous vivons dans un monde de données où la vélocité et l'évolutivité sont immenses. L'époque où l'on essayait de cataloguer les données manuellement est révolue : elles ne sont pas évolutives.

Les données changent constamment au quotidien et il est important que les organisations disposent d'une infrastructure ML hautement efficace et évolutive. catalogues de données qui soutiennent ces changements.

Catalogues de données peut favoriser l'adoption du ML et de l'IA, car les équipes de données constatent des améliorations substantielles en ce qui concerne la réduction des coûts opérationnels pour répondre aux questions, ainsi qu'une agilité commerciale accrue grâce à la démocratisation et à la découverte des données.

Les catalogues de données sont également utilisés pour les évaluations des risques, les évaluations de sécurité et les contrôles de conformité. De nombreux termes doivent être extraits des systèmes sources et gérés de manière standardisée et reproductible. Le Machine Learning est un aspect clé de ce processus pour garantir la cohérence et l'évolutivité de ces moteurs de règles standard.

Quoi de neuf en matière de qualité des données

La qualité des données n'est certes pas un sujet nouveau, mais pour les acteurs de la communauté des données, la qualité des données est l'un des objectifs ultimes. Certains pourraient penser que la qualité des données est un iceberg classique : l'attention se porte sur ce qui se passe au-dessus et en dessous de la ligne de flottaison. Traditionnellement, l'intérêt se porte sur ce qui se passe en dessous de la ligne de flottaison ; les indicateurs et mesures de la qualité des données sont axés sur leur gestion et leur qualité. Mais récemment, l'accent est davantage mis sur ce qui se passe au-dessus de la ligne de flottaison : quelle est l'application des données dans un contexte de valeur métier ? Et quelle est la qualité et la véracité des données pour ce cas d'utilisation métier ?

Les entreprises doivent exploiter à la fois les approches au-dessus et en dessous de la ligne de flottaison pour la qualité des données.

Ces dernières années, la qualité des données a été définie de manière plus large, couvrant différentes dimensions. Il s'agit de replacer les mesures de qualité dans le contexte d'un cas d'utilisation porteur de valeur métier. Cette stratégie peut ainsi s'avérer bien plus efficace et garantir des échanges fructueux avec les acteurs économiques et technologiques.

La gestion des données et le capital humain ne suffisent pas à relever seuls les défis liés à la qualité des données : seule une combinaison homme-machine peut y parvenir. Cela implique d'appliquer l'IA et le ML pour relever 80% de ces défis, tout en mobilisant le précieux capital humain pour les 20% restants. Les entreprises doivent privilégier l'apprentissage automatique pour relever ces défis, notamment face à l'hétérogénéité croissante des données et au volume que nous devons tous traiter.

Bien qu'il n'existe pas de recette miracle pour réussir, notre panel d'experts nous apprend que la stratégie de gouvernance des données doit être adaptée à chaque organisation. Une stratégie de gouvernance réussie doit s'aligner sur les objectifs opérationnels de l'organisation et utiliser la gouvernance des données comme un outil essentiel.

Dans le cadre de la gouvernance des données, l'IA et le Machine Learning peuvent être exploités pour introduire des innovations significatives. Grâce à des données de haute qualité, les équipes de données peuvent soutenir une culture axée sur les données et accélérer l'innovation au sein de l'organisation : envisagez la gestion, la qualité et la gouvernance des données comme une combinaison homme-machine pour adapter stratégiquement vos programmes de gouvernance.

Cliquez ici pour regarder la rediffusion de la discussion

Contenu