मॉडल

कंपनियों के परियोजनाओं में गंदा डेटा और कृत्रिम बुद्धिमत्ता एक छिपा हुआ जोखिम है

19 नवम्बर 2026 · 2 मिनट पठन

इन भाषाओं में भी प्रकाशित Español

low-light photo of robot
Jesse Chan / Unsplash

कंपनियां व्यावसायिक बुद्धिमत्ता और कृत्रिम बुद्धिमत्ता प्लेटफार्मों में निवेश कर रही हैं, लेकिन खंडित, डुप्लिकेट और असंगत डेटा विश्लेषण और निर्णयों को कमजोर बना रहा है। सॉफ्टवेयर से पहले, मानचित्रित स्रोतों, सामान्य परिभाषाओं, प्रलेखित प्रक्रियाओं और स्पष्ट जिम्मेदारियों की आवश्यकता होती है, ताकि सूचनात्मक संपत्ति किसी एक व्यक्ति के हाथ में न रहे।

गार्टनर के अनुसार, डेटा की खराब गुणवत्ता के कारण संगठनों को प्रति वर्ष औसतन 12.9 मिलियन डॉलर का नुकसान होता है। 67 प्रतिशत संगठनों का कहना है कि उन्हें उन आंकड़ों पर पूरी तरह भरोसा नहीं है जिनके आधार पर वे निर्णय लेते हैं। केवल 12 प्रतिशत का मानना है कि उनके डेटा में कृत्रिम बुद्धिमत्ता के लिए पर्याप्त गुणवत्ता और पहुंच है।

अक्सर कंपनियां पहले सॉफ्टवेयर चुनती हैं और लाइसेंस खरीदती हैं, लेकिन बाद में यह पता चलता है कि उस सॉफ्टवेयर को चलाने के लिए आवश्यक डेटा उपलब्ध नहीं है या वह बिखरा हुआ है। डेटा को एक उप-उत्पाद के बजाय एक बुनियादी ढांचे के रूप में देखा जाना चाहिए जिसे उपयोग से पहले डिजाइन और बनाए रखना आवश्यक है।

कई कंपनियों में डेटा प्रबंधन की स्थिति नाजुक है, जहां जानकारी विभिन्न एक्सेल शीट, पुराने डेटाबेस, ईमेल अटैचमेंट और क्लाउड प्लेटफॉर्म में बिखरी होती है। जब डेटा साफ नहीं होता, तो एक ही ग्राहक अलग-अलग कोड के साथ कई बार दिखाई दे सकता है या शहरों और तारीखों के प्रारूप अलग-अलग हो सकते हैं।

डेटा सामान्यीकरण की कमी एक बड़ी बाधा है, जहां सक्रिय ग्राहक या टर्नओवर जैसी बुनियादी परिभाषाओं पर अलग-अलग विभागों के अलग-अलग मत होते हैं। लगभग दो में से एक संगठन असंगत परिभाषाओं और प्रारूपों को डेटा गुणवत्ता में मुख्य बाधा मानता है।

कृत्रिम बुद्धिमत्ता इन त्रुटियों को हल नहीं कर सकती, बल्कि यह उन्हें बढ़ा देती है। गंदे डेटा पर प्रशिक्षित एल्गोरिदम गलतियों को सीखता है और उन्हें आत्मविश्वास के साथ प्रस्तुत करता है, जिससे परिणाम आकर्षक लेकिन गलत हो सकते हैं।