TikTok introduceert een nieuwe instelling waarmee gebruikers kunnen bepalen hoeveel door AI gegenereerde content zij willen zien in hun “For You”-feed. De functie wordt uitgerold via de “Manage Topics”-tool binnen de app, waarin gebruikers kunnen instellen welke soorten content zij vaker of minder vaak willen zien. “Manage Topics” biedt al controles voor meer dan tien categorieën, zoals Dans, Sport en Eten & Drinken. De nieuwe AIGC-instelling werkt op dezelfde manier en is bedoeld om een gevarieerde feed te behouden in plaats van content te blokkeren.
Steeds meer organisaties beëindigen het gebruik van cloudgebaseerde AI-diensten. Belangrijke redenen hiervoor zijn zorgen over datalekken, stijgende licentiekosten en strengere privacywetgeving. In plaats daarvan kiezen bedrijven voor lokale AI-oplossingen op eigen servers of werkstations, zodat gevoelige informatie binnen de organisatiegrenzen blijft.
Beveiliging als prioriteit
Hoewel cloud-AI schaalbaarheid en gebruiksgemak biedt, nemen de risico’s toe zodra vertrouwelijke gegevens het interne netwerk verlaten. Dit is met name relevant voor sectoren zoals de zorg, advocatuur en media.
“Zodra data buiten de organisatie wordt verwerkt, verlies je controle — en dat is precies wat bedrijven willen voorkomen,” zegt IT-strateeg Mark van Dongen van NextGen Data Security. “Met lokale AI-oplossingen behoud je volledig inzicht in en controle over gegevens, en wordt voldoen aan de AVG aanzienlijk eenvoudiger.” Daarnaast bepaalt een organisatie bij lokale verwerking zelf waar data wordt opgeslagen, wie toegang heeft en wat er na verwerking mee gebeurt.
De website van xAI’s chatbot Grok legt per ongeluk de systeemprompts bloot voor verschillende AI-personages, waaronder een ‘gekke samenzweerder’ die gebruikers in samenzweringstheorieën lijkt te willen meeslepen bijvoorbeeld dat er een geheime wereldwijde cabal aan de touwtjes zou trekken.
Aurora AI-basismodel gaat verder dan alleen weersvoorspellingen #genai
De opvallende weersomstandigheden komen steeds vaker voor en zetten metingen onder druk om zich voor te bereiden op allerlei rampen. Die hebben niet alleen het potentieel om levens te eisen en huizen te verwoesten, maar ook om stroomnetten uit te schakelen, oogsten te vernietigen en scheepvaartroutes te verstoren.
Hoewel steeds krachtigere AI-modellen nieuwe mogelijkheden bieden om het weer beter te voorspellen, beschrijft een recent artikel in Nature hoe een funderingsmodel, genaamd Aurora, gebruikmaakt van de nieuwste AI-ontwikkelingen om niet alleen het weer nauwkeuriger te voorspellen, maar ook een breed scala aan milieugebeurtenissen. Dit blijkt uit een reeks terugblikkende analyses van onder meer orkanen, tyfoons, luchtkwaliteit en oceaangolven. Aurora, ontwikkeld door Microsoft Research, doet dit bovendien met een hogere nauwkeurigheid, grotere snelheid en aanzienlijk lagere rekenkosten dan traditionele numerieke weersvoorspellingen en eerdere AI-methodes.
Datakwaliteit verwijst naar de mate waarin data geschikt zijn voor het beoogde gebruik. Deze geschiktheid wordt bepaald door diverse kenmerken, waarvan het vereiste niveau per situatie verschilt.
Waarom is goede data belangrijk?
Het belang van betrouwbare data staat in veel organisaties buiten kijf. Slechte datakwaliteit leidt vaak tot onnauwkeurige analyses, hogere kosten, onbetrouwbare plannen en operationele fouten. Daarentegen biedt kwalitatieve data aanzienlijke voordelen:
Concurrentievoordeel: Organisaties die beschikken over betere of beter toegepaste data dan hun concurrenten, kunnen sneller kansen benutten en efficiënter opereren.
Meer vertrouwen: Vertrouwen in data is essentieel voor het nemen van datagedreven beslissingen. Betrouwbare data verminderen onzekerheid en verkleinen het risico op fouten.
Betere besluitvorming: Kwalitatieve data vormen de basis voor strategische en operationele keuzes.
Hogere productiviteit: Minder tijd aan het corrigeren van fouten betekent meer tijd voor analyse en waardecreatie.
Efficiëntere processen: Nauwkeurige data voorkomen bijvoorbeeld verkeerde leveringen of miscommunicatie met klanten.
Voorkomen van reputatieschade: Van kleine foutjes zoals verkeerd gespelde namen tot grote publicitaire blunders.
Voldoen aan regelgeving: In gereguleerde sectoren voorkomt goede datakwaliteit boetes en maakt het makkelijker om aan te tonen dat aan de regels wordt voldaan.
Kenmerken van datakwaliteit
De kwaliteit van data wordt gemeten aan de hand van verschillende kenmerken of dimensies. Deze kunnen objectief zijn (zoals het aantal fouten) of subjectief (zoals relevantie voor het doel). De belangrijkste kenmerken zijn:
Relevantie: Data moeten passen bij het doel waarvoor ze worden gebruikt. Bepaal vooraf welke data echt nodig zijn.
Volledigheid: Zijn alle benodigde waarden aanwezig? Dit kan gaan om ontbrekende velden in een record, of hele records die missen.
Betrouwbaarheid: De mate waarin data feitelijk en correct zijn.
Validiteit: Zijn de data in het juiste formaat, type en bereik? Denk aan correcte geboortedata, telefoonnummers en identificaties.
Nauwkeurigheid: Beschrijven de data de werkelijkheid correct? Dit vereist vaak vergelijking met een betrouwbare bron.
Identificeerbaarheid (Uniekheid): Zijn records uniek en vrij van duplicaten?
Consistentie: Data moeten overal dezelfde betekenis, structuur en eenheden hebben.
Actualiteit: Zijn de data nog up-to-date? Verouderde informatie kan misleidend zijn.
Metadata: Informatie over de data zelf (zoals definities, bronnen, eenheden) verhoogt het begrip en gebruiksgemak.
Openheid: Open data bevorderen transparantie, maar botsen soms met privacy- of commerciële belangen.
Toegankelijkheid: Hoe makkelijk kunnen gebruikers bij de data? Moeilijk toegankelijke data zijn vaak al verouderd tegen de tijd dat ze beschikbaar zijn.
Bestaat er een standaardaanpak om datakwaliteit te verbeteren?
Er is geen universele methode om datakwaliteit te garanderen, omdat de eisen afhangen van het specifieke doel. Wel zijn er algemene richtlijnen die bijdragen aan betere kwaliteit:
Dataverzameling: Bepaal welke data nodig zijn, hoe ze worden verzameld en wat de impact is van slechte kwaliteit op je processen.
Normen formuleren: Stel per doel vast aan welke kenmerken data moeten voldoen. Bepaal welke data je bewaart, corrigeert of verwijdert.
Correctiebeleid: Ontwikkel regels voor het opschonen van data. Hoe ga je om met fouten, ontbrekende waarden of uitschieters?
Integratie en distributie: Bij data-uitwisseling tussen afdelingen ontstaan vaak kwaliteitsproblemen. Zorg voor heldere afspraken over het format en beheer.
Kennismanagement: Leg ervaringen, kwaliteitsmetingen en metadata vast in een datacatalogus. Dit voorkomt dubbel werk en versnelt analyses.
Datakwaliteit verbeteren is een doorlopend proces. Het draait om continue evaluatie en bijsturing, zodat data optimaal bijdragen aan de waarde en slagkracht van uw organisatie.
