Data
Datakwaliteit
Datakwaliteit beschrijft hoe correct, volledig, actueel en bruikbaar data is voor een bepaald doel. Slechte datakwaliteit leidt vaak tot slechte analyses, foute automatisering en zwakke AI-resultaten.
DQ · Ook bekend als: data quality, kwaliteit van gegevens
Waarom datakwaliteit het fundament is van AI
"Garbage in, garbage out" is een wet die nog harder geldt voor AI dan voor traditionele software. Een AI-model is zo goed als de data waarop het werkt. Onvolledige klantenrecords, verouderde adressen, inconsistente categorisering of dubbele vermeldingen leiden onvermijdelijk tot foute outputs, slechte aanbevelingen en verlies van vertrouwen bij medewerkers.
Datakwaliteit meet men langs vijf dimensies: volledigheid (zijn alle velden ingevuld?), nauwkeurigheid (kloppen de waarden?), consistentie (is hetzelfde gegeven op meerdere plaatsen gelijk?), tijdigheid (is de data actueel?) en uniciteit (is er geen duplicatie?). Een KMO die serieus aan de slag wil met AI, doet er goed aan om voor het implementatieproject een korte datakwaliteitsaudit te laten uitvoeren.
Datakwaliteit verbeteren met AI
Het paradoxale is dat AI ook kan helpen om datakwaliteit te verbeteren. Algoritmes detecteren dubbele records, signaleren ontbrekende waarden, valideren adressen aan de hand van externe bronnen en stellen correcties voor. Dit is fundamenteel anders dan manueel data opkuisen, een tijdrovend en foutgevoelig proces.
Wanneer een agent werkt met een klantendossier met tegenstrijdige informatie, geeft het systeem een waarschuwing in plaats van stilzwijgend een antwoord te genereren op basis van onjuiste gegevens. Dit verhoogt het vertrouwen van medewerkers in de tool en vermindert het risico op foute beslissingen.
Wat betekent Datakwaliteit?
Datakwaliteit beschrijft hoe correct, volledig, actueel en bruikbaar data is voor een bepaald doel. Slechte datakwaliteit leidt vaak tot slechte analyses, foute automatisering en zwakke AI-resultaten.