L'IA ne peut être performante que si les données sur lesquelles elle s'appuie le sont également, et les données de qualité sont notoirement désorganisées. Les résultats d'inspection se trouvent dans un outil, les réclamations dans un autre, et les enregistrements fournisseurs dans un troisième. La moitié de l'histoire réelle est souvent enfouie dans des commentaires en texte libre saisis à la hâte.
Avant d'entraîner un modèle, l'équipe a besoin d'une couche de données connectée et fiable. Cela implique de convenir de définitions communes et de relier les enregistrements entre les systèmes à l'aide d'identifiants partagés. Cela signifie également de mettre en place des vérifications de base pour que les données erronées soient détectées dès leur saisie plutôt que des mois plus tard.
Procédure standard
- 1Cartographier chaque source contenant des données liées à la qualité.
- 2Définir des termes partagés et des identifiants uniques pour les produits, lots et processus.
- 3Ajouter des règles de validation au moment de la saisie des données.
- 4Connecter les sources dans une couche de données unique et accessible.
- 5Attribuer des responsables pour garantir l'exactitude de chaque flux de données.
Résumé de la leçon
- ✓Des données dispersées et incohérentes constituent le plus grand obstacle initial.
- ✓Les définitions partagées comptent autant que l'intégration technique.
- ✓La responsabilité des données garantit la fiabilité des données qualité dans le temps.