Generativ AI til optimering af datakvalitet

Generativ AI kan optimere datakvalitet ved at finde mønstre i fejl, foreslå rensning, forklare afvigelser og hjælpe med dokumentation. Den bør bruges som et kontrolleret analyse- og beslutningsstøttelag, ikke som en automatisk sandhedskilde, fordi datakvalitet stadig afhænger af regler, ejerskab og verificerbare kildedata.

Hvad betyder datakvalitet i arbejde med generativ AI?

Datakvalitet handler om, hvor godt data passer til det formål, de skal bruges til. I en salgsrapport kan en forkert kundekode give upræcis omsætning pr. segment. I en AI-model kan samme fejl påvirke træning, evaluering, anbefalinger og beslutningsgrundlag. Derfor er datakvalitet ikke kun et spørgsmål om pæne tabeller, men om tillid til de handlinger, data skal understøtte.

Generativ AI ændrer ikke de grundlæggende kvalitetskrav. Den kan derimod gøre flere af kvalitetsopgaverne hurtigere at undersøge. Modellen kan opsummere dataproblemer, foreslå kontrolregler, gruppere lignende fejltyper og forklare mulige årsager på et sprog, som både datafolk og forretningsansvarlige kan bruge. Den egentlige kvalitet opstår først, når forslagene kontrolleres mod domæneregler, kildesystemer og dokumenterede beslutninger.

En nyttig afgrænsning er at skelne mellem tre lag: data, regler og fortolkning. Data er de konkrete værdier i tabeller, dokumenter, logfiler eller API-svar. Regler beskriver, hvad der er tilladt, forventet eller kritisk. Fortolkning handler om at forklare, hvorfor et mønster kan være et problem, og hvad der bør ske derefter. Generativ AI er især stærk i fortolkningslaget, mens regler og endelige rettelser bør være eksplicitte og sporbare.

Hvor kan generativ AI forbedre datakvalitet?

Generativ AI giver mest værdi i opgaver, hvor dataproblemer er mange, varierede og svære at beskrive med én fast regel. Det kan være inkonsistente produktnavne, fritekstfelter med forskellige formuleringer, kundedata med ufuldstændige adresser, supportdata med blandede kategorier eller datakataloger med mangelfuld dokumentation.

Modellen kan for eksempel læse en stikprøve af feltnavne og værdier og foreslå, hvilke kolonner der ligner datoer, identifikatorer, kategorier eller følsomme oplysninger. Den kan sammenholde fejlrapporter og finde tilbagevendende mønstre, som ikke er synlige i en almindelig optælling. Den kan også oversætte tekniske fejl til korte forklaringer, så en dataejer hurtigere kan afgøre, om der er tale om en reel fejl eller en acceptabel undtagelse.

Den største forbedring kommer ofte før selve rettelsen. Generativ AI kan gøre det lettere at prioritere, hvilke problemer der bør løses først. Manglende postnumre, duplikerede kunder og uens valutaformater har ikke samme betydning i alle arbejdsgange. Når modellen bruges til at sammenfatte konsekvenser, mulige årsager og berørte felter, kan organisationen bruge mindre tid på at lede efter problemer og mere tid på at beslutte, hvilke problemer der faktisk betyder noget.

Hvilke dataproblemer kan modellen opdage?

Generativ AI kan hjælpe med flere typiske datakvalitetsproblemer, men den opdager dem ikke på samme måde som en databaseconstraint eller et deterministisk valideringsscript. Den arbejder sandsynlighedsbaseret og bør derfor bruges til kandidatfund, forklaringer og prioritering, mens hårde kontroller stadig bør udføres med faste regler.

I praksis bør modellen ikke få lov til at overskrive data direkte. Den bør i stedet oprette forslag med begrundelser, usikkerhed og reference til de felter, der ligger bag forslaget. Det gør det muligt at afvise, godkende eller justere rettelser uden at miste overblikket over, hvorfor ændringen blev foreslået.

Hvordan bør en praktisk datakvalitetsproces se ud?

En robust proces starter ikke med en AI-model, men med en afgrænsning af datasættets formål. Du bør først beskrive, hvilke beslutninger datasættet bruges til, hvilke felter der er kritiske, og hvilke fejl der har størst konsekvens. Derefter kan generativ AI bruges til at accelerere analyse, dokumentation og prioritering.

1. Definer formålet med datasættet og de vigtigste kvalitetsdimensioner.
2. Lav en teknisk profilering med antal rækker, manglende værdier, unikke værdier, formater og outliers.
3. Brug generativ AI til at forklare mønstre, foreslå fejltyper og pege på sandsynlige årsager.
4. Omsæt forslag til eksplicitte regler, for eksempel formatkrav, intervalgrænser eller matchkriterier.
5. Test reglerne på en afgrænset stikprøve og mål både fundne fejl og falske positive fund.
6. Lad dataejere godkende rettelser, undtagelser og nye kvalitetskrav.
7. Gentag målingen efter rettelse, så effekten kan dokumenteres.

Denne rækkefølge gør AI-delen nyttig uden at gøre den uigennemsigtig. Modellen hjælper med at formulere hypoteser og forklaringer, mens regler, stikprøver og godkendelser holder rettelserne efterprøvelige. Det er især relevant, hvis datakvaliteten påvirker rapportering, automatiserede beslutninger eller senere machine learning.

Hvad skal mennesker stadig afgøre?

Mennesker skal stadig afgøre, hvad der tæller som korrekt, relevant og acceptabelt i den konkrete sammenhæng. En værdi kan være statistisk usædvanlig uden at være forkert. En dublet kan være et reelt overlap mellem to kunder, men den kan også dække over to juridisk adskilte enheder. En tom værdi kan være en registreringsfejl, men den kan også være et bevidst fravalg.

Dataejerskab er derfor en central del af AI-støttet datakvalitet. Dataejeren bør kunne svare på, hvilke felter der er kritiske, hvilke undtagelser der er tilladt, og hvilke konsekvenser en rettelse har. Dataanalytikeren eller data engineer kan omsætte dette til kontroller, mens generativ AI kan hjælpe med at forklare mønstre og skrive udkast til regler eller dokumentation.

En god praksis er at lade modellen producere beslutningsgrundlag i stedet for beslutninger. Den kan skrive, at to kundeprofiler sandsynligvis er dubletter, fordi navn, adresse og telefonnummer ligner hinanden. Den bør ikke alene afgøre, at den ene profil skal slettes. På samme måde kan den foreslå, at et felt bør klassificeres som persondata, men den endelige klassifikation bør følge organisationens databeskyttelsesproces.

Hvordan bruges generativ AI uden at skabe nye fejl?

Generativ AI kan selv blive en kilde til datakvalitetsproblemer. NIST beskriver konfabulation som risikoen for, at generative systemer producerer overbevisende, men fejlagtigt indhold. I datakvalitetsarbejde kan det betyde, at modellen finder en plausibel forklaring, som ikke passer med kildedata, eller foreslår en rettelse, der ser rimelig ud, men bryder en forretningsregel.

Risikoen reduceres, når modellen kun får klart afgrænsede opgaver. Den bør arbejde på udtræk, profiler, regler og metadata i stedet for at få fri adgang til hele datamiljøet. Den bør også returnere begrundelser og usikkerheder, så forslag kan kontrolleres. Hvis modellen bruges til at generere transformationer, bør transformationerne køres i et testmiljø og sammenlignes med kendte eksempler, før de bruges på produktionsdata.

Et praktisk kontrolpunkt er at adskille forslag fra ændringer. Forslag kan gemmes som en særskilt tabel med felter som problemtype, berørt kolonne, foreslået rettelse, begrundelse, kilde, modelversion, status og godkender. På den måde bliver AI-bidraget en del af en sporbar arbejdsgang, ikke en skjult ændring i datagrundlaget.

Hvordan spiller struktur, metadata og regler sammen med modellen?

Generativ AI fungerer bedst, når den får en klar kontekst. Det betyder, at datakataloger, skemaer, feltbeskrivelser, tilladte værdier, relationer mellem tabeller og kendte kvalitetsregler er vigtige input. Uden denne kontekst kan modellen finde sproglige mønstre, men den har sværere ved at afgøre, om et fund er forretningsmæssigt korrekt.

Struktureret data processering og AI-støttet analyse bør derfor ses som to dele af samme arbejdsgang. Først profileres data med klassiske metoder: antal, null-værdier, datatyper, relationer, værdifordelinger og brud på kendte regler. Derefter kan generativ AI bruges til at samle resultaterne, foreslå årsager og hjælpe med at beskrive nye regler i et sprog, som domæneansvarlige kan godkende.

Metadata gør også modellen mindre afhængig af gæt. Hvis en kolonne hedder `cust_id`, kan modellen foreslå, at den er en kundeidentifikator. Hvis metadata samtidig beskriver, at feltet er en stabil intern nøgle, og at det aldrig må ændres manuelt, bliver svaret langt mere brugbart. Jo bedre metadata, desto lettere er det at bruge generativ AI til forklaring frem for fri fortolkning.

Hvilke risici opstår ved følsomme eller fortrolige data?

Datakvalitet kræver ofte adgang til de samme data, som organisationen helst vil begrænse: kundedata, medarbejderdata, kontraktoplysninger, økonomi, logfiler eller interne dokumenter. Når generativ AI bruges på sådanne data, er det nødvendigt at afklare, hvor data behandles, om de gemmes, hvem der har adgang, og om oplysninger kan indgå i leverandørens videre behandling.

NISTs generative AI-profil fremhæver blandt andet databeskyttelse, informationssikkerhed og tredjepartskomponenter som risikoområder. I datakvalitetsprojekter betyder det, at organisationen bør minimere inputdata, anonymisere eller pseudonymisere, hvor det er muligt, og undgå at sende hele rådatasæt til eksterne tjenester uden en klar behandlingsaftale og teknisk kontrol.

En enkel tommelfingerregel er at starte med metadata og aggregerede profiler, før rækker med følsomt indhold bruges. Hvis modellen kan hjælpe på basis af feltbeskrivelser, værdimønstre og fejlstatistik, er der sjældent grund til at give den fulde personhenførbare data. For mere om datarisici i AI-løsninger er forebyggelse af datalækager i AI-applikationer en nærliggende sikkerhedsvinkel.

Hvordan måles effekten af generativ AI på datakvalitet?

Effekten bør måles på konkrete kvalitetsmål, ikke på om modellen virker imponerende i enkelteksempler. Relevante mål kan være andel manglende værdier i kritiske felter, antal dubletkandidater, valideringsfejl pr. datakilde, tid fra fejl fundet til fejl rettet, falske positive fund i AI-forslag og antal kvalitetsregler, der er blevet godkendt og automatiseret.

Du bør måle før og efter en afgrænset indsats. Hvis et kundedatasæt har 12 procent poster uden gyldigt landefelt, kan målet være at reducere andelen til et dokumenteret niveau og samtidig registrere, hvor mange rettelser der blev afvist i stikprøvekontrol. Hvis modellen foreslår dubletter, bør målingen både tælle fundne dubletter og fejlagtige sammenlægninger, fordi sidstnævnte kan være mere skadelige end den oprindelige fejl.

Effektmåling bør også omfatte arbejdsprocessen. Generativ AI kan være værdifuld, selv om den ikke retter en eneste værdi automatisk, hvis den reducerer tid brugt på manuel kategorisering, gør fejlårsager tydeligere eller hjælper med at omsætte analyser til regler. Omvendt bør en høj mængde forslag ikke regnes som succes, hvis forslagene ikke kan forklares, godkendes eller genbruges.

Hvordan adskiller metoden sig fra klassisk datarensning?

Klassisk datarensning bygger ofte på faste regler: fjern mellemrum, standardiser datoformat, afvis ugyldige værdier, sammenlæg poster efter bestemte nøgler eller marker værdier uden for et interval. Det er stadig nødvendigt, fordi regler er reproducerbare og lette at teste. Generativ AI adskiller sig ved at være bedre til sproglige, semantiske og forklarende opgaver.

Hvis et datasæt indeholder produktnavne som “XL blå jakke”, “jakke blå extra large” og “Jacket blue XL”, kan faste regler hjælpe med store dele af normaliseringen. Generativ AI kan samtidig foreslå, at udtrykkene bør kortlægges til samme produktvariant, og forklare hvilke dele der er farve, størrelse og produktkategori. Den kan også hjælpe med at formulere en ny taksonomi, som derefter gøres til faste regler.

Relationen ligner forskellen mellem data mining og almindelig validering. Den ene tilgang leder efter mønstre, hypoteser og skjulte sammenhænge. Den anden afgør, om konkrete regler er overholdt. I moderne datakvalitet bør de to tilgange kombineres: generativ AI finder og forklarer kandidater, mens klassisk validering afgør, om ændringerne er acceptable.

Hvordan kan generativ AI bruges til filtrering og analyse?

Når datakvalitet skal forbedres, er filtrering ofte den første praktiske opgave. Du skal kunne adskille gyldige rækker, mistænkelige rækker, kendte undtagelser og poster, der kræver manuel behandling. Generativ AI kan hjælpe med at beskrive filtreringslogik, samle flere fejltyper i læsbare grupper og foreslå, hvilke filtre der bør køres først.

Det gør især en forskel i datasæt med fritekst. Supportbeskeder, kundehenvendelser, produktbeskrivelser og interne noter passer sjældent rent ind i faste kategorier. Her kan modellen foreslå klassifikationer, finde overlappende formuleringer og forklare, hvilke ord eller mønstre der får en post til at ligne en fejl eller en bestemt kategori. Emnet ligger tæt på generativ AI for smartere datafiltrering, hvor filtrering bliver en del af en bredere analyseproces.

I kvantitative datasæt bør generativ AI ikke erstatte statistik. Den kan forklare resultater fra profilering, men outlier-detektion, fordelinger, korrelationer og signifikante ændringer bør stadig beregnes med egnede metoder. Når generativ AI kobles til resultater fra generativ AI i kvantitativ dataanalyse, bliver dens rolle at oversætte målinger til mulige handlinger og kontrolspørgsmål.

Hvad betyder EU-regler og standarder for datakvalitet?

Standarder og regulering giver et mere præcist sprog for datakvalitet. ISO/IEC 25012 beskriver en generel model for datakvalitet i strukturerede data og kan bruges til krav, målinger og evaluering. ISO/IEC 5259-1:2024 er mere specifik for data til analyse og machine learning og beskriver datakvalitet på tværs af datalivscyklussen.

For AI-systemer med høj risiko i EU er datakvalitet ikke kun en intern modenhedsopgave. EU AI Act stiller krav til datastyring for trænings-, validerings- og testdata i high-risk AI systems. Forordningen beskriver blandt andet, at sådanne datasæt skal være relevante, tilstrækkeligt repræsentative og, så langt det er muligt, fri for fejl og komplette i forhold til systemets formål.

Det betyder ikke, at enhver brug af generativ AI til datarensning automatisk er omfattet af high-risk-reglerne. Men hvis datakvalitetsarbejdet indgår i et AI-system, der påvirker adgang til ydelser, job, uddannelse, kredit, sikkerhed eller andre følsomme områder, bør datastyring, dokumentation og test behandles som en del af risikostyringen. NIST AI RMF giver her et frivilligt styringssprog med govern, map, measure og manage som centrale funktioner.

Hvornår giver generativ AI størst værdi i datakvalitet?

Generativ AI giver størst værdi, når problemet er semantisk, tværgående eller svært at forklare med eksisterende regler. Det gælder især fritekst, metadata, kategorier, rapportkommentarer, fejlbeskrivelser og datasæt fra flere systemer med forskellig terminologi. Hvis problemet derimod er et simpelt formatkrav, er en almindelig regel hurtigere, billigere og lettere at teste.

En moden anvendelse starter småt. Vælg et datasæt med tydeligt formål, kendte problemer og en dataejer, der kan godkende resultater. Brug modellen til at finde fejlmønstre, foreslå regler og forklare konsekvenser. Mål derefter, om den faktisk reducerer fejl, behandlingstid eller uklarhed. Hvis resultaterne er stabile, kan processen udvides til flere datakilder.

Den vigtigste beslutning er, hvor i arbejdsgangen modellen må påvirke data. I mange organisationer er den mest sikre start at bruge generativ AI til rapportering, forklaring og regeludkast, mens ændringer først sker efter test og godkendelse. På den måde bliver teknologien et redskab til bedre datakvalitet, ikke en ny ukontrolleret kilde til usikkerhed.

Hvilke kilder ligger til grund?

Artiklen bygger især på ISO’s datakvalitetsmodel ISO/IEC 25012, ISO’s AI- og ML-orienterede datakvalitetsstandard ISO/IEC 5259-1:2024, NISTs AI Risk Management Framework, NISTs generative AI-profil og den officielle tekst til EU AI Act.