Mitä enemmän dataa, sen parempi
Tarjoaako suurempi määrä dataa myös enemmän mahdollisuuksia ja tietoa? Entä johtaako datamäärän kasvattaminen parempaan ymmärrykseen maailmasta? Tällaisen kuvan voi saada, kun puhutaan suuriin datamääriin perustuvasta analytiikasta ja tekoälyn kouluttamisesta. Enemmän dataa ei kuitenkaan välttämättä ole parempi.
Dataa kerätään niin julkisella kuin yksityisellä sektorilla. Dataa kertyy esimerkiksi asiakkaiden klikkauksista, valinnoista ja digitaalisista jalanjäljistä sekä organisaation toiminnasta, merkinnöistä ja toimenpiteistä. Toisinaan suurempi datamäärä todella johtaa ennustevoiman kasvuun sekä ylipäätään avaa mahdollisuuden hyödyllisten löydösten tekemiseen. Usein kuitenkin saavutetaan piste, jonka jälkeen lisädata ei enää tuo mitään uutta eikä enää paranna jo olemassa olevaa mallia tai johda selkeämpiin johtopäätöksiin ja tuloksiin. Keskeinen kysymys on datan relevanssi. Mikä tahansa data ei automaattisesti paranna tehtäviä päätelmiä, vaan sen täytyy olla tehtävien päätelmien kannalta relevanttia. Suurten datamassojen kohdalla keskeistä onkin, missä määrin ne sisältävät käyttökelpoista dataa.
Toinen tärkeä tekijä on datan laatu. Hyvin suuri datamassa ei itsessään ole suoraan käyttökelpoinen tai takaa mielekkäitä tuloksia. Data pitää usein erikseen järjestää koneoppimiseen sopivaan muotoon sekä kysymyksen kannalta mielekkääksi. Tämä vaatii kuitenkin aikaa, taitoa ja resursseja, ja mahdollisten tekoälymallien monimutkaistuessa myös dataan liittyvän järjestämisen ja työn määrä kasvaa.1 Pahimmillaan epärelevanttia dataa saattaa jopa kertyä koko ajan lisää, tai sitä kerätään muodossa, jossa se on hankalasti hyödynnettävissä mutta jossa sen keräämisestä, säilyttämisestä ja ylläpidosta syntyy jatkuvasti kuluja. Tällä hetkellä datakeskukset ja datan käsittely vaativat myös runsaasti energiaa, mikä ei ole ekologisesti kestävää.2
Joissain tapauksissa toimiva ratkaisu onkin itse asiassa rajoittaa kerättävän datan määrää. Valtava määrä dataa ei nimittäin auta, mikäli se ei kerro oikeista asioista eikä datamassasta löydä monien tekoälymallien edellyttämää riittävää variaatiota eli vaihtelua.3 Pienemmän datamassan käyttö on tehokkaampaa ja nopeampaa. Pienen datamäärän kanssa on myös helpompaa varmistua siitä, että datankeruu, datan säilytys ja datan käyttö noudattavat lakeja, ja että riittävät juridiset suojatoimet on tehty.
Merkitystä on siis määrän lisäksi sillä, miten ja millaista dataa kerätään. Datavarantoja ei synny hyödynnettäviksi itsestään. Huomio tuleekin siis jälleen kiinnittää datan laatuun. Hyvälaatuinen data edistää mallien tarkkuutta ja tulosten mielekkyyttä.
Pelkästään suureen määrään perustuva data saattaa tuottaa vaikeasti yleistettäviä tuloksia ja löydettyjen säännönmukaisuuksien pohjalta ei välttämättä pystytä tekemään päätelmiä syy-seuraussuhteista. Voi myös olla, että fokus on vaikeampi säilyttää, jos tiedonkeruu keskittyy keräämään pelkästään niin sanottua big dataa mahdollisimman monesta asiasta mahdollisimman laajasti ilman keskittymistä laatuun. Tarkasti määritelty ydintietosisältö voikin usein olla paras tie haluttuihin tuloksiin.
Voidaan myös kysyä, tarvitseeko aina kerätä lisää dataa tai käyttää tekoälyä jonkin ongelman ratkaisemiseksi, jos se voitaisiin ratkaista kohtuullisen hyvin jo ilman näitä teknologioita? Toisinaan paras ratkaisu voikin esimerkiksi olla vaikkapa erilaisten ongelmien ennaltaehkäisy eikä ratkaisun hakeminen monimutkaisella mallinnuksella.
