S\u0142ysza\u0142em ostatnio od znajomego CTO: \u201eWrzucili\u015bmy dane do modelu, a on zacz\u0105\u0142 prognozowa\u0107 opady \u015bniegu na podstawie historii sprzeda\u017cy parasoli\u201d. Brzmi absurdalnie? A jednak to rzeczywisto\u015b\u0107 setek firm, kt\u00f3re implementuj\u0105 AI na hurra, bez zastanowienia nad jako\u015bci\u0105 danych. Problem nie le\u017cy w algorytmach \u2013 te s\u0105 coraz lepsze i ta\u0144sze. Prawdziwym killerem bud\u017cetu jest selekcja danych. W tym artykule poka\u017c\u0119 trzy b\u0142\u0119dy, kt\u00f3re widz\u0119 najcz\u0119\u015bciej u klient\u00f3w, i kt\u00f3re potrafi\u0105 zje\u015b\u0107 80% bud\u017cetu projektu AI, zanim model w og\u00f3le zacznie dzia\u0142a\u0107.<\/p>\n
Wi\u0119kszo\u015b\u0107 firm my\u015bli: \u201eIm wi\u0119cej danych, tym lepiej\u201d. Niestety, w AI to jedna z dro\u017cszych iluzji. Wyobra\u017a sobie, \u017ce budujesz model rekomendacji produkt\u00f3w dla sklepu e-commerce. \u0141adujesz do niego histori\u0119 przegl\u0105dania, zakup\u00f3w, porzucone koszyki, dane demograficzne, pogod\u0119, kurs dolara\u2026 i dostajesz model, kt\u00f3ry dzia\u0142a wolno, kosztuje maj\u0105tek na trenowanie, a przy tym rekomenduje klientom produkty, kt\u00f3re ju\u017c kupili.<\/p>\n
Dlaczego to si\u0119 dzieje?<\/strong><\/p>\n Bo wi\u0119cej danych to nie tylko wi\u0119cej informacji, ale te\u017c wi\u0119cej szum\u00f3w. Ka\u017cda dodatkowa cecha (kolumna) zwi\u0119ksza z\u0142o\u017cono\u015b\u0107 modelu, kt\u00f3ra ro\u015bnie wyk\u0142adniczo. Efekt? Potrzebujesz wi\u0119cej pami\u0119ci RAM, d\u0142u\u017cszego czasu oblicze\u0144 na GPU, a w efekcie wy\u017cszych rachunk\u00f3w za chmur\u0119. Co gorsza, wiele cech jest ze sob\u0105 skorelowanych \u2013 np. \u201eliczba wizyt\u201d i \u201eczas sp\u0119dzony na stronie\u201d cz\u0119sto m\u00f3wi\u0105 to samo. Model niepotrzebnie uczy si\u0119 podw\u00f3jnie.<\/p>\n Przyk\u0142ad z \u017cycia:<\/strong> Jeden z klient\u00f3w JurskiTech \u2013 sklep z elektronik\u0105 \u2013 chcia\u0142 wdro\u017cy\u0107 AI do prognozowania popytu. Przygotowa\u0142 dataset z 150 kolumnami, w tym \u201etemperatura w biurze\u201d i \u201edzie\u0144 tygodnia\u201d. Po audycie okaza\u0142o si\u0119, \u017ce wystarcz\u0105 22 cechy, by osi\u0105gn\u0105\u0107 95% dok\u0142adno\u015bci. Zredukowali\u015bmy koszt trenowania modelu o 70%.<\/p>\n Rozwi\u0105zanie:<\/strong> Zacznij od feature engineering \u2013 wybierz cechy, kt\u00f3re maj\u0105 rzeczywisty zwi\u0105zek z biznesem. U\u017cyj metod statystycznych (np. korelacja, PCA) lub wiedzy dziedzinowej. Mniej znaczy lepiej \u2013 i taniej.<\/p>\n \u201eMamy milion rekord\u00f3w, wi\u0119c model b\u0119dzie genialny\u201d. To kolejna pu\u0142apka. Dane mog\u0105 by\u0107 nieczyste: brakuj\u0105ce warto\u015bci, duplikaty, b\u0142\u0119dne etykiety, formaty dat w r\u00f3\u017cnych strefach czasowych. Je\u015bli wrzucisz do modelu takie syfy, on nauczy si\u0119 b\u0142\u0119dnych wzorc\u00f3w. W AI panuje zasada: \u201egarbage in, garbage out\u201d.<\/p>\n Dlaczego firmy to robi\u0105?<\/strong><\/p>\n Bo czyszczenie danych jest nudne, czasoch\u0142onne i kosztowne. \u0141atwiej wrzuci\u0107 ca\u0142o\u015b\u0107 i mie\u0107 nadziej\u0119. Ale to iluzoryczna oszcz\u0119dno\u015b\u0107 \u2013 model z brudnymi danymi daje wyniki gorsze ni\u017c losowe, a Ty tracisz czas (i pieni\u0105dze) na jego trenowanie i debugowanie.<\/p>\n Przyk\u0142ad:<\/strong> Klient \u2013 platforma SaaS \u2013 zebra\u0142 dane o user experience z log\u00f3w i tickets\u00f3w supportu. W datasetcie 30% rekord\u00f3w mia\u0142o null w kolumnie \u201eczas odpowiedzi\u201d, a 15% zawiera\u0142o b\u0142\u0119dne ID u\u017cytkownika. Model przewiduj\u0105cy churn (odej\u015bcie klienta) mia\u0142 dok\u0142adno\u015b\u0107 68% \u2013 gorzej ni\u017c rzut monet\u0105. Po wyczyszczeniu danych (usuni\u0119cie nulli, deduplikacja, ujednolicenie ID) dok\u0142adno\u015b\u0107 skoczy\u0142a do 92%.<\/p>\n Jak to zrobi\u0107 dobrze:<\/strong> Przed trenowaniem modelu po\u015bwi\u0119\u0107 30-50% bud\u017cetu projektu na data wrangling. U\u017cyj narz\u0119dzi jak Pandas profiling, Great Expectations lub po prostu skrypt\u00f3w w Pythonie do walidacji. Automatyzuj czyszczenie, ale kontroluj r\u0119cznie tam, gdzie to mo\u017cliwe.<\/p>\n Cz\u0119sto firmy u\u017cywaj\u0105 danych, kt\u00f3re s\u0105 nieaktualne lub nieodpowiednie dla problemu, kt\u00f3ry chc\u0105 rozwi\u0105za\u0107. Klasyczny przyk\u0142ad: model predykcyjny dla e-commerce trenowany na danych sprzeda\u017cowych z okresu COVID-19, gdy popyt by\u0142 sztucznie napompowany. W 2025 roku te wzorce s\u0105 ju\u017c nieaktualne.<\/p>\n Dlaczego to problem?<\/strong><\/p>\n AI uczy si\u0119 na przesz\u0142o\u015bci, aby przewidywa\u0107 przysz\u0142o\u015b\u0107. Je\u015bli przesz\u0142o\u015b\u0107 jest niereprezentatywna, prognozy b\u0119d\u0105 b\u0142\u0119dne. Podobnie, je\u015bli u\u017cyjesz danych z jednego kana\u0142u sprzeda\u017cy do prognozowania innego \u2013 np. dane z Facebook Ads do przewidywania zachowa\u0144 klient\u00f3w z newslettera \u2013 model nie zadzia\u0142a.<\/p>\n Przyk\u0142ad z \u017cycia:<\/strong> Firma z bran\u017cy odzie\u017cowej u\u017cy\u0142a danych z 2020 roku (szczyt pandemii) do prognozowania zam\u00f3wie\u0144 na sezon wiosna-lato 2025. Model przewidzia\u0142 gigantyczny wzrost, a w rzeczywisto\u015bci sprzeda\u017c spad\u0142a o 20% przez inflacj\u0119. Firma zam\u00f3wi\u0142a nadmiar towaru, kt\u00f3ry zalega\u0142 w magazynie. Koszt b\u0142\u0119du? Ponad 200 000 z\u0142.<\/p>\n Rozwi\u0105zanie:<\/strong> Zawsze sprawdzaj, czy dane treningowe s\u0105 reprezentatywne dla rzeczywisto\u015bci, w kt\u00f3rej model b\u0119dzie dzia\u0142a\u0107. Uwzgl\u0119dnij sezonowo\u015b\u0107, trendy rynkowe, zmiany w zachowaniach klient\u00f3w. Je\u015bli to mo\u017cliwe, u\u017cywaj danych z ostatnich 12-24 miesi\u0119cy i regularnie retrenuj model.<\/p>\n AI ma potencja\u0142, by zmieni\u0107 Twoj\u0105 firm\u0119, ale tylko je\u015bli podejdziesz do danych powa\u017cnie. Wyb\u00f3r danych to nie kwestia techniczna \u2013 to biznesowa decyzja, kt\u00f3ra decyduje o zwrocie z inwestycji. Pami\u0119taj:<\/p>\n Je\u015bli czujesz, \u017ce Tw\u00f3j projekt AI zaczyna przypomina\u0107 prognoz\u0119 opad\u00f3w \u015bniegu z parasoli \u2013 mo\u017ce czas zrobi\u0107 audyt danych. W JurskiTech pomagamy firmom unika\u0107 takich pu\u0142apek od lat. Zamiast przepala\u0107 bud\u017cet na niepotrzebne moc obliczeniowe, lepiej postawi\u0107 na solidne fundamenty danych.<\/p>\n","protected":false},"excerpt":{"rendered":" Wst\u0119p S\u0142ysza\u0142em ostatnio od znajomego CTO: \u201eWrzucili\u015bmy dane do modelu, a on zacz\u0105\u0142 prognozowa\u0107 opady \u015bniegu na podstawie historii sprzeda\u017cy parasoli\u201d. Brzmi absurdalnie? A jednak to rzeczywisto\u015b\u0107 setek firm, kt\u00f3re implementuj\u0105 AI na hurra, bez zastanowienia nad jako\u015bci\u0105 danych. Problem nie le\u017cy w algorytmach \u2013 te s\u0105 coraz lepsze i ta\u0144sze. Prawdziwym killerem bud\u017cetu jest<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[7],"tags":[445,226,142,570],"class_list":["post-2514","post","type-post","status-publish","format-standard","hentry","category-warto-wiedziec","tag-agenci-ai","tag-budzet-it","tag-dane","tag-mala-firma"],"_links":{"self":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts\/2514","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/comments?post=2514"}],"version-history":[{"count":0,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/posts\/2514\/revisions"}],"wp:attachment":[{"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/media?parent=2514"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/categories?post=2514"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/news.jurskitech.pl\/blog\/wp-json\/wp\/v2\/tags?post=2514"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}B\u0142\u0105d #2: Ignorowanie jako\u015bci danych na rzecz ilo\u015bci<\/h2>\n
B\u0142\u0105d #3: Pomijanie danych „w z\u0142ej skali”<\/h2>\n
Podsumowanie<\/h2>\n
\n