Kunstig intelligens (KI) har på kort tid blitt en naturlig del av hverdagen i Norge – fra anbefalinger på strømmetjenester og automatiserte kundesystemer til språkmodeller og helseteknologi. Men bak enhver smart algoritme ligger et fundament som ofte blir oversett: data. Uten gode data kan selv den mest avanserte KI feile. Derfor er datakvalitet ikke bare viktig – den er avgjørende.

KI lærer som et menneske – men bare av det den får

KI-systemer lærer ved å analysere store mengder data og finne mønstre. På mange måter minner det om hvordan mennesker lærer av erfaring. Forskjellen er at KI ikke har intuisjon eller sunn fornuft – den vet bare det den blir matet med. Hvis dataene er skjeve, ufullstendige eller feil, vil resultatet også bli det.

Et enkelt eksempel er bildegjenkjenning: Hvis et system bare trenes på bilder av snøfrie veier, vil det ha problemer med å gjenkjenne objekter på vinterføre – et åpenbart problem i Norge. Det samme gjelder språkmodeller som kan arve fordommer eller feil fra tekstene de er trent på. KI er altså bare så god som dataene den lærer av.

Hva betyr egentlig “datakvalitet”?

Datakvalitet handler ikke bare om mengden data, men om nøyaktighet, relevans og representativitet. Gode data bør være:

• Korrekte – feil og unøyaktigheter kan føre til gale konklusjoner.
• Komplette – manglende data kan skape blinde flekker.
• Relevante – data må være tilpasset formålet de skal brukes til.
• Reprensentative – data må speile virkeligheten og de gruppene KI-en skal arbeide med.
• Oppdaterte – utdaterte data kan gi resultater som ikke lenger stemmer med dagens forhold.

Når disse kriteriene ikke oppfylles, risikerer man at KI-systemer tar beslutninger som er urettferdige, ineffektive eller direkte skadelige.

Konsekvensene av dårlige data

Dårlige data kan få alvorlige følger – både for virksomheter og for samfunnet. Et rekrutteringssystem som trenes på historiske ansettelsesdata, kan ubevisst videreføre kjønns- eller aldersdiskriminering. Et helsesystem som bygger på data fra én befolkningsgruppe, kan gi feil diagnoser for en annen. I Norge, hvor helse- og velferdsdata brukes i stadig større grad, er dette en reell utfordring.

For bedrifter kan dårlig datakvalitet føre til tap av tillit, økonomiske kostnader og i verste fall juridiske problemer. For samfunnet kan det bety økt ulikhet og svekket rettferdighet. Derfor er arbeidet med datakvalitet ikke bare et teknisk spørsmål, men også et etisk ansvar.

Hvordan sikre bedre data

Å forbedre datakvaliteten krever både teknologi og menneskelig vurdering. Her er noen sentrale tiltak:

• Datavask og kvalitetssikring – fjern duplikater, feil og irrelevante opplysninger før data brukes til trening.
• Mangfold i datakilder – bruk data fra flere kilder for å unngå skjevheter.
• Løpende oppdatering – data må vedlikeholdes slik at de gjenspeiler dagens virkelighet.
• Etisk vurdering – vurder hvordan data er samlet inn, og om de representerer alle relevante grupper.
• Åpenhet og dokumentasjon – vær tydelig på hvor data kommer fra, og hvordan de er behandlet.

Disse tiltakene krever tid og ressurser, men de gir mer pålitelige og rettferdige KI-løsninger – og styrker tilliten til teknologien.

Læs også:

Design som fungerer: Farger, ikoner og layout i mobile løsninger

SaaS

Et godt design handler om mer enn bare utseende – det påvirker hvordan brukerne opplever og forstår en mobil løsning. Lær hvordan du kan kombinere estetikk og funksjon for å utvikle apper som både ser bra ut og fungerer sømløst i praksis.

Lær å bruke open source-fellesskap som din mest verdifulle ressurs

SaaS

Open source-fellesskap er mer enn bare kode – de er møteplasser for læring, samarbeid og innovasjon. Lær hvordan du kan bruke disse fellesskapene til å utvikle deg som utvikler, styrke prosjektene dine og bidra tilbake til et globalt nettverk av kunnskap.

Digital frihet: Hva betyr dine valg av systemer og tjenester for din digitale suverenitet?

SaaS

Hver gang du bruker en app, lagrer filer i skyen eller deler innhold på nettet, påvirker du din egen digitale frihet. Denne artikkelen utforsker hvordan valg av systemer og tjenester kan styrke eller svekke din digitale suverenitet – og hva du kan gjøre for å ta mer kontroll.

Når KI lærer av data: Derfor er datakvaliteten avgjørende

SaaS

Kunstig intelligens er bare så smart som dataene den lærer av. Denne artikkelen forklarer hvorfor datakvalitet er avgjørende for pålitelige KI-løsninger – og hvordan vi kan sikre at maskinene lærer riktig.

Mennesker og maskiner – et samarbeid om kvalitet

Selv om KI kan automatisere mange prosesser, er mennesker fortsatt avgjørende for å sikre kvaliteten. Det er mennesker som definerer hva som er “gode” data, og som kan oppdage mønstre maskinen overser. Kombinasjonen av menneskelig dømmekraft og maskinens beregningskraft er nøkkelen til å skape KI som både er effektiv og ansvarlig.

Fremtiden: Fra datamengde til dataverdi

I mange år har fokuset vært på å samle så mye data som mulig. Men etter hvert som KI blir mer utbredt, endres perspektivet: Det handler ikke lenger om mengde, men om verdi. Færre, men bedre data kan gi mer presise og etiske resultater.

Når KI lærer av data, lærer den i realiteten av oss – våre valg, vår atferd og våre feil. Derfor er det vårt ansvar å sørge for at dataene vi gir den, speiler det beste av hva vi vet, og ikke det verste av hva vi har gjort.