Como Avaliar a Prontidão dos Dados para IA: O Framework 6C da Snowflake

A maioria dos projetos de IA falha devido aos dados, não aos modelos. Diferentemente da análise tradicional, em que dados ruins levam apenas a gráficos incorretos, na IA os mesmos defeitos são incorporados aos índices, são recuperados e produzem respostas confiantes, porém falsas, potencialmente levando a ações errôneas. À medida que a autonomia do sistema aumenta, as consequências dos erros se amplificam. Para uma avaliação sistemática da prontidão dos dados, propõe-se a estrutura "6C": Limpos (Clean), Contextuais (Contextual), Consumíveis (Consumable), Atuais (Current), Correlacionados (Correlated) e Conformes (Compliant). Cada um dos seis fatores é detalhado para diferentes tipos de carga de trabalho: Geração Aumentada por Recuperação, ou Retrieval-Augmented Generation (RAG), agentes, serviços de features e treinamento de modelos. A Snowflake implementa os requisitos 6C por meio de suas ferramentas: Data Metric Functions para controle de qualidade, Semantic Views para contexto, Cortex Search para busca vetorial, Feature Store para armazenamento de features, Streams e Tasks para atualidade, Time Travel e ACCESS_HISTORY para correlação, e Horizon Catalog para conformidade. A estrutura é empacotada como uma skill de agente de código aberto que executa avaliações de dados usando mais de 60 métricas para um determinado cenário de carga de trabalho (por exemplo, serviço ou treinamento). O agente tem acesso somente leitura, e qualquer modificação nos dados requer aprovação explícita. Um exemplo de avaliação mostrou: o fator Limpos (Clean) passou, enquanto Contextuais (Contextual) falhou (com baixas pontuações para documentação semântica). O repositório do projeto está no GitHub: github.com/Snowflake-Labs/ai-ready-data.