- Identifiera kvalitetsproblem och deras följder.
- Förklara varför mer data inte automatiskt minskar snedvridning.
- Beskriva underlag, osäkerhet och ansvar vid en analys.
Kvalitet för en viss fråga
Datakvalitet handlar om hur väl informationen fungerar för sitt ändamål. Är värdena korrekta, tillräckligt kompletta, konsekventa och aktuella? Det räcker inte att en fil går att öppna. Ett temperaturvärde från förra månaden kan vara korrekt som historik men oanvändbart för ett larm om läget just nu.
I växthuset kan en sensor rapportera regelbundet men sitta intill ett element. Då beskriver den kanske inte den temperatur odlingen faktiskt utsätts för. Kontrollera både tekniska regler, som att tidsfältet går att läsa, och sammanhanget där mätningen gjordes. En regel som säger att alla tal måste ligga mellan två gränser kan inte upptäcka varje problem.
Luckor och dubbletter förändrar underlaget
Anta att 100 mätningar förväntades under ett intervall, men bara 80 kom fram. Täckningen är då 80 procent enligt just den definitionen. Redovisa antalet tillsammans med resultatet. Ett medelvärde baserat på 80 observationer säger inte i sig vad temperaturen var under de 20 som saknas.
Fundera också på varför data saknas. Om sensorn alltid tappar kontakten när det blir som varmast är bortfallet kopplat till det vi vill undersöka. Då kan de kvarvarande värdena ge en missvisande bild. Att samla in fler värden från samma bristande flöde löser inte nödvändigtvis problemet.
Dubbletter kan ge ett annat slags övervikt. Om vissa mätningar kommer två gånger får de större inflytande i ett vanligt medelvärde. Definiera vad som gör en post unik innan du tar bort något. Identiska temperaturer är inte tillräckligt; använd information om vilken händelse posten representerar.
Vilka finns med i jämförelsen?
Anta att en rapport jämför två odlingsmetoder. Metod A används i nya växthus med bättre isolering, medan metod B används i gamla. Om A-gruppen förbrukar mindre energi kan vi inte direkt dra slutsatsen att odlingsmetoden orsakar hela skillnaden. Byggnadernas egenskaper är en möjlig alternativ förklaring.
Börja med att beskriva vilka enheter, perioder och förhållanden som faktiskt jämförs. Saknas vintermätningar för den ena gruppen? Finns bara de växthus som lyckades skicka data med? Ett diagram kan vara matematiskt korrekt men ändå besvara en smalare fråga än rubriken antyder.
En rimlig rapport skiljer därför observation från förklaring: i vårt material är energianvändningen lägre i grupp A är en annan formulering än metod A minskar energianvändningen. Den senare kräver ytterligare stöd. Skriv gärna ned vad som behöver undersökas innan ett större beslut tas.
Hantera data med ansvar
Samla uppgifter som behövs för syftet och fundera på vem som behöver tillgång till dem. Även ett tekniskt exempel kan innehålla känsliga detaljer: ett foto kan visa personer, och en detaljerad logg kan avslöja när någon är på en viss plats. Övningarna här använder påhittade sensorer och värden.
För ett riktigt projekt behöver ansvariga bestämma vem som får tillgång till materialet och hur länge det behövs. I växthusexemplet kan en rapport ofta använda sammanställda värden i stället för detaljerade loggar. Börja med att dokumentera syftet och använd påhittade uppgifter i övningsfiler.
Avsluta varje analys med fyra frågor: Varifrån kom datan? Vad saknas? Vilka bearbetningar gjorde vi? Vad kan resultatet inte visa? Då blir begränsningarna möjliga att granska och förbättra. Ett väl beskrivet, litet underlag kan vara mer användbart än en stor samling vars ursprung ingen känner till.
AI4I: kontrollera både filen och beskrivningen
Kopplats kontroll den 13 oktober 2026 av UCI:s CSV gav 10 000 rader, 14 kolumner och inga tomma celler. Det finns sex ursprungliga indatafält, två ID-fält och sex mål-/felkolumner. Beskrivningen kallar ibland alla 14 kolumner för features, men alla ska inte användas som modellindata. CSV-filen använder UDI som kolumnnamn, medan webbsidan skriver UID.
I samma fil är Machine failure = 1 på 339 rader och 0 på 9 661. Felkolumnerna TWF och RNF är markerade på 46 respektive 19 rader; det skiljer sig från de 51 respektive 5 som nämns i beskrivningen. Dessutom stämmer Machine failure inte med ett logiskt OR av de fem feltyperna på 27 rader: 9 har totalfel utan markerad feltyp och 18 har feltyp utan totalfel.
Det är en observerad skillnad mellan fil och dokumentation, inte belägg för vilken etikett som borde gälla. Behåll originalfilen, välj Machine failure som mål för övningen och redovisa osäkerheten. Ändra inte etiketter automatiskt. Om du provar en annan tolkningsregel, behandla den som en separat, dokumenterad känslighetsanalys.
Det finns inget uttryckligt fält för mättid eller fysisk maskinidentitet i CSV-filen. UDI är en radidentifierare och Tool wear [min] är verktygsslitage uttryckt i minuter, inte en tidsstämpel. En kurva mot radnummer visar ordning i filen, inte verifierad kalendertid. Välj därför inte en framtidsprognos som om sådana uppgifter fanns.
Prova själv
Fundera med hjälp av exemplet. Papper och penna räcker.
- Skriv en rapportmening för 80 mottagna av 100 förväntade mätningar. Skilj på täckning och temperaturresultat.
- Hitta en tänkbar förklaring till att de saknade mätningarna kan vara särskilt viktiga.
- Beskriv en jämförelse mellan två växthus. Ange två saker utöver odlingsmetoden som kan påverka resultatet.
- Jämför Machine failure med felkolumnerna i AI4I. Skriv en kort avvikelserapport utan att ändra originaletiketterna.
Testa dina kunskaper
Stanna upp en stund. Vad har fastnat?
Fortsätt vara nyfiken
Utvalda källor för dig som vill gå djupare.
Datakvalitet och kvalitetsdimensionerIBM · EngelskaAI4I 2020 – jämför fil och dokumentationUCI Machine Learning Repository · EngelskaKontrollresultat för AI4I, 13 oktober 2026Kopplat · SvenskaEtt steg närmare helheten.
Markera ämnet när du känner dig redo.