MEMANFAATKAN GEMINI DAN NOTEBOOKLM UNTUK PENGURUSAN DATA UNIVERSITI YANG BERKUALITI DAN SELAMAT

Kata Kunci: Pengurusan Data, Gemini, NotebookLM

Realiti Tugas Pengurusan Data Universiti

Kerja-kerja yang kelihatan mudah di dalam pengurusan data universiti seperti menyediakan satu laporan, menjana statistik dan menjawab permintaan data sebenarnya melibatkan pelbagai proses di belakang tabir. Data perlu dicari, disemak, dibersihkan, dipadankan, dianalisis dan disahkan sebelum sesuatu angka boleh dianggap tepat dan boleh digunakan.

Bayangkan sebuah unit menerima permintaan untuk menyediakan statistik pelajar mengikut fakulti, program, peringkat pengajian dan tahun. Data mungkin datang daripada beberapa sumber dengan struktur, format dan istilah yang berbeza. Ada rekod yang kosong, pendua, tidak konsisten atau mempunyai kod yang tidak lagi digunakan. Cabaran sebenar dalam situasi ini bukanlah sekadar mendapatkan data tetapi memastikan data yang disampaikan benar-benar berkualiti.

Di sinilah kecerdasan buatan (AI) seperti Gemini dan NotebookLM boleh menjadi pembantu yang memudahkan kerja-kerja pengurusan data.

Rajah 1: Realiti tugas pengurusan data universiti

AI sebagai Pembantu, bukan Pengganti Pegawai Data

Penggunaan AI tidak bermaksud kerja pengurusan data boleh diserahkan sepenuhnya kepada mesin. Sebaliknya, AI boleh membantu mempercepatkan tugas yang mengambil masa dan memerlukan pemerhatian berulang.
Sebagai contoh, Gemini boleh digunakan untuk membantu meneliti struktur set data, mengenal pasti nilai kosong, mengesan ketidakseragaman kategori, mencadangkan kaedah pengelasan atau membantu menerangkan pola yang terdapat dalam data.
Jika terdapat kategori seperti “Lelaki”, “LELAKI”, “L” dan “Male”, AI boleh membantu dalam mengenal pasti bahawa kesemuanya mungkin merujuk kepada kategori yang sama. Namun, keputusan akhir tentang bagaimana data tersebut perlu diseragamkan masih memerlukan pengesahan pegawai yang memahami definisi dan konteks data universiti.

Daripada Data Mentah kepada Maklumat Bermakna

Tugas hakiki pengurusan data sering kali melibatkan pengendalian data dalam bentuk jadual yang panjang. Angka sahaja tidak semestinya memberikan gambaran yang jelas.
AI boleh membantu menterjemahkan data tersebut kepada maklumat yang lebih mudah difahami. Contohnya, daripada kemasukan data beberapa tahun, AI boleh membantu mengenal pasti trend peningkatan atau penurunan, perubahan mengikut fakulti dan peringkat pengajian serta kemungkinan nilai yang luar biasa.Namun, satu prinsip penting perlu diterapkan, iaitu AI perlu membuat kesimpulan berdasarkan data yang diberikan, bukan berdasarkan andaian.
Arahan seperti “Kenal pasti trend utama berdasarkan data ini dan nyatakan hanya dapatan yang disokong oleh data” dapat membantu menghasilkan analisis yang lebih terkawal.”

NotebookLM untuk Mengurus Pengetahuan dan Dokumen

Kerja pengurusan data bukan hanya melibatkan set data. Pegawai juga perlu merujuk kepada pelbagai dokumen seperti laporan, garis panduan, dasar, prosedur, minit mesyuarat dan dokumen teknikal.
NotebookLM boleh dimanfaatkan untuk membantu memahami kandungan dokumen yang banyak, membuat perbandingan antara beberapa sumber dan mendapatkan semula maklumat tertentu dengan lebih pantas.
Sebagai contoh, apabila terdapat perubahan definisi sesuatu indikator merentas tahun, semakan silang dengan dokumen terdahulu boleh dilakukan untuk mengenal pasti perubahan tersebut sebelum data dianalisis. Hal ini dapat membantu mengurangkan risiko membuat perbandingan yang tidak tepat antara data yang menggunakan definisi berbeza.

Kualiti Data Bermula Sebelum Data Dianalisis

Walaupun AI semakin pintar, prinsip asas pengurusan data tetap sama, iaitu garbage in, garbage out.
Jika data asal mempunyai kesilapan, AI tidak semestinya dapat membetulkannya dengan tepat. Oleh hal yang demikian, proses seperti pengesahan sumber, semakan pendua, pengendalian nilai kosong, penyeragaman format, semakan logik dan pengesahan definisi data masih menjadi sebahagian penting daripada kerja hakiki.
AI sepatutnya membantu mempercepatkan proses tersebut, bukannya menggantikan kawalan kualiti.

Data Berkualiti perlu Data yang Selamat

Aspek keselamatan tidak boleh dipisahkan daripada pengurusan data di mana-mana institusi, khususnya di universiti. Data pelajar dan staf mengandungi maklumat peribadi yang tidak sepatutnya didedahkan kepada pihak yang tidak berkaitan.
Sebelum menggunakan AI, prinsip peminimuman data (data minimisation) wajar diamalkan. Sebarang maklumat yang tidak relevan dengan tujuan analisis harus dikecualikan. Selain itu, data peribadi yang boleh mengaitkan maklumat dengan individu tertentu perlulah dinyahkenal pasti (dianonimkan) terlebih dahulu sebelum diproses.

Akhirnya, Manusia Tetap Penentu

AI boleh membantu mempercepatkan kerja, tetapi tanggungjawab terhadap data tetap berada pada manusia. Aliran kerja yang lebih selamat dan berkualiti adalah seperti Rajah 2 di bawah.

Rajah 2: Aliran kerja proses data

Inilah perubahan yang lebih bermakna dalam penggunaan AI. Ia bukan sekadar menjadikan kerja lebih pantas, tetapi membantu pegawai data memberikan lebih banyak masa kepada perkara yang lebih bernilai dengan memahami data, memastikan ketepatannya dan menghasilkan maklumat yang boleh dipercayai untuk menyokong keputusan universiti.

Hal ini kerana, dalam pengurusan data, angka bukan sekadar angka. Hakikatnya, di sebalik sebalik setiap rekod, terangkum proses, definisi dan konteks yang tersendiri. Manakala, bagi setiap keputusan yang berteraskan data, tergalas satu tanggungjawab besar untuk memastikan maklumat tersebut tepat, bermakna dan selamat.