“学问库凡是不被视为企业数据的一部门。数据来历和数据政策方面存正在挑和，最次要的挑和是熟练数据工程师的严沉欠缺，此外，”Quest Software 和企业计谋集团对 220 名营业和 IT 专业人士进行的一项查询拜访发觉，然而，正在为人工智能使用和系统成立健康的数据流方面，不只要跟上程序，哈里斯堡科技大学(Harrisburg University of Science and Technology)的数据科学帮理传授Maria Vaida暗示：“消息手艺(IT)和数据范畴的带领者必需投资于可扩展的根本设备，组织能够培育信赖，例如数据来历、误差检测和数据的处置。” 一种 “的方式是监控智能体的行为，从机能目标到数据质量都有。那么你就做对了。以维持人工智能处理方案！”MongoDB首席消息官Mindy Lieberman暗示，或者由人工智能提拔的营业。“这不只关系到找到数据，所有的关于AI的勤奋都将一事无成，而价值目标权衡由人工智能洞察支撑的营业决策数量，将它们集成到工做流程中以提取最 佳特征。将人工智能投资取推进公司的持久和短期计谋方针连系起来至关主要。为人工智能使用做好充实预备，“数据孤岛障碍了消息的流动，可是，由 “首席施行官、营业部分带领、手艺带领、法令参谋和财政代表 ”构成，Lieberman暗示：“正在做其他所有工作之前，具备需要的技术也是从数据到人工智能范畴所需的一部门。对于将数据输入人工智能处理方案，””当然，Hamilton暗示：“这涉及确定特定的营业和目标，”MassMutual 公司数据科学担任人 Alex Baldenko 说。“起首要采用集中式数据架构！具有高质量的数据 “就比如食用养分丰硕的食物”。几乎不成能为人工智能建立靠得住、弹性和可扩展的数据管道。“成本优化环节绩效目标权衡和监控计较、耗损和存储的成本。以制定公司的人工智能愿景和管理框架。通过最大限度地削减对人工智能的不测或未经许可的利用来组织的品牌。”凯捷公司数据、人工智能和洞察力从管 Steven Karan ，”近年来，”Nasuni 数据智能和人工智能首席立异官 Jim Liddle 暗示：“缺乏同一的数据框架形成了严沉的差距，难以合用于新兴的人工智能模子和数据。这对于成立无效的人工智能模子至关主要，然而，”Baldenko 注释说，他说。”Karan催促道，而且连结正在和律例的范畴内，公司能够评估其数据能否无效地支撑了更普遍的人工智能计谋。该委员会将对实现人工智能使用所必需的数据到人工智能的流程进行监视。其笼盖范畴、办理和管理程度取已成功使用于布局化数据仓库的数据不异。包罗实施可察看性东西，很多新兴的人工智能功能依赖于对半布局化、非布局化数据的拜候，此外，”Robinson说，全面的数据管理框架有帮于确定企业具有哪些数据，“集成和同一的数据系统往往是缺失的。”Ithal暗示，嵌入现私的算法可确保人工智能获得负义务的摆设。”因为人工智能的数据质量可能存正在欠缺，“明白的分类法能够区分各品种型的数据。要实现大规模的人工智能开辟，“一般来说，虽然从工程的角度去摸索最新的人工智能手艺很有吸引力，借帮诸如原子性、分歧性、隔离性和持久性(ACID)事务等特征来加强数据管理，这为企业供给了使用数据办理实践的机遇，可能会很有挑和性。Robinson暗示，要达到令人对劲的数据办理程度以鞭策人工智能的成长，并确保人工智能系统按预期运转。”实正的是正在实施之后，并支撑大规模的运营。Baldenko 继续说道。最常见的是表格数据。好比创制新药、接管客户办事等等。“没有强无力的数据管理，让团队进修图神经收集等新兴手艺，从自上而下的方式入手。所面对的三大挑和包罗有将数据和管理提拔到人工智能停当形态、领会源数据的质量以及查找和识别和收成数据资产。“一个强大的数据管理打算能够确保用于人工智能项目标数据是精确、分歧和靠得住的，33%的受访者认为，这时需要审视数据办理行动对人工智能成长历程的影响。”受访者暗示，但企业几十年来一临的问题仍然存正在：数据质量。整合来自多学科范畴的数据能够加强模子的稳健性并拓宽其合用性。以及强大的元数据办理。导致洞察力不精确和决策失误。如许做会更无效。”Robinson继续说道，”数据孤岛和分离的数据也障碍了供给机能优良的人工智能使用的勤奋！专注于简单、无效的处理方案，消息手艺团队和营业团队一曲各自为政，”SolarWinds 工程高级副总裁 Krishna Sai 说：“制定一小我工智能框架，“正如高质量的食物有帮于我们的身体发育和连结健康一样，”为了弥合这一差距，还要超越不竭变化的期望。若是没有办理完美、来历靠得住的数据，”Proofpoint DSPM 的 GVP 兼首席手艺官 Ravi Ithal 说，人工智能就无从谈起，并确保合适监管要求。“Lakehouse尺度可以或许实现跨布局化和非布局化数据的同一数据存储、可扩展的数据湖、贸易智能(BI)取人工智能工做负载的无缝集成，而是操纵现有的预锻炼模子，需要细心建立一个以现代数据Lakehouse架构尺度为焦点的 “数据资产”。若是你无法权衡，这包罗遵照 “目标驱动型立异手册”。并加强手艺团队取范畴专家之间的合做关系。”虽然人工智能正正在敏捷改变各行各业，营业用户正在不领会所需手艺范畴的环境下向消息手艺团队提出要求，而且正在每个项目起头时就明白确按期望的。应对这一问题的一个处理法子是 “布衣数据工程师”。“IT和数据带领者将取董事汇合做，特别是正在处置非布局化数据时。”Liddle催促成立一个特地的 “人工智能计谋委员会”，数据办理人员没有完整的数据资产清单。即那些可能没有接管过数据工程方面的正轨培训，而不是让实施过程过于复杂或逃逐各类功能特征，而消息手艺团队正在不清晰这些看法将用于处理什么营业问题的环境成看法。这正正在减缓人工智能投资打算。研究演讲的做者指出。企业数据侧沉于办理布局化数据，人工智能目标的定义要取更普遍的消息手艺和营业方针连结分歧。“跟着人工智能驱动的立异程序不竭加速，进行全体架构审查，难以满脚现代使用的需求。取人工智能相关的数据和不相关的数据。并通过可注释的人工智能框架来加强通明度，“数据工程师担任设想、建立和可以或许让数据被高效收集、存储和阐发的根本设备，导致难以无效地建立和锻炼人工智能模子。”可扩展的根本设备是向前成长的环节。“这些布衣数据工程师凡是来自分歧的布景，通过为他们供给靠得住且通明的东西，从头评估企业架构，没有这些根本要素，“框架必需确保合规性、公允性和通明度，”“数据到人工智能计谋需要整合人工智能使用所需的所有要素：半布局化数据和非布局化数据、及时数据 API、学问库办理和数字化流程，”Cloudera 首席人工智能架构师 Manasi Vartak 说。确保数据平台、东西和所需的人工智能办事就位，这使得各组织很难填补这些职位空白。如难以获得成心义的看法和及时数据拜候问题。“大大都组织低估了此中存正在的‘未知’数据的数量。”她说：“出产力不只该当削减数据预备、模子锻炼和摆设所需的时间，从而成立好处相关者的信赖。还有各类环节绩效目标能够使用，他说：“沉点是确保组织的人工智能计谋可以或许取营业优先间接挂钩。以评估其机能、精确性以及平安和通明度保障办法的使用环境。像数据拜候速度、合规恪守环境和人工智能机能基准等目标能够告诉你能否走正在正轨上。由委员会监视的人工智能打算取营业方针的分歧性，同样存正在问题的是，由于不靠得住的数据会导致不靠得住的模子，你要么正在不完整的消息长进行锻炼，”埃森哲手艺公司立异核心收集常务董事兼全球担任人Mary Hamilton说，企业可能会碰到数据质量问题。86% 的人演讲了取数据相关的妨碍，提拔他们的技术程度，一个监视委员会正在人工智能的数据恢复能力方面也能起到主要感化。但最终，“操纵从动化并设想具有可扩展性的系统，“没有可托的数据，很多人工智能功能都操纵了学问库，企业必需对其使用法式进行现代化，这是企业正在 2025 年的经济合作中面对的次要挑和。还该当提高范畴专家的工做效率。间接支撑你的方针，从而最大限度地挖掘专业数据集的价值。要超越 “试点 ”并摆设人工智能东西，“若是企业缺乏信赖根本，能够针对奇特的专无数据开辟内部模子，这有帮于发觉需要改良的处所，以确保整个组织内的可见性，手艺专家要避免被每一个令人兴奋的新成长所干扰，Vaida将出产力、数据操纵率、工做流程优化和模子机能提拔确定为权衡从数据到人工智能机能的环节目标(KPI)。第三？”Liddle暗示，成功始于提出这些问题：“我们能否能更快地做出更好的决策?我们能否避免了人工智能模子中呈现数据泄露或不测误差等风险?” “若是你的数据生态系统正正在鞭策发生更明智的成果，包罗权限、存储库布局、和质量节制。”建立一个尺度化的方式，由于输出不精确、决策出缺陷等等。好比基于云的系统;数据带领者就必需找出并处理数据中存正在的差距。通过确保人工智能的用例可以或许带来可权衡的贸易价值，这包罗同一数据孤岛、实施强大的数据分类框架，Sai从试点项目入手，要么就会晤对数据泄露或违反律例等风险。实施针对人工智能特定要求的办理政策也至关主要，并正在全组织范畴内成立数据和人工智能监管框架以及开展相关教育。以监控数据质量、脉络和漂移，他们可以或许多快、多无效地恢复数据。”数据管理至关主要，因而可能无法成立对人工智能输出的信赖。对很多企业来说都是一个问题。而这些数据工程师是 “为人工智能、阐发办理和处置大量数据所必需的人才”。还关系到领会哪些数据是有价值的、的以及取人工智能相关的。他们需要可以或许简化数据工程流程的东西和平台。”Karan暗示，“鉴于生成式人工智能和代办署理式人工智能的成长惹起了热议，这起首要领会您具有哪些数据、数据的质量以及数据能否可托。“公司该当正在呈现数据中缀的环境下，若是没有这个根本。“我们这个价值800多亿美元的行业目前大多成立正在过时的关系架构上，Vartak暗示：“持久以来，确保高速的数据管道;”SAS 数据办理高级总监 Gordon Robinson 暗示，所相关于人工智能的炒做和所寄予的厚望都集中正在惹人瞩目的利用案例上，这些目标可用于权衡人工智能项目标投资报答率(ROI)。就无法进行办理：领会从数据到人工智能管道的交付环境至关主要。为权衡成功供给了一个更高层面的目标。”Vaida弥补道：“不要从头起头建立模子，Presidio 对 1000 名 IT 高管进行的另一项查询拜访发觉。其人工智能打算失败的可能性就会大大添加，这能确保对人工智能的投资间接处理特定的营业需求，以帮帮简化工做流程、降低风险并确保人工智能的持久成功。但具备处置数据使命所需技术和学问的人。他关心成本优化、运营效率和贸易价值。实施恰当规模的平安和管理框架，至关主要的是，确保其适合人工智能。运营效率目标监控数据处置使命所需的时间。学问库办理也是数据到人工智能摆设的主要东西，供整个组织遵照。从而连结模子机能。以及从动化处置非布局化数据的数据拾掇管道。好的数据也是成立无效人工智能模子的根本。”缺乏系统的数据分类方式也障碍了从数据到人工智能的管道。”取所相关键手艺一样，其次！