Gartner此前曾预计,到2018年,90%的数据湖将毫无用处,因为它们充满了原始数据,很少有人会使用这些技术。

  在当前的技术领域,没有什么能像人工智能(AI)那样引起人们的好奇和兴奋。而AI的潜在优势,也刚刚开始在企业内显现出来。

  然而,企业中人工智能的增长受到了阻碍,因为数据科学家通常无法获得建立有效人工智能模型所需的相关数据。这些数据专家经常被迫仅依赖于一些已知的来源,如现有的数据仓库,而并不能利用他们所需的所有实时的真实数据。此外,许多公司很难有效且经济地确定大量数据的业务环境和质量。鉴于这些困难,很容易理解AI在加速和应用过程中的一些历史障碍。

  数据对AI有价值,用户才能自信而安全地使用它来训练AI模型。实现这一目标的唯一方法是以“智能数据”为基础。

  多年来,我们已经超越了数据的收集和聚合,以驱动特定的业务应用程序(数据1.0),组织已经能够创建定义明确的流程,允许任何人访问数据,但这还远远不够,我们现已达到了需要智能数据才能真正为企业范围的转型提供动力的数据(数据3.0)。

  例如,考虑一家公司将尝试重新定义其与客户群的传统关系所面临的挑战,引导这种颠覆性变革需要来自众多数据源,诸如数据库,数据仓库,应用程序,大数据系统,物联网,社交媒体等的输入,各种数据类型,诸如结构化,半结构化和非结构化,以及各种位置,诸如本地,云,混合和大数据等因素。

  如今,数据湖正在成为信息变革时代所需大量不同数据的首选存储库。但没有智能数据,这些湖泊价值不大。Gartner此前曾预计,到2018年,90%的数据湖将毫无用处,因为它们充满了原始数据,很少有人会使用这些技术。

  相比之下,通过智能数据,数据科学家可以进行类似Google的搜索,并立即发现相关数据的所有潜在来源。智能数据可以节省大量宝贵的时间,数据科学家可能不得不花费时间来收集、组装和改进模型所需的数据

  那么如何确保数据真正智能化?通过构建端到端数据管理平台,该数据管理平台本身使用机器学习和AI功能,由广泛的元数据驱动,以提高平台的整体生产力。元数据是释放数据价值的关键。

  如果用户希望提供全面,相关且准确的数据来实施人工智能技术,那么就需要查看四种不同的元数据类别:

  •技术元数据-包括数据库表和列信息以及有关数据质量的统计信息。

  •业务元数据-定义数据的业务上下文以及它参与的业务流程。

  •操作元数据-有关软件系统和流程执行的信息。

  •使用元数据-有关用户活动的信息,包括访问的数据集,评级和评论。

  应用于此元数据集合的AI和机器学习不仅有助于识别和推荐正确的数据,该数据也可以自动处理——无需人工干预,使其适用于企业AI项目。

  数字化转型,正在迫使组织以不同的方式审视数据,这是成为“猎物或捕食者”的问题。如今,有实时可用的数据和工具访问,可以实现快速分析,将促进了人工智能和机器学习,并允许过渡到数据优先的方法。由于数字化、数据爆炸以及人工智能对企业的变革影响,人工智能带来的信息技术变革正在蓬勃发展。

  显然,越来越多的数据输入可能影响人工智能应用程序的决策,因此组织需要对相关且有影响力的内容进行分类整理。然而,在您的组织采用人工驱动的数据管理方法之前,请考虑以下问题:

  您希望从AI中获得什么?