数据孤岛若何影响 AI 和智能体

　　数据孤岛正在数据阐发高潮之前就一曲搅扰着各个组织。可惜的是，数据孤岛正在很多组织中仍然是一个问题，这使得 AI 输出的靠得住性遭到质疑。数据阐发平台供给商 KNIME 的 CEO 兼结合创始人 Michael Berthold 暗示：数据孤岛使得智能体很难基于某个关心对象 (如客户、员工或单个用户) 的数据全貌获得同一的洞察。例如，智能体正在处置孤立的数据源时会碰到坚苦，就像一小我必需先查看 CRM 系统领会公司消息和当前合同汗青，然后去支撑系统领会正正在进行的手艺问题，还要查抄正在线论坛看看客户的员工能否正在那里发布了什么内容。按照 Gartner 比来的一项查询拜访，63% 的组织要么没有，要么不确定能否具有适合 AI 的准确数据办理实践。现实上，Gartner 预测到 2026 年，组织将放弃 60% 缺乏 AI 停当数据支撑的 AI 项目。东西供应商正试图通过供给取其他东西的集成来简化系统之间的数据流。同样，智能体也将受益于具有一个同一的处所来获取客户消息。Michael Berthold 说：正在抱负世界中，所无数据都该当是集成的。这是多年前数据仓库的许诺，现正在仍正在许诺。出格是那些具有更多遗留数据和系统的公司将继续存正在数据孤岛。AI 模子需要高质量的数据才能阐扬最佳机能。数据和 AI 处理方案供给商 SAS 的数据办理研发高级总监 Gordon Robinson 暗示，蹩脚的数据会导致模子机能欠安，可能会让组织丧失数万万美元或更多。Robinson 说：跨孤岛的数据纷歧味着组织的分歧部分可能逃踪类似的数据，导致差别并缺乏单一现实来历。数据孤岛还会导致 AI 模子锻炼不完整。当 AI 模子正在碎片化数据而不是完整数据集上锻炼时，它们就无法阐扬全数潜力并供给最佳洞察。AI 驱动的收集平安从动化平台 Blink Ops 的发卖工程师 Josh Weinick 曾见过聊器人因无法拜候存储正在其他部分系统中的发卖或产物数据而无法供给精确客户支撑的案例。大大都孤岛是由遗留根本设备、组织文化和不分歧的数据尺度夹杂形成的。当团队本人的系统和定义，或者当旧手艺无法取现代 AI 平台很好地集成时，孤岛很容易构成，Weinick 说，并购也可能起感化。新收购的营业部分凡是会带来本人的手艺栈，除非带领层优先考虑集成，不然这些手艺栈会连结孤立。企业数据可察看性公司 Acceldata 的结合创始人兼 CTO Ashwin Rajeeva 暗示，数据孤岛了 AI 对完整、高质量数据的拜候，这导致了有的模子、不分歧的洞察和不靠得住的从动化。碎片化的数据集使 AI 智能体难以理解上下文，降低了它们正在决策和营业影响方面的结果，Rajeeva 说，消弭孤岛对于 AI 的扩展、提高效率和发生成心义的企业价值至关主要。以数据为先的 AI 计谋该当关心管理、互操做性和可察看性。企业该当实施从动化的数据质量查抄、及时和血缘逃踪，以确保 AI 模子运转正在精确、分歧的数据上。将数据计谋取营业方针对齐并推进跨本能机能协做能够加快 AI 的采用和影响，Rajeeva 说。SAP 的高级司理 Gokul Naidu 暗示，可能需要手动整合或跨团队请求。当消息最终归并时，它可能曾经过时，这会减慢 AI 驱动优化的反馈轮回，降低潜正在的投资报答率，Naidu 说，当我戴上 FinOps 的帽子时，我看到孤岛恍惚了单元经济价值，好比每笔买卖成本、每个用户成本，并了权衡每个办事或功能对全体营业价值贡献的能力。正在他看来，对共享的文化抵制、遗留使用法式和手艺债权都导致了数据碎片化，使得成立同一的数据计谋变得坚苦。要降服这些问题，他采纳相反的做法，即推进共享文化、制定同一的数据计谋，并利用从动化和可察看性。IT 系统数据办事供给商 The Data Group 的 CEO Paul Graeve 指出了 SaaS 系统的问题。具体来说，组织没有投入需要的时间、精神和资金将 SaaS 数据加载到数据仓库中，正在那里组织能够拥无数据、清理数据并无效地将数据用于任何主要的营业打算。你的数据被锁正在分离正在全球各地的所有这些 SaaS 平台中。考虑到数据是你最有价值的资产，这可能会令人担心，Graeve 说，你可以或许无效且高效地将数据用于 AI、阐发、门户网坐或任何打算的独一方式是将所无数据整合到一个实正在版本的数据仓库中。正在你将数据放正在一个能够查看、修复、丰硕和高效利用的处所之前，你将很难成功实施任何 AI 打算。TEKsystems Global Services 的营业现代化办事总监 Armando Franco 暗示，数据孤岛了对全面锻炼数据的拜候，降低了模子精确性，并因为冲突的管理和反复而引入不分歧性。它们还正在从动化和决策方面形成效率低下，由于 AI 智能体需要及时拜候同一的数据。此外，碎片化的数据带来平安和合规风险，若是管理不妥可能导致违反律例。营业部分碎片化和缺乏同一的数据计谋，Franco 说，遗留系统不是为互操做性而设想的，而分歧部分利用特地的东西形成了集成妨碍。没有集中管理，企业正在数据办理方面存正在不分歧，而孤立的 AI 打算导致反复工做和冲突的模子输出。处理这些问题需要现代化 IT 系统、若是一家公司曾经存正在一段时间，它就会有分歧的东西和系统，而同一这一切的行为从一起头就必定失败。更蹩脚的是，若是该公司比来几年收购了几家带来本人东西和数据处理方案的公司，KNIME 的 Berthold 说，不要幻想期待出名的数据仓库来处理一切。不要试图通过起头复制数据来给问题打补丁，如许只会正在一个核心建立数据池沼。相反，主要的是要成立一个数据集成、聚合和阐发层，让每小我和 AI 智能体都能拜候同一视图。Berthold 说，组织该当确保该层中的手艺有优良的文档记实，如许将来的同事能够理解其功能并正在数据挪动或添加新数据源时进行更新。按照 SAS 的 Robinson 的说法，组织内的数据孤岛经常环绕产物或营业功能构成，因而很多组织仍然难以充实阐扬其数据的潜力。降服这些挑和的最佳方式是正在组织内实施强大的数据管理框架。跟着监管要求的添加以及数据泄露频次和成本的上升，强大的数据管理不再是一种选择 —— 而是必需品，Robinson 说，成功的数据管理打算始于领会你具有什么数据，评估其质量并它正在整个组织中的利用体例。此外，实体解析等手艺能够通过未来自分歧孤岛的消息整合到集中存储库中来帮帮建立单一、同一的数据视图。然而，很多组织尚未投资于强大的数据管理。同时，跟着新的 AI 律例不竭成长，AI 管理正成为一个环节核心。无效的 AI 管理必需成立正在强大数据管理的根本之上，Robinson 说，若是你还没有投资数据管理，或者你当前的平台缺乏稳健性，这该当是你的首要使命。这不再是可选的。对于当今任何数据驱动的组织来说，这都是一个根基必需品。除此之外，Blink Ops 的 Weinick 说，组织该当预备投资现代数据集成和元数据办理，并从一起头就成立强大的平安和管理框架，如许对合规或违规的担心就不会形成庞大的耽搁。最主要的是，要专注于培育跨本能机能思维，Weinick 说，通过将两个孤立的数据集整合正在一路来处理紧迫的营业问题，展现快速胜利，然后正在整个企业中庆贺和扩大这些成功。