為什么人工智能可以在大量數(shù)據(jù)上蓬勃發(fā)展

我與之交談的幾乎每個(gè)CIO都大膽地宣稱(chēng)他們的企業(yè)是“數(shù)據(jù)驅(qū)動(dòng)的企業(yè)”。但是，畢馬威會(huì)計(jì)師事務(wù)所(KPMG)最近進(jìn)行的全球CEO前景調(diào)查卻截然不同：全球67%的CEO(的這一數(shù)字躍升至78%)表明，他們忽略了由CIO /他們提供的數(shù)據(jù)驅(qū)動(dòng)的分析和預(yù)測(cè)模型IT團(tuán)隊(duì)，因?yàn)檫@與他們自己的經(jīng)驗(yàn)相矛盾;他們根據(jù)自己的直覺(jué)做出了重大的企業(yè)決策。

忽略了數(shù)據(jù)驅(qū)動(dòng)的見(jiàn)解而遵循直覺(jué)的CEO

雖然結(jié)果有些令人震驚，但可以很容易地解釋它。首先，盡管企業(yè)生產(chǎn)的數(shù)據(jù)量足夠多，但是數(shù)據(jù)仍然在業(yè)務(wù)單元，域，平臺(tái)和實(shí)現(xiàn)(例如云與私有數(shù)據(jù)中心)之間非常分散。根據(jù)Forrester的說(shuō)法，多達(dá)73%的公司數(shù)據(jù)未用于分析和見(jiàn)解。難怪首席執(zhí)行官僅使用總數(shù)據(jù)的27%生成的模型就獲得了可怕的結(jié)果!其次，大多數(shù)當(dāng)前的預(yù)測(cè)模型僅使用歷史數(shù)據(jù)，而不使用流(實(shí)時(shí))數(shù)據(jù)。這兩個(gè)重要因素導(dǎo)致預(yù)測(cè)的準(zhǔn)確性不高。首席執(zhí)行官如果不信任模型，就無(wú)法做出決策，因?yàn)樗麄儤I(yè)務(wù)的成敗取決于他們做出的決策。

更多數(shù)據(jù)可以帶來(lái)更好的預(yù)測(cè)

盡管是IT運(yùn)營(yíng)使其他企業(yè)AI計(jì)劃保持平穩(wěn)運(yùn)行，但實(shí)施AI以改善其自身的運(yùn)營(yíng)速度卻很慢。原因之一是上述數(shù)據(jù)零散。當(dāng)向AI / ML模型提供部分?jǐn)?shù)據(jù)時(shí)，您只會(huì)獲得企業(yè)的部分視圖。另一個(gè)主要原因是因?yàn)楫?dāng)前大多數(shù)AI / ML實(shí)施都是為了創(chuàng)新，并且通常由BU資助。傳統(tǒng)上，企業(yè)將IT視為成本中心，因此他們不愿意花錢(qián)來(lái)使用AI來(lái)改善運(yùn)營(yíng)。但是，隨著大量的數(shù)據(jù)，以及當(dāng)前的大流行病產(chǎn)生了更多的未連接的遠(yuǎn)程數(shù)據(jù)，這種感覺(jué)在開(kāi)始淹沒(méi)Ops團(tuán)隊(duì)時(shí)發(fā)生了變化。IT運(yùn)營(yíng)團(tuán)隊(duì)正在達(dá)到一個(gè)臨界點(diǎn)，要處理的數(shù)據(jù)過(guò)多，這是AI的理想方案。這是AI和ML的最佳選擇。人工智能在大量數(shù)據(jù)上蓬勃發(fā)展。實(shí)際上，向AI算法饋送的數(shù)據(jù)越多，模型就越好。