内容
资料来源：PhonlamaiPhoto / iStockphoto
带走：
人工智能只能与用于训练的数据一样聪明。这就是为什么要对AI进行高质量数据培训时，正确的数据管理至关重要。
人工智能在一个非常重要的方面与传统软件不同：它必须学习如何完成工作。
这为产品生命周期提供了一个关键优势，因为系统本身可以添加新工具，创建新功能或以其他方式更改自身，从而不必等待编码向导每年（或更少频率）手动升级一次创建的内容。更好地满足用户需求。当然，不利的一面是，很少有AI程序可以立即提供一流的性能。只有不断使用，他们才能了解对他们的期望以及如何最好地实现其目标。
这种发展的关键因素是AI驱动的系统所暴露的数据。良好的条件和适当的条件下放置的良好数据将使服务能够做出明智的决定并采取适当的行动，而不良数据将导致结果不佳且性能不断下降。
例如，考虑一个AI驱动的营销策略。一个关键的数据点可能表明人们对某个地区或特定人群中特定产品的兴趣增加。但是，如果数据仅基于网页浏览量或其他轶事证据而不是深入的消费者调查，则大量的时间，金钱和其他资源可能会从生产力更高的项目中转移出来，以追逐不存在的机会。 （有关营销中的AI的更多信息，请查看人工智能将如何改变销售行业。）
看到问题
但是，迄今为止，企业在管理数据（尤其是非结构化数据）方面取得了微薄的成功。据Corinium称，尽管超过一半的IT团队使用尖端的混合和多云架构进行数据存储，但仍有70％的IT和数据管理团队难以满足分析需求，而近40％的团队却难以保持良好的数据质量。
但是，从积极的方面来看，许多组织开始认识到问题的严重性，并正在采取措施加以解决。超过90％的受访者表示，他们将在来年对新的分析计划投资超过100万美元，其中60％以上的企业采用混合，多云策略在内部和外部基础架构中联合数据。
Informatica总裁Amit Walia说，然而，仍然需要克服的一个关键问题是，需要从基本的数据收集和聚合发展到更高级的安全和相关性模型。只有通过解析有关技术，业务，运营和使用的关键元数据，企业才能培养出训练智能算法所需的“智能数据”。
但是，随着数据量持续爆炸，这变得越来越难。具有讽刺意味的是，许多数据分析和管理解决方案都转向了相同的AI和机器学习算法，这些算法使最终消耗数据和元数据的智能应用程序成为可能。通过使整个过程更加智能，企业可以自动化许多死记硬背的功能，这些功能目前占据了高薪数据科学家的大部分时间，使他们可以自由地专注于更复杂的战略目标。
没有错误，没有压力-在不破坏生活的情况下创建可改变生活的软件的分步指南
当没有人关心软件质量时，您就无法提高编程技能。
来自远方的数据
每个智能数据管理系统都需要做的一件事就是简化与云之间的连接。尽管广域网变得越来越快速，灵活且由软件定义，但它仍然缺乏细粒度的管理工具来以AI友好的速度整理，处理和传输数据。这就是NetApp和Nvidia合作将AFF A800闪存平台与DGX超级计算机结合在一起的原因。该解决方案利用NetApp的数据结构有效地提供“从边缘到云的核心”数据控制，为分析引擎提供整个分布式生态系统的准确，最新视图，并且无论数据位于何处或以何种格式直接访问。在。
但是，检索数据只是第一步。改进数据库提取和解释数据的方式可以同样有效。数据库去中心化公司Bluzelle的首席执行官Pavel Bains认为，区块链可以通过创建容纳结构化和非结构化数据的通用数据存储在这方面做出重大贡献。这将使数据管理团队能够提供AI所需的深层次知识，以快速理解所有这些信息，同时确保关键数据不受任何一个云提供商的控制。区块链使用分布式的点对点存储节点，几乎可以确保以几乎最快的速度在几乎任何地方提供数据，同时由于其不变但开放的分类帐方法而保持了高完整性。 （当人工智能按照预期的方式工作时，可能会对业务产生巨大的帮助。了解更多公司可能希望考虑使用人工智能的5种方法。）
AI用词不当，是因为它并不真正聪明。它不能从本质上区分事实与小说，好与坏，对与错。它所能做的就是消耗大量数据并寻找能够满足其编程要求的模式。如果数据不正确或解释不正确，则模式将倾斜，结果将是错误的。
因此，人工智能背后的真正智能在于它永远拥有的地方：人脑。人工智能只有通过适当地监督和收集数据，才能为数字服务和运营带来最大的收益。
我们对数据越智能，我们的机器就越智能，以实现更高的生产率。