企業在資料限制下面對人工智慧的實施障礙

幾年前，商業技術領域被流行詞「大資料」所主導 - 指組織所累積的大量資訊，這些資訊可發掘新穎的營運方式，並提出最佳的策略方向。

如今越來越明顯的是，企業在有效運用大數據方面所遇到的挑戰依然存在，而正是人工智能這項新技術的出現，讓這些問題再次成為焦點。如果不解決困擾大數據的基本問題，人工智能的實作注定會落空。

那麼，究竟是什麼在妨礙人工智能發揮其潛力呢？

大多數障礙都源自於資料資源本身。要瞭解這個問題，請考慮典型工作天中所使用的各種資訊來源。

在中小型企業 (SME) 中：

• 儲存於使用者筆記型電腦、Google Sheets 或 Office 365 雲端儲存中的試算表。
• 客戶關係管理 (CRM) 平台。
• 同事、客戶和供應商之間的電子郵件通信。
• Word 文件、PDF 檔案和線上表格。
• 即時通訊應用程式。

在大型企業中：

• 上述所有來源，再加上
• 企業資源規劃 (ERP) 系統。
• 即時資料流。
• 資料湖。
• 支援各種獨立應用程式的獨立資料庫。

必須注意的是，這份簡短的清單並非詳盡無遺，也無此意圖。其目的是要說明，即使只有五點，資訊也可能分散在大約十幾個位置。大數據所需要的 (現在也經常需要) 以及人工智慧計畫所依賴的，是統一這些不同元素的方法，以便電腦演算法能夠有效地解釋這些元素。

在 Gartner 的 2024 年人工智慧趨勢週期 (2024 Hype Cycle for Artificial Intelligence)中，AI-Ready Data 被定位在上升斜坡上，估計需要兩到五年的時間才能達到「生產力高點」。鑒於 AI 系統依賴於挖掘和提取資料，大多數組織（不包括規模最大的組織）都缺乏必要的基礎架構。因此，他們可能在未來一到四年內都無法從 AI 驅動的支援中獲益。

人工智能部署所面臨的核心挑戰，與大數據計劃在炒作週期中所遇到的障礙如出一轍 - 從創新觸發、期望膨脹的高峰、幻灭的低谷、啟發的斜坡，到生產力的高原。數據以多種格式存在；它可能不一致；它可能遵循不同的標準；它可能不準確或有偏見；它可能包含高度敏感的資訊，或者是過時和不相關的資訊。

今天，轉換資料使其為 AI 準備就緒的過程仍然非常重要，甚至比以往任何時候都更加重要。希望盡早取得優勢的公司可以試用許多可用的資料處理平台。根據一般建議，他們可能會從有限、分散的專案開始，作為評估新興技術有效性的試驗床。

現代資料準備與組裝系統的主要優點在於，它們經過特別設計，可組織組織的資訊資源，供人工智能價值創造平台使用。舉例來說，它們可以結合精心編碼的護欄，以協助確保資料合規性，並防止使用者存取有偏見或商業敏感的資訊。

儘管如此，建立連貫、安全且結構良好的資料資源仍是一項持續的挑戰。隨著組織透過日常作業累積更多資料，維護最新且可存取的資料資源是一項持續性的工作。雖然大數據通常會被視為靜態資產，但用於人工智能的資料必須盡可能以接近即時的方式準備和處理。

因此，組織必須在機會、風險和成本之間取得微妙的三方平衡。對於現代企業而言，選擇正確的廠商或平台從未如此重要。

(資料來源："Inside the business school" by Darien and Neil 採用 CC BY-NC 2.0 授權)。

有興趣向業界頂尖專家瞭解更多關於 AI 和大資料的資訊嗎？參加在阿姆斯特丹、加州和倫敦舉行的 AI & Big Data Expo。這項綜合活動是 TechEx 的一部分，並與其他首屈一指的技術聚會同地舉行。點選此處瞭解更多詳細資訊。

AI News 由 TechForge Media 提供。在此瞭解更多即將舉行的企業技術活動和網路研討會。