企业领导者认为他们的数据已为人工智能做好了准备，但IT从业者每天要花费数小时来整理数据，结果却错失了自动化机会。

来源：Startup Stock Photos / Pexels

企业领导者可能相信其组织的数据已准备好用于AI，但IT工作者却讲述着截然不同的故事，大多数人每天要花费数小时来整理数据。

根据Capital One（Capital One是一家多元化的金融服务控股公司，总部位于美国弗吉尼亚州麦克林。Capital One以数据和信息技术战略为基础，最初以信用卡业务起家，逐渐发展成为美国信用卡发行机构的前列，并在多个金融领域拓展业务）最近的一项AI准备情况调查，近九成企业领导者表示，其组织的数据生态系统已准备好大规模构建和部署AI。但接受调查的IT从业者中，84%的人包括数据科学家、数据架构师和数据分析师每天至少要花一小时来解决数据问题。

调查显示，70%的IT专业人员每天花费一到四个小时来修复数据问题，而14%的IT专业人员每天花费超过四个小时。

供应链可持续性数据洞察平台Worldly（Worldly是一个供应链可持续性数据洞察平台，它为企业提供了关于供应链、产品和运营的真实数据，帮助企业改善影响、合规和披露所需的洞察力）的首席技术官John Armstrong(约翰·阿姆斯特朗)【John Armstrong(约翰·阿姆斯特朗)是Worldly的首席技术官。他负责Worldly技术的开发和战略路线图。John在为包括初创企业、非营利组织和上市公司在内的各种组织构思、架构、推出和扩展产品方面拥有丰富的经验】表示，这项调查指出，许多企业领导者对部署大多数人工智能工具所需的数据工作存在根本性的误解。

“有一种观点认为，我们只需向人工智能输入大量数据，它就能解决我们所有的问题，”他说。“这意味着，作为技术领导者，我们的工作是帮助教育我们的受众什么是可能的，以及实现他们的目标需要做些什么。”

Armstrong(阿姆斯特朗)补充道，人们对人工智能的数据管理需求存在持续误解，其影响巨大。Armstrong(阿姆斯特朗)说，当他与其他IT领导者交谈时，他们都在努力应对采用人工智能的压力。

“这是一个非常大的问题，因为如果处理不当，你的组织可能会花费数百万美元采用错误的解决方案，而最终却得到错误的结果，”他说。

1.误解人工智能的力量

软件外包提供商BairesDev（BairesDev是一家领先的近岸软件发展和人员增强公司，专注于为客户提供高质量的技术服务。BairesDev提供全方位的软件开发服务，包括网站构建、移动应用开发和企业解决方案。公司还提供AI、数据科学、UX/UI设计、平台和基础设施等服务）的首席技术官Justice Erolin（贾斯蒂斯·埃罗林）【Justice Erolin（贾斯蒂斯·埃罗林）是BairesDev的首席技术官。Justice Erolin负责将BairesDev的愿景转化为技术路线图。他利用自己深厚的管理和工程专业知识，规划和协调各个工程团队，以确保他们的输出达到市场上的最高标准】补充说，这项调查凸显了一个典型的脱节。

“通常，高管们对人工智能的前景感到兴奋——他们看到它在试点或演示中大放异彩——但他们并不总是能看到让它在日常工作中发挥作用的具体细节，”他说。“这就是摩擦产生的地方。”

Erolin（埃罗林）补充道，企业领导者的信心通常集中在人工智能模型或算法上，“而不是数据质量、集成甚至遗留系统等混乱的基础工作。”

他说，成功的试点项目或表现良好的算法可能会给企业领导者带来虚假的希望。“从更大的角度来看，情况可能有所不同，”他补充道。

例如，Erolin（埃罗林）说，BairesDev的一位客户惊讶地发现，该公司花费了AI项目时间表的30%来集成遗留系统。

Erolin（埃罗林）补充道，虽然在AI项目之前应该进行修复数据问题的初步工作，但每天花费员工数小时来持续修复数据问题可能是一个警告信号，表明组织的数据尚未准备好用于AI。他说，准备好使用AI的组织应该能够自动化一些数据管理工作。

他说道：“如果你花费了太多的时间来维持数据和清理的运营，那么你就无法利用你的领域专家来完成更大的战略任务。”

2.遗留问题

合规解决方案提供商Evidology Systems（Evidology Systems是一家专业的监管科技公司，专注于提供合规解决方案，帮助企业应对基于原则的法规遵从性挑战）的首席技术官兼创始人Rupert Brown（鲁珀特·布朗）【Rupert Brown（鲁珀特·布朗）是Evidology Systems的联合创始人兼首席技术官。他在公司的发展、实施和管理企业及交易风险技术方面发挥了关键作用。他拥有几十年的高层管理经验，并在一些全球最大和最有影响力的金融机构中发挥了重要作用】表示，收集和存储有限数据的旧系统是问题的一部分。他补充说，在某些行业中，公司正在使用旧式软件和中间件，而这些软件和中间件并非为以现代AI模型所需的方式收集、传输和存储数据而设计的。

“数据质量问题将在可预见的未来限制人工智能技术的实用性，”布朗补充道。“限制输入数据字段或强制重复使用帐号的传统系统在行业中仍然很普遍，这也导致了人工智能无法理解的纠正。”

Erolin（埃罗林）表示，为了解决期望过高和数据准备不足的问题，首席信息官和IT领导者应该注重透明度和协作。他表示，BairesDev致力于让非技术利益相关者了解AI实施的现实和挑战。

“当高管们了解真正的挑战——以及技术团队花在解决这些挑战上的时间——他们更有可能投资于强大的数据实践并调整预期，”他说。“关键是让每个人都达成共识。”

Capital One数据工程副总裁Terren Peterson（特伦·彼得森）【Terren Peterson（特伦·彼得森）在Capital One担任副总裁职位，具体负责数据工程。他是一位经验丰富的技术专家。他的工作重点在于推动公司的技术发展和创新，特别是在云计算和人工智能领域。Terren Peterson在技术领域有着深厚的背景，他的工作对于Capital One的技术战略和实施至关重要】表示，尽管企业领导者的期望与IT从业者的经验似乎存在脱节，但围绕生成式AI的炒作最终可能会为CIO和其他IT领导者提供解决长期数据问题所需的资源。他补充说，这家金融服务公司委托进行这项调查是因为它自己有兴趣部署AI工具来服务客户。

“数据卫生、数据质量和数据安全都是我们20年来一直在讨论的话题，”彼得森说。“我心里有一部分在想，‘嘿，人工智能和机器学习是否会成为一种催化剂，开始引起人们对这类数据基础元素的关注？’”

他补充道，人工智能革命可能会推动人们认识到数据质量的重要性。“尽管它可能已经积压在不同CIO的议程中，但现在它的优先级将提高。”

3.小型原型来救援

尽管许多企业领导者因为当前的炒作而专注于部署新一代人工智能，但Worldly的Armstrong(阿姆斯特朗)建议IT领导者关注用例，而不是特定的人工智能技术。在某些用例中，较旧的人工智能技术如机器学习或神经网络，可能更适合预期目的，而且成本要低得多。他指出，与其他一些人工智能工具相比，新一代人工智能消耗了大量能源。

他还建议首席信息官推出小型原型，为他们的组织找到最佳的人工智能用例，但要认识到有些实验不会成功。

“实验不必规模庞大，但可以培养熟悉感，”他说，“它开始让艺术变得可能。如果要我给出一条战术建议，那就是慢慢来，持续投资，而不是产品化。”

他补充道，创新往往会带来很多失误。

“你想积累一套知识，”Armstrong(阿姆斯特朗)说。“每个人都想要迭代、快速失败、快速发展，但没人想失败。这在我们这个行业里太虚伪了。试试看，如果它有效，你会想要它，如果它无效，你会学到东西。”

作者：Grant Gross（格兰特·格罗斯）

译者：穿山甲

【睿观：企业在将人工智能应用于实际业务中所面临的一个普遍问题：企业领导层往往对数据准备情况过于乐观，而IT团队则深陷于数据质量差、数据不完整等问题中。

许多企业领导者认为只要有大量数据，人工智能就能解决所有问题。但实际上，数据质量和准备工作是人工智能成功的关键。IT团队每天花费大量时间清理数据，这不仅影响了人工智能项目的进度，而且浪费了大量的人力资源。

企业领导者对人工智能的期望过高，往往忽视了数据集成、遗留系统等基础问题。此外，一些企业还存在数据孤岛、数据标准不统一等问题，这些都阻碍了人工智能的应用。】