传统应用程序可能无法收集足够的AI有效运行所需的数据，而维护它们的成本可能会占用AI项目的资金。现代化和集成可以提供帮助。
图片来源：Pressmaster / Shutterstock
IT专家表示，过时的软件应用程序正在许多组织中为AI的采用制造障碍，其中有限的数据保留能力是主要原因。
托管服务提供商Ensono的首席战略官Brian Klingbeil表示，几十年前设计的应用程序由于当时的存储成本原因，只能保留有限的数据量，它们也很难与AI工具集成。
此外，维护过时软件的成本可能很高，因为熟悉这些应用程序的软件工程师越来越少。 他说，由于传统应用程序占用了组织IT预算的很大一部分，因此可用于新计划的资金减少，进一步减缓了AI的采用。 根据IDC 2023年的CIO情绪调查，当时各组织平均将其IT预算的12.8％用于技术债务。
Klingbeil说，数据保留问题是一个很大的挑战，因为内部收集的数据驱动着许多AI计划。 通过更新的数据收集功能，公司可以找到“宝藏”数据，供其AI项目使用。
他补充说：“如果应用程序本身是传统的，代码存储在不同的地方，那么各种各样的问题都可能来自应用程序本身。 传统应用程序的共同点是，它们往往是在存储成本很高的时候编写的，而现在存储基本上是免费的。”
一、客户对旧应用程序的担忧
在Ensono，Klingbeil运营着一个客户顾问委员会，其中银行业和保险业的首席信息官占很大比例。 他说，传统应用程序为AI项目带来的问题是最近与这些首席信息官讨论的话题。
银行业和保险业是仍然大量使用大型机（mainframes）的两个行业，Ensono为多个客户管理大型机。 虽然大型机及其软件对这些组织仍然重要，并且可能在AI领域拥有未来，但随着老一代IT员工的退休，依赖于大型机的公司正在失去其内部专业知识。
Klingbeil说：“这些基于大型机构建的旧应用程序不一定需要更换。 可能是大型机运行良好，或者迁移成本很高，或者迁移风险很大，或者不值得花钱。 但它们可以现代化。”
Klingbeil和Ensono亲眼目睹了传统应用程序为AI带来的挑战。 在构建一种由机器学习驱动的工具来预测客户的维护需求时，Ensono发现其客户使用多个旧应用程序来收集事件票据，但这些应用程序以非常不同的格式存储事件数据，收集的数据类型也不一致，他说。
其他CIO和IT领导者也看到了传统应用程序为AI带来的相同挑战。 集成平台即服务（iPaaS）提供商SnapLogic的首席技术官Jeremiah Stone表示，一家大型企业的 डेटा和分析负责人最近告诉他，由于过去几年对应用程序的管理不善，其数据状况无法用于AI。
Stone说：“在许多情况下，过时的应用程序完全阻碍了AI的采用。 CIO们公开的秘密是，投入AI的大量资金都花在了与服务合作伙伴建立现代化战略或升级过时系统上。”
Stone称过时的应用程序是一个“数万亿美元的问题”，即使各组织在过去十年中一直专注于现代化其基础设施以应对大数据。
Stone说：“我们正处于转型中期。 我们还没有真正开始更新和规范广泛的半结构化和非结构化数据应用程序，这些应用程序遍布业务流程，而这些正是最能从最新一波AI创新中获益的数据和业务流程。”
二、分阶段现代化
Stone建议，要解决这个问题，首席信息官应首先清点其现有的IT基础设施，并确定最需要现代化的领域。
他说：“最终，新旧系统将混合存在——这种情况需要强大的集成策略，以避免数据混乱和孤立的解决方案。 目标是创建集成管道，无缝连接不同的系统和数据源。”
软件开发公司BairesDev的首席技术官Justice Erolin补充说，首席信息官应专注于最重要的软件现代化项目。 首席信息官应确定直接影响其AI计划的应用程序，并首先处理这些应用程序。
他补充说，在某些情况下，公司可以通过采用中间件和API将传统系统与新技术连接起来，而不是完全重写代码来使其业务应用程序现代化。
他补充说：“这允许提取数据并将其集成到AI模型中，而无需彻底改造整个平台。”
首席信息官还应使用数据湖来汇总来自多个来源的信息，他补充道。 然后，AI模型可以访问它们所需的数据，而无需直接依赖过时的应用程序。
三、数据工程弥合传统与AI之间的差距
然而，一些IT领导者并不认为过时的应用程序是AI项目的一大障碍。
网络、物联网和边缘计算解决方案提供商Nexapp的首席数据和AI工程经理Robert Cloutier表示，虽然从传统软件中提取数据可能很棘手，但更大的问题在于下一步。 在提取数据之后，IT团队需要解释提取的数据，并使其与基于AI的应用程序的特定要求保持一致。
他说：“通往有效利用AI的旅程不仅仅是克服技术集成障碍。 它是弥合原始数据和可操作见解之间的差距。”
Cloutier补充说，一些较旧的业务应用程序收集并保存的数据量有限，但其他应用程序拥有各种各样的信息，这些信息对组织来说很有价值。 在某些情况下，IT领导者会犹豫不决地使用这些数据，因为他们不知道如何提取数据，但正确的数据工程专业知识可以解决这个问题。
他说：“这些旧系统已经运行了几十年，因此实际上有很多有价值的信息可以利用。 其中蕴藏着他们甚至不想触及的宝藏，因为他们想改变系统，或者所有遗留数据，然后你必须等待多年。”
【睿观：过时的业务应用程序将阻碍企业采用人工智能（AI）技术。
（一）主要观点：
1.数据限制： 过时的应用程序通常设计用于存储有限的数据，这限制了AI从大量数据中学习和改进的能力。
2.集成困难： 这些应用程序难以与现代AI工具集成，使得数据提取和利用变得复杂。
3.维护成本高昂： 维护过时软件的成本很高，占用了大量IT预算，减少了可用于AI项目的资金。
4.人才流失： 熟悉这些过时应用程序的工程师越来越少，增加了维护和升级的难度。
（二）解决这些问题的方法：
1.现代化： 企业应该对现有IT基础设施进行评估，确定需要现代化的领域，并优先考虑那些对AI计划影响最大的应用程序。
2.集成： 通过使用中间件和API等技术，可以将传统系统与新的AI工具连接起来，实现数据共享和集成。
3.数据湖： 构建数据湖来汇总来自多个来源的数据，使AI模型可以访问所需信息，而无需直接依赖过时的应用程序。
4.数据工程： 强调数据工程在弥合传统系统和AI之间的差距方面的重要性，指出专业的数据工程团队可以有效地从旧系统中提取和解释数据，为AI应用提供支持。
在企业拥抱人工智能（AI）的浪潮中，数据工程扮演着至关重要的角色。尤其是在面对传统系统时，数据工程的重要性愈发凸显。本文将深入探讨数据工程在弥合传统系统与AI之间差距的重要性，并介绍数据工程的概念及示范案例。
数据工程是构建和维护数据基础设施的学科，旨在为数据分析、机器学习和AI应用提供可靠、高效的数据支持。数据工程师负责收集、处理、转换和存储数据，确保数据质量和可用性。
在传统系统中，数据通常以各种格式存储在不同的地方，如数据库、文件和旧系统中。这些数据可能存在质量问题，如数据不一致、缺失或错误。此外，传统系统的数据结构可能与现代AI应用所需的数据结构不兼容。
数据工程的任务就是解决这些问题。数据工程师利用各种技术和工具，从传统系统中提取数据，并对其进行清洗、转换和整合，使其符合AI应用的要求。他们还负责构建数据管道，确保数据能够源源不断地流入AI系统。
2.数据工程的重要性
数据质量： 数据工程的首要任务是确保数据质量。数据工程师需要对数据进行清洗、转换和验证，以消除数据中的错误和不一致性，提高数据的准确性和可靠性。
数据集成： 传统系统的数据通常分散在不同的地方，数据工程师需要将这些数据整合起来，形成统一的数据视图，为AI应用提供全面的数据支持。
数据转换： 传统系统的数据结构可能与AI应用所需的数据结构不兼容，数据工程师需要对数据进行转换，使其符合AI应用的要求。
数据管道： 数据工程师需要构建数据管道，确保数据能够源源不断地流入AI系统。数据管道需要具有高可靠性、高效率和可扩展性，以满足AI应用的需求。
数据安全： 数据安全是数据工程的重要组成部分。数据工程师需要采取各种措施，保护数据免受未经授权的访问和泄露。
解决方案： 数据工程师首先从这些传统系统中提取数据，并对其进行清洗、转换和整合。他们利用ETL（Extract, Transform, Load）工具，将数据从不同的系统抽取出来，并将其转换为统一的格式。然后，他们对数据进行清洗和验证，以消除数据中的错误和不一致性。最后，他们将数据加载到数据仓库中，为AI模型提供数据支持。
数据工程师还构建了数据管道，确保数据能够定期更新，以反映客户信用风险的变化。他们还采取了各种措施，保护数据免受未经授权的访问和泄露。
通过数据工程，这家银行成功地将传统系统的数据整合起来，并为其AI应用提供了高质量的数据支持。AI模型可以利用这些数据来预测客户的信用风险，帮助银行做出更明智的决策。
数据工程是弥合传统系统与AI之间差距的关键。数据工程师通过构建和维护数据基础设施，为AI应用提供可靠、高效的数据支持。随着AI技术的不断发展，数据工程的重要性将愈发凸显。】
