那些從事機器學(xué)習(ML)項目的人都知道ML需要大量數據來(lái)訓練所得算法。有人會(huì )說(shuō)您永遠不會(huì )擁有太多數據。數據量和生成的ML模型的復雜程度之間通常存在相關(guān)性。隨著(zhù)AI向新的利益池發(fā)展，同時(shí)利用更復雜的AI功能，這種數據饑渴只會(huì )變得更加強烈。由于人工智能的復雜性還存在其他促成的趨勢，因此組織面臨的問(wèn)題是：“他們是否擁有正確的數據來(lái)推動(dòng)成功的AI工作?” 如果他們沒(méi)有足夠的資源，他們是否應該在期待AI盛宴的情況下庫存更多?

組織收集的所有大數據不可能都是正確的數據，但是了解AI的去向將使組織在A(yíng)I的發(fā)展和未來(lái)幾十年的收集和收集更多正確數據方面具有“立足點(diǎn)”。

人工智能的進(jìn)步改變了數據游戲

雖然ML需要大量數據來(lái)自我修改其行為，但隨著(zhù)AI功能復雜性的提高，AI的需求也迅速增加。從機器學(xué)習到深度學(xué)習(DL)邁出了一大步，因為DL比ML需要更多的數據。原因是DL通常只能識別神經(jīng)網(wǎng)絡(luò )各層之間的概念差異。當暴露給數百萬(wàn)個(gè)數據點(diǎn)時(shí)，DL確定概念的邊緣。DL允許機器像人的大腦一樣通過(guò)神經(jīng)網(wǎng)絡(luò )來(lái)表示概念，從而可以解決更復雜的問(wèn)題。人工智能還可以解決答案更加不確定或模棱兩可的模糊問(wèn)題。這些通常是判斷或識別問(wèn)題，可以擴展到創(chuàng )作或其他右腦活動(dòng)。這又需要更多數據，

從數據驅動(dòng)到結果驅動(dòng)的轉變

隨著(zhù)AI在其協(xié)助或解決的復雜問(wèn)題中不斷發(fā)展，它將成為數據驅動(dòng)和目標/結果驅動(dòng)的。這意味著(zhù)AI可能會(huì )即時(shí)請求解決特定問(wèn)題或進(jìn)行特定推論所需的數據，從而使數據管理變得復雜。它可能涉及解決方案的歸納數據驅動(dòng)部分與基于達到目標的假設的數據演繹需求的交互。對于面向結果的問(wèn)題，需要進(jìn)行這種動(dòng)態(tài)交互。這與僅查詢(xún)數據以尋找有趣的事件和模式有很大不同。決策驅動(dòng)方法恰好適合這兩種截然不同的方法。通過(guò)將數據與結果進(jìn)行匹配，一些決策將集中在運營(yíng)上并加以改進(jìn)。在歸納法和演繹法上都會(huì )有更多的戰略決策。這只是增加數據使用量的另一個(gè)需求渠道。

不斷變化的問(wèn)題范圍影響數據需求

AI解決方案的范圍通常會(huì )從狹窄的領(lǐng)域開(kāi)始，并隨著(zhù)時(shí)間的流逝而擴大到更大的范圍，因此需要更多數據。復雜解決方案通常針對多個(gè)答案，并且需要更多數據來(lái)支持支路解決方案集，從而導致復雜/混合結果。隨著(zhù)決策，行動(dòng)和結果的范圍跨越組織內部和外部的更多上下文，將需要獲取更多數據以了解每種上下文及其相互作用。這些上下文中的每一個(gè)都可能以不同的速率變化和變形，因此，需要更多的數據。

凈; 凈：

顯然，更多數據將成為AI輔助解決方案的標志。數據需求可能來(lái)自更具挑戰性的問(wèn)題，高級AI /分析的更好利用或端到端價(jià)值鏈的增長(cháng)。有一件事情是肯定的。組織最好為“ AI /數據交互”的新世界做好準備。它可以更改或擴展數據管理策略，方法，技術(shù)或技術(shù)。請參閱圖1，以查看交互可能性。