人们对人工智能和其他数据驱动型举措背后的数据信任度正在迅速下降。最近的一项调查发现，不到一半的企业领导者表示，他们拥有推行前沿战略所需的数据——而且在过去两年中，这一比例急剧下降。
Salesforce 最近对 552 位企业领导者进行了一项调查，结果显示，他们对支撑数据驱动决策的数据的信任度正在下降。例如，只有 40% 的人相信公司数据的可靠性，而 2023 年进行的类似调查中，这一比例为 54%。同样，41% 的人认为他们的数据具有相关性，而两年前这一比例为 50%。令人震惊的是，只有 36% 的人认为他们的数据是准确的，而两年前这一比例还只有 49%。
虽然 63% 的领导者表示自己查找、分析和解释数据是其工作的关键，但其中 54% 的人对自己做到这一点的能力并不完全有信心。
这是怎么回事？
行业观察人士一致认为，数据对各类人工智能项目来说都是一个棘手的问题。行业分析师安迪·图莱 (Andy Thurai)表示，高管们深知“他们用于创建决策引擎的数据收集、清理和管理流程有多么低劣”。“他们知道输入的是垃圾，输出的也是垃圾。所以，既然知道他们输入的是垃圾，你还能安心地使用他们的决策引擎吗？”
谈到自动化流程，风险就更高了。“你最好有数据支持，但这是个问题，”Thurai说。“高管们担心他们的数据不完整、不健全、不及时、过时、不可靠或不准确。”
让情况更加复杂的是，许多企业现在在数据不足或为了维护安全的情况下，会使用合成数据来训练他们的人工智能模型。问题在于，“高管们对这些模型是否基于真实数据进行训练缺乏信心，”Thurai补充道。
部分问题可能还在于，面向 2020 年代设计的应用程序依赖于 20 世纪 90 年代开发的技术。Aspen Technology产品营销高级经理Dwaine Plauche表示，企业“经常为构建多年的数据基础设施而苦恼，这些基础设施采用了多种不同的技术，而且缺乏明确的规划或方向。这些基础设施涉及大量复杂的点对点数据连接，无法满足利益相关者的需求或 2025 年的网络安全要求。”
Plauche建议，我们需要转变企业数据处理和定位的思维方式。“重新思考数据基础设施作为内部客户服务的理念。目标应该是为内部客户或项目提供所需的数据——这是一种与组织战略相符的服务导向思维。”
当然，人工智能本身可以帮助管理和解决数据问题。“资深数据科学家常说，好的建模80%取决于数据准备，20%取决于建模和分析，” Planview首席数据科学家Richard Sonnenblick说道。“生成式人工智能已展现出良好的前景，它与数据存储协同工作，创建了自我修正的管道，可以识别和过滤单元中的错误、缺失数据和冗余数据，从而降低团队得出错误结论的可能性。此外，将实体关系置于中心位置的存储介质（例如图形数据库）可以揭示关键洞察，生成式人工智能模型可以将其突出显示并解释给数据消费者。”
Sonnenblick 建议，从业务问题入手，逆向思考。“为了人工智能而人工智能不太可能取得有用的成果。领导者应该确定人工智能支持特定任务的预期结果，例如缩短完成时间或提高成功率。人工智能擅长识别数据中过于复杂、人类无法快速识别的模式，这意味着它可以为重新分配任务或重新分配资源提供强大的洞察力，从而最大限度地提高利润率或最大限度地减少停机时间。”
免责声明：
关注我们，一起探索AWM！
近期热点
2025-04-07
2025-04-03
2025-04-05
