人工智能：应对AI数据困境：恰当的数据集成方法、治理和工具

为什么大约一半的AI项目以失败告终？一言蔽之，数据使然。

要点

要从AI中获得最大价值，就一定要从业务问题入手。然后寻找多种数据类型—结构化和非结构化数据、内部和外部数据、定性和定量数据，以解决问题并丰富解决方案。

融入基于权限的强有力治理，建立数据溯源能力，以形成对数据和AI洞察的信任。

制定计划，应对严格的数据准备挑战以及合并不同数据源带来的复杂性。复用数据，自动执行流程并采用适当的工具。

AI的独特数据挑战

人工智能(AI)不再是新生事物—量子计算才是。AI正广泛应用于各种商业和社会用途。在疫情初期，84%的组织预计将保持或提高对AI的关注度，近三分之一的组织因疫情直接增加AI投资。

最近的一项调研表明，AI、物联网(IoT)和云计算是受访CEO们认为最有助于实现成果的3项技术。

43%的IT专业人员表示，他们的企业受疫情影响而加快部署AI解决方案。这转化为企业对建立战略性AI能力（包括战略、运营模式、人才）以及将该能力整合到企业的迫切需求。

但即使在完成有前景的概念验证(PoC)阶段之后，许多AI项目仍处于停滞状态。90%的企业难以在整个企业中扩大AI的应用范围。大约一半的AI项目归于失败也就不足为奇了。为什么？一言蔽之，数据使然。超过半数的AI战略负责人承认，他们不清楚自己的AI数据需求。

39%的IT专业人员表示，分析数据以建立和扩展可信的AI是组织AI之旅中最困难的部分，32%表示数据复杂性和数据孤岛是采用AI的最大障碍。