В течение десятилетий компании всех размеров признали, что доступные данные имеют значительную ценность для улучшения опыта пользователей и клиентов и разработки стратегических планов на основе эмпирических данных.
Поскольку ИИ становится все более доступным и практичным для реальных бизнес-приложений, потенциальная стоимость доступных данных выросла в геометрической прогрессии. Успешное принятие ИИ требует значительных усилий по сбору данных, лечению и предварительной обработке. Более того, важные аспекты, такие как контроль данных, конфиденциальность, анонимизация, нормативно -правовое соответствие и безопасность, должны с самого начала тщательно рассматриваться.
В разговоре с Энрике Лемесом, лидером американских платформ данных в IBM, мы исследовали проблемы, с которыми предприятия сталкиваются при реализации практического ИИ в различных случаях использования. Мы начали с изучения характера самого данных, его различных типов и его роли в обеспечении эффективных приложений с AI.
Энрике подчеркнула, что ссылка на всю корпоративную информацию просто как «данные» недооценивает его сложность. Современное предприятие плавает на фрагментированный ландшафт различных типов данных и непоследовательного качества, особенно между структурированными и неструктурированными источниками.
Проще говоря, структурированные данные относится к информации, организованной в стандартизированном и легко поиске формата, который обеспечивает эффективную обработку и анализ через программные системы.
Не структурированные данные – это информация, которая не следует за предопределенным форматом или организационной моделью, что делает ее более сложной для обработки и анализа. В отличие от структурированных данных, он включает в себя различные форматы, такие как электронные письма, сообщения в социальных сетях, видео, изображения, документы и аудиофайлы. Несмотря на то, что ему не хватает четкой организации структурированных данных, неструктурированные данные имеют ценную информацию, которая, когда он эффективно управляется анализом с высоким уровнем уровня и ИИ, может управлять инновациями и информировать стратегические бизнес -решения.
Энрике заявил: «В настоящее время генеративное ИИ используется менее 1% корпоративных данных, и более 90% этих данных неструктурированы, что напрямую влияет на доверие и качество».
Элемент доверия с точки зрения данных важен. Решение -разработчики в организации нуждаются в твердом убеждении (уверенности) в том, что информация у их пальцев полна, надежна и правильно приобретена. Но есть доказательства того, что утверждает, что менее половины данных, доступных для компаний, используются для ИИ, с неструктурированными данными часто игнорируются или в стороне из -за сложности его обработки и изучения его для выполнения – особенно масштаба.
Чтобы открыть путь к лучшим решениям, основанным на более полном наборе эмпирических данных, трюк легко потребляемой информации должен быть превращен в огонь. По словам Энрике, автоматическое потребление является ответом в этом отношении, но правила управления и политики данных все еще должны применяться – к неструктурированным и структурированным данным.
Энрике показал три процесса, которые позволяют предприятиям использовать внутреннюю ценность его данных. «Во -первых, шкала потребления. Важно автоматизировать этот процесс. Во -вторых, домены обработки и передачи данных. И третий (когда) вы предоставляете это для создания ИИ. Мы достигаем более 40% рентабельности инвестиций в любом обычном случае с тряпом».
IBM предоставляет унифицированную стратегию, основанную на глубоком понимании путешествия по ИИ компании, в сочетании с программными решениями с высоким уровнем уровня и опытом домена. Это позволяет организациям эффективно и безопасно трансформировать как структурированные, так и неструктурированные данные в активы, готовые к AI-готовым, все в пределах существующих правил и исполнительных рам.
«Мы объединяем людей, процессы и инструменты. Это не просто просто, но мы упрощаем их, выравнивая все важные ресурсы», – сказал он.
Поскольку компании масштабируются и трансформируются, разнообразие и объем их данных увеличиваются. Чтобы продолжить, процесс потребления данных ИИ должен быть масштабируемым и гибким.
«(Компании) сталкиваются с трудностями при масштабировании, потому что их решения ИИ были первоначально созданы для конкретных задач. При попытке расширить их объем, они часто не готовы, штифты данных становятся более сложными, а управление неструктурированными данными становится важным. Это повышает спрос на эффективное контроль данных», – сказал он.
Подход IBM тщательно понимает поездку по ИИ каждого клиента, создавая четкую дорожную карту для достижения рентабельности инвестиций с эффективной реализацией ИИ. «Мы определяем приоритеты точности данных, независимо от того, структурированы или не структурированы, наряду с потреблением данных, кастом, доменом, соблюдением специфических для промышленных правил и необходимым соответствием.
Как все, что достойно технологической реализации, требуется время, чтобы заменить правильные процессы, тяготеть к правильным инструментам и иметь необходимое видение того, как может развиваться любое решение для данных.
IBM предлагает предприятиям различные варианты и инструменты для обеспечения рабочих нагрузок искусственного интеллекта даже в самых регулируемых отраслях в любом масштабе. С международными банками, финансовыми домами и глобальными многонациональными компаниями среди своего списка клиентов в этом контексте мало заменителей для Big Blue.
Чтобы узнать больше о включении таблеток данных для ИИ, который ведет бизнес и предлагает быстрый, значительный рентабельность инвестиций, Вернуться на эту страницуПолем
