AI吞噬数据！

从事机器学习(ML)项目的人都知道，ML需要大量的数据来训练算法。有人会说，你永远不会有太多的数据。数据量和生成的ML模型的复杂性之间通常存在相关性。随着AI发展到一个新的兴趣池和使用更复杂的AI功能，这种数据饥渴只会变得更加强烈。因为在人工智能的复杂性方面还有其他贡献趋势，组织面临的问题是：“他们是否有正确的数据来促进成功的人工智能工作？”如果他们没有足够的资源，是否应该在AI盛宴的预期下保留更多库存？

一个组织收集的所有大数据不可能都是正确的数据，但知道AI的去向，将使组织在AI的发展和未来几十年收集和收集更正确的数据中有立足之地。

人工智能的进步改变了数据游戏

虽然ML需要大量的数据来修改自己的行为，但是随着AI功能的日益复杂，对AI的需求也迅速增加。这是从机器学习到深度学习(DL)的一大步，因为DL比ML需要更多的数据。原因是DL只能识别神经网络各层之间的概念差异。当暴露于数百万个数据点时，DL决定了概念的边缘。DL允许机器像人脑一样通过神经网络来表示概念，从而解决更复杂的问题。人工智能还可以用更不确定或模糊的答案来解决模糊问题。这些通常是判断或识别问题，可以扩展到创造或其他右脑活动。这又需要更多的数据，

从数据驱动向结果驱动过渡

随着AI在其辅助或解决的复杂问题上的不断发展，它将变得数据驱动和目标/结果驱动。这意味着AI可能会立即请求解决特定问题或做出特定推断所需的数据，从而使数据管理变得复杂。它可能涉及解决方案的归纳数据驱动部分和基于实现目标的假设的数据推导需求之间的交互。对于面向结果的问题，这种动态交互是需要的。这与仅仅通过查询数据来发现有趣的事件和模式有很大的不同。决策驱动方法正好适合这两种不同的方法。通过将数据与结果进行匹配，一些决策将专注于运营并对其进行改进。归纳和演绎会有更多的战略决策。这只是增加数据使用的另一个需求渠道。

问题范围的变化会影响数据需求

人工智能解决方案的范围通常从一个狭窄的领域开始，随着时间的推移扩展到更大的范围，因此需要更多的数据。复杂的解决方案通常针对多个答案，需要更多的数据来支持分支解决方案集，从而导致复杂/混合的结果。随着决策、行动和结果的范围跨越组织内外的更多背景，需要获取更多数据来了解每个背景及其相互作用。这些上下文中的每一个都可能以不同的速率变化和变形，因此需要更多的数据。

净值；Net:

显然，更多的数据将成为AI辅助解决方案的标志。数据需求可能来自更具挑战性的问题、高级人工智能/分析的更好利用或端到端价值链的增长。有一点是肯定的。组织为“人工智能/数据交互”的新世界做好了更好的准备。它可以改变或扩展数据管理策略、方法、技术或工艺。参考图1，查看交互的可能性。