隨著越來越多的組織采用大數(shù)據(jù)技術(shù)處理大量、快速、多變的信息資產(chǎn)，通常很快就會面臨如何從中有效地獲得洞察力和商業(yè)價值的問題。
Talend公司產(chǎn)品高級總監(jiān)Jean-Michel Franco為此表示，“大數(shù)據(jù)技術(shù)自然可以帶來高級分析措施。但當組織可以捕獲有關(guān)可以改進業(yè)務(wù)主題的大量信息時，不要只是了解事物表面，還想發(fā)現(xiàn)事物本質(zhì)，找出根本原因，預(yù)測將要發(fā)生的事情，并準確地解決問題。而人類在沒有機器幫助的情況下獨自完成是很難做到的。”而人工智能技術(shù)已經(jīng)成為一種理解所有信息的方式，并且實際上成為一種需要大量數(shù)據(jù)才能實施的學科。
因此，大數(shù)據(jù)和人工智能技術(shù)總是結(jié)合在一起是很自然的。商業(yè)轉(zhuǎn)型和外包咨詢服務(wù)商PaceHarmon公司總監(jiān)JP Baritugo說：“大數(shù)據(jù)和人工智能之間存在著緊密的關(guān)系。大數(shù)據(jù)是燃料，人工智能是手段。”
但是在這一過程中，人們對人工智能和大數(shù)據(jù)如何協(xié)同工作產(chǎn)生了一些誤解，導致潛在的混亂，IT領(lǐng)導者應(yīng)在采用數(shù)據(jù)驅(qū)動型策略時進行澄清：
1.某些類型的人工智能可能不需要大數(shù)據(jù)
例如，一些聊天機器人學習的輸入數(shù)據(jù)集可能比人工智能技術(shù)還要少。
Baritugo說，“‘垃圾輸入，垃圾輸出’的數(shù)據(jù)分析理念是適用的，因為組織需要足夠的良好數(shù)據(jù)來從其人工智能工作中驅(qū)動具有意義的價值。但需要多少數(shù)據(jù)可能會有所不同。”
Everest集團執(zhí)行副總裁兼資深分析師Sarah Burnett為此解釋說：“大數(shù)據(jù)意味著由結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)組成的大數(shù)據(jù)集，可以為人工智能的一些應(yīng)用提供數(shù)據(jù)，例如需要大量數(shù)據(jù)來訓練人工智能、分析信息以發(fā)現(xiàn)模式，并用概率來提出問題的答案時，并非所有人工智能都需要大量數(shù)據(jù)。”
Baritugo說，“通過設(shè)計，人工智能通常需要大型的規(guī)范化數(shù)據(jù)集(即大數(shù)據(jù)的“清理”子集)來有意義地識別模式并生成必要的輸出，其所需的數(shù)據(jù)量(包括培訓和評估數(shù)據(jù)集)主要由問題的復雜性、需要評估的輸入功能的數(shù)量以及所使用的算法決定。”
例如，機器學習(ML)通常需要比深度學習(機器學習的另一個子集)更少的數(shù)據(jù)來進行訓練。
2.并非所有大數(shù)據(jù)都需要人工智能的應(yīng)用
人工智能可能有助于推動數(shù)據(jù)分析，但不一定需要從大數(shù)據(jù)中提取價值。ISG公司認知自動化和創(chuàng)新總監(jiān)Wayne Butterfield說，“高級分析已成為大多數(shù)組織多年來利用的概念。這實際上取決于數(shù)據(jù)集的大小和需要分析的不同數(shù)據(jù)集的數(shù)量。就算專家擁有最聰明的頭腦，也不可能在有限的時間內(nèi)在一些大型數(shù)據(jù)集中找到具有洞察力的模式，因此機器學習在完成繁重工作方面具有一定優(yōu)勢，但是并非所有數(shù)據(jù)集都是龐大而多樣的，因此不一定總是需要采用機器學習(ML)才能從中獲得洞察力。”
IT組織還可以使用商業(yè)智能、分析和數(shù)據(jù)倉庫解決方案來分析數(shù)據(jù)并可視化見解。
3.高級分析和人工智能并不一樣
很多時候，人們使用“大數(shù)據(jù)”一詞來更廣泛地描述這些信息資產(chǎn)的高級分析，這并沒有什么問題。但是他們可能認為高級分析和人工智能也是可以互換的術(shù)語，這種想法是不對的。
Burnett說：“人工智能和高級分析緊密聯(lián)系在一起，但存在一些關(guān)鍵區(qū)別。例如，人工智能可以嘗試各種假設(shè)、自我學習并增強其分析。盡管人工智能技術(shù)可以分析數(shù)據(jù)，卻無法自我學習，只能依靠人類來設(shè)置其參數(shù)。”
4.大數(shù)據(jù)可能會扭曲人工智能模型
Franco說，“大數(shù)據(jù)為人工智能和機器學習奠定了基礎(chǔ)。獲得的數(shù)據(jù)越多，模型就越好。但是當數(shù)據(jù)不受控制時，也會給人工智能和機器學習帶來偏差。”
過分關(guān)注數(shù)據(jù)的數(shù)量而不是質(zhì)量往往是罪魁禍首。Franco說：“當人們無法控制基礎(chǔ)數(shù)據(jù)時，人工智能和機器學習不可避免地會遭遇失敗。將大量數(shù)據(jù)收集到數(shù)據(jù)湖中并不能為人工智能和機器學習的成功奠定足夠的基礎(chǔ)。”
5.組織可能已經(jīng)將人工智能和大數(shù)據(jù)結(jié)合在一起但卻不知情
Burnett談到智能文檔處理(IDP)軟件時說：“有些軟件解決方案已經(jīng)內(nèi)置了人工智能功能，可以隨時安裝、訓練和使用。這些解決方案加速了人工智能的采用，并幫助組織處理特定的業(yè)務(wù)需求。在這些情況下，不一定需要了解人工智能技術(shù)才能獲得收益。”
6.人類證明了將大數(shù)據(jù)和人工智能結(jié)合起來的必要性
當涉及大數(shù)據(jù)和人工智能時，信任和透明度是關(guān)鍵。Franco說，“組織需要扎實的數(shù)據(jù)基礎(chǔ)，才能使用人工智能獲得正確的見解。而且，組織員工需要參與到數(shù)據(jù)治理的過程，以控制數(shù)據(jù)(數(shù)據(jù)質(zhì)量、代表性、數(shù)據(jù)隱私)和算法(使用可解釋的人工智能能夠理解算法的內(nèi)容)。”
7.并非所有數(shù)據(jù)都對人工智能有用
Butterfield說：“與人工智能結(jié)合使用時，通常在擁有大量數(shù)據(jù)和擁有正確數(shù)據(jù)以提供見解之間有著很好的平衡。人工智能并不是解決所有問題的靈丹妙藥，至少到目前為止是這樣。企業(yè)領(lǐng)導者需要意識到這一點。”
