公司将数十亿美元留在桌面上，因为他们无法将他们的数据行动起来。 如果他们要通过人工智能等数据驱动计划成功实现价值，他们需要更好地调整和支持为这些系统提供数据的后端数据。
这是最新研究的要点，该研究基于对 2,500 名高管的调查并由 Infosys Knowledge Institute 发布，该研究估计，如果人们能够更好地管理其数据资源，公司可以共同产生超过 4600 亿美元的增量利润。
这包括改进数据实践、更加信任高级 AI 以及将 AI 与业务运营更紧密地集成。 商业价值仍然难以捉摸。
另外：减少 AI 倦怠的 8 种方法
该调查确定了有效实施 AI 的三个障碍：缺乏连贯的集中式数据策略、数据验证薄弱以及缺乏适当的基础设施。 大多数公司没有一致的数据管理策略。
受访者希望集中管理数据，但这并不是大多数人现在所做的。 调查结果分析“表明，集中数据管理与更好的利润和收入增长有关。26% 的受访者目前采用集中式方法；49% 的人希望在明年采用这种方法。
“数据不是新石油，”该研究的作者 Chad Watt 和 Jeff Kavanaugh 都在 Infosys Institute 强调。 “企业不能再将他们的数据视为石油，需要付出巨大的努力才能提取出来，只有在提炼后才有价值。”
今天的数据更像是货币：“它在流通时获得价值。更广泛地导入数据和共享自己的数据的公司取得了更好的财务业绩，并在企业规模构思人工智能方面取得了更大进展——这是四分之三的关键目标 参与调查的公司，”Watt 和 Kavanaugh 说。
货币的成功取决于信任，这同样适用于数据。 “高级人工智能需要信任，”作者说。 “相信你自己和他人的数据管理，相信人工智能模型。如果人类不信任和使用数据和人工智能产生的东西，原始数据和完美编程的人工智能模型就毫无意义。”
调查显示，在组织内外共享数据的公司更有可能获得更高的收入并更好地使用人工智能。 “更接近实时地刷新数据也与增加的利润和收入相关。”
该研究的作者提出的另一个反石油类比是，数据更像是核能而不是化石燃料。 “数据蕴藏着丰富的潜力，需要特殊处理，一旦失去控制就会很危险。二十一世纪的数据半衰期很长。如果何时使用，在何处使用，以及如何控制它与它一样关键 把它放在哪里。”
调查显示，大多数企业都是人工智能的新手。 10 家公司中有超过 8 家（81%）在过去四年才部署了他们的第一个真正的人工智能系统，50% 的公司在最近两年才部署了他们的第一个真正的人工智能系统。 此外，63% 的 AI 模型仅以基本功能运行，并且由人类驱动。 他们往往在数据验证、数据实践和数据策略方面存在不足。 只有 26% 的从业者对他们的数据和 AI 工具高度满意。 “尽管 AI 发出了警笛声，但显然缺少了一些东西，”该调查的作者表示。
该调查的作者确定了表现出色的公司，这些公司往往重点关注三个领域：
他们将数据管理转变为数据共享。 “拥抱数据共享经济的公司从他们的数据中获得更大的价值，”瓦特和卡瓦诺说。 “当像货币一样对待数据并通过中心辐射型数据管理模型流通时，数据会增加价值。以低延迟刷新数据的公司会产生更多的利润、收入和主观价值衡量标准。”
他们已经从数据合规性转变为数据信任。 “对其 AI 高度满意的公司（目前只有 21%）拥有始终如一的值得信赖、合乎道德和负责任的数据实践。这些先决条件解决了数据验证和偏见的挑战，建立了信任，并使从业者能够使用深度学习和其他先进算法。”
他们让每个人都参与到 AI 过程中。 “将人工智能团队扩展到数据科学家之外。将数据科学应用于实际需求的企业创造价值。商业领袖与数据科学家一样重要。优秀的人工智能团队通常涉及多个学科。“数据验证是前进的最大挑战，同时 人工智能基础设施和计算资源。
