它需要一个设计良好的信息架构——IA——来确保良好的人工智能。 当涉及到 AI 工作时，挑战在于让人员和数据在同一页面上。 在这两个方面还有很多工作要做。
这是 IBM 全球首席 AI 官 Seth Dobrin 的话。 “数据是 AI 的食物，但很少有组织坐下来设计 AI 战略，并全面考虑其所有数据所在的位置以及数据的组织方式，”他说。 “IT 专业人员正在从至少 20 个数据源中提取数据来为他们的 AI 提供信息，有些人必须从数百个数据源中提取数据，因此这是一个大数据基础设施问题。”
人工智能需要数据，他继续说道，并指出需要一种信息架构方法。 “没有 IA 就没有 AI。今天的数据环境是混合的，它是多云的，答案不能也不是集中所有数据。答案是 AI 是由数据结构支持的，该数据结构可确保大规模的隐私、合规性和安全性。 “
需要解决的问题包括解决方案使用的数据是什么，以及它是否需要收集所有这些数据才能发挥作用。 此外，还需要检查数据的存储方式和存储时间。 “这些问题需要单个组织内的大量观点来回答，而针对数据和 AI 的企业设计思维提供了一种方法来帮助设定明确的意图和计划，将业务战略与 AI 战略与执行联系起来。”
协作是此类努力的关键，因为人工智能是以人为本的努力。 “我们发现，当 AI 部署完全来自业务方面、IT 方面或数据管理方面时，关键的洞察力不可避免地会丢失，”Dobrin 说。 “当人工智能解决方案被拼凑在一起并匆忙投入生产时，商业领袖和消费者都很难信任它们。”
Dobrin 警告说，在确保人工智能的道德和公正性方面，还有很多工作要做。 “在确保他们的人工智能和结果得到仔细审计、维护和改进方面，公司还有很长的路要走。” 与此同时，他指出，“企业现在更加意识到拥有值得信赖的人工智能的重要性。” 实现这一目标的障碍包括“缺乏技能、不灵活的治理工具、有偏见的数据等等。很明显，虽然市场上有工具和框架可以帮助构建可信赖的人工智能，但仍有工作要做，以帮助企业开发一种综合方法 到 AI 治理，将工具、解决方案、实践和合适的人员结合在一起，在其整个生命周期内负责任地治理 AI。”
这变得更加复杂，因为在“高度成熟的组织中，人工智能技术格局非常多样化，人工智能团队分布在不同的业务领域，”他补充道。 “AI 领域只会变得更加异构。在异构 AI 领域之上进行自动化 AI 治理以在现有工具之上提供透明度、可解释性、公平性、稳健性和隐私的需求只会更加强烈，诀窍是将它们联系起来 全部一起。”
许多企业吸取的教训是，人工智能实施“不是梦想的领域”，他继续说道。 “这不是一种构建它，他们就会来的努力。成功的人工智能实施以人为本，与业务战略相关，具有明确的基于价值的成功指标并且是值得信赖的。当公司不可避免地遇到所有这四种人工智能时 被采用，然后增加价值。”
