人工智能的采用在当今的商业中已是理所当然的——Forrester 最新的数据和分析调查发现，四分之三的企业已经开始使用人工智能来转变其业务。
现在 ChatGPT 已经进入工作场所，人工智能领导者正在寻找利用新的生成人工智能功能的方法。 然而，人工智能已经不仅仅是另一种分析能力； 人工智能领导者正在认识到，他们还必须解决有关道德、偏见、安全、法规和不可预见结果的更广泛问题。
为了在解决信任问题的同时加速人工智能转型，技术领导者必须重新考虑他们的数据策略。 这可能看起来违反直觉。 您是否会在数据科学资源上投入更多资金并培养数据科学人才来补充您的人工智能使用？ 尽管这确实是必要的，但当我们与任何人工智能领导者交谈时，他们都会告诉你，他们的首要原则是数据的完整性。 数据训练人工智能； 数据为解决方案中的人工智能提供动力； 数据观察人工智能。 您必须制定正确的数据策略，以确保您的人工智能计划取得成果。
如果人工智能要改变您的业务，您的数据策略需要连接数据合作伙伴、实践和平台。 技术领导者必须重新审视数据的来源、如何为人工智能应用程序和系统使用和设计数据，以及管理数据如何确保我们建立对人工智能的信任。 最终，为了创建一个互联智能系统，公司需要一种现代的数据方法，尤其是在三个能力方面。
战略数据采购
传统上，数据域都包含并由主数据概念（例如客户和产品）定义。 传统的数据域是单一的，并且期望能够服务于所有用例。 虽然这简化了数据管理，但反过来又阻碍了人工智能。 数据科学家努力应对专为商业智能和绩效报告设计的受限数据域。 机器学习模型需要更多信息来执行任务和决策。 需要更多元数据来描述实体、行为或结果。 数据科学家依靠结构化数据之外的各种数据类型（例如文档、电子邮件、图像、视频和音频）来构建人工智能功能。
如今，数据域与业务目标、决策和结果息息相关。 范围是具体的。 人工智能迫使数据科学家和数据管理员寻找相关、适当、高质量且允许使用的内部和外部数据。 现代企业数据平台应该维护所有企业数据。 数据管理员与数据科学家合作，不仅可以识别来自第三方和合作伙伴的数据，还可以了解条款、条件和成本。 数据市场支持数据科学自助服务，其中数据、视图和策略可供消费和应用。
数据操作
数据架构、工程和管理历来集中在定制的集中式系统上。 企业数据团队关注数据仓库和应用程序数据库。 数据批量移动并无休止地复制。 集中式系统满足了对单一事实来源的业务需求，但它们也带来了复杂性、成本和不灵活性。
展望未来，数据科学家和数据工程师必须合作，为机器学习模型乃至数据科学规模准备迭代训练数据。 数据工程师正在使用机器学习来标记、分类和注释所有数据，以便为数据科学家做好准备。 然后，数据科学家完成最后的卫生检查和训练数据的准备。 数据工程师和数据科学家之间的合作还有另一个好处：敏捷实践和 CI/CD 方法是共享和协调的。 每个角色都构建人工智能组件（即模型、管道和控件）。 人工智能可以进行组合并且部署速度更快。
人工智能治理
传统分析经常被部署并被遗忘。 数据治理是事后的想法。 这些做法使人工智能处于不利地位。 机器学习由数据科学家训练，但在生产应用程序中学习和发展。 人工智能输出和结果的变化是恒定的。 当自动化人工智能不受控制且监管松散时，它可以迅速缩小偏见和不良结果。
人工智能治理扩展了数据治理的范围和角色。 首先，引入控制层可确保所有机器学习、管道、数据和处理都按照服务级别协议执行。 策略、标准和业务逻辑是联合的，并且与人工智能体验相关，而不是与数据源和数据结构相关。 该系统是透明的，具有可观察性和 ModelOps 功能，为数据和机器学习工程师提供了了解数据和人工智能领域的窗口。 其次，业务利益相关者和决策者监控、测试和优化数据、机器学习和整体人工智能，以满足人工智能治理要求和业务成果。
人工智能不应再作为事后添加到数字系统中； 它定义并推动数字化转型。 数据、人工智能和商业专业人员都在人工智能设计、开发和所有权中发挥着作用。 互联智能框架可以指导技术领导者确保他们的公司将人工智能提升到一流地位，从而首先关注他们的数据战略。
