为实现AI愿景，企业必须拥有AI就绪数据。明确什么是AI就绪数据，并采取以下五个步骤做好准备。
- Gartner client? Log in for personalized search results.
Gartner路线图：AI数据就绪的关键要素
AI就绪数据有明确要求，使用路线图确保数据准备工作顺利进行
数据与分析领导者需要证明其组织的数据已为日益增多的 AI 项目做好准备。然而，AI 就绪数据的要求与传统数据管理存在显著差异。为弥补这一差距，Gartner 建议采取以下步骤：
- 根据 AI 用例评估您的数据需求
- 向董事会提出要求并获得他们的认可
- 持续优化数据管理实践
- 扩展数据管理生态系统
- 实现规模化治理
该路线图将确保您的数据可用于您计划实施的特定 AI 计划，并使利益相关者了解拥有AI就绪数据的重要性。
何为AI数据就绪？以及如何达成数据就绪？
数据就绪是释放AI潜力的关键前提。理解其定义并遵循以下五个步骤，可为实现数据就绪奠定基础。
我们的数据是否符合使用场景的需求？
每个AI应用场景均需明确界定所需的数据类型，具体取决于所采用的AI技术。尽管初期需求可能较为模糊，但随着数据使用和AI需求的逐步落地，需求会逐渐清晰。需要深入探讨的具体要求包括：
- AI技术：不同技术（如GenAI或模拟模型）对数据要求各异。
- 量化：确保数据量充足，并将季节性规律等模式纳入考量。
- 语义与标注：准确的注释和标注非常重要，尤其在图像和视频处理中。
- 质量：数据需符合使用场景的质量标准，即使包含错误或异常值。
- 可信度：数据来源和数据管道必须可靠。
- 多样性：使用多样化数据源以减少偏差。
- 溯源性：确保数据来源和转化过程具有透明度。
如何确保数据具备支持AI用例的可靠性？
数据质量验证是确保数据在模型训练、开发或运行过程中持续满足需求的关键环节。以下指标可用于评估数据是否满足AI用例的置信度需求：
- 验证与确认：在开发和运营阶段定期检查数据是否满足需求。
- 性能与成本：确保数据符合运营服务级别协议，包括响应时间和成本效率。
- 版本管理：跟踪和管理不同数据版本，以应对模型漂移和数据管道问题。
- 持续回归测试：开发测试用例，定期检测数据故障和偏移情况。
- 可观测性指标：监控数据健康状况，确保及时交付和准确性。
如何治理数据以支持AI用例？
定义数据治理的长期要求，以确保数据满足AI用例的需求。可参考以下治理关键参数：
- 数据管理：在数据全生命周期内（包括模型开发和访问）实施适当的管理政策。
- 标准与法规：遵守不断演进的AI法规，如欧盟《人工智能法案》和《通用数据保护条例》（GDPR）。
- AI伦理：解决伦理问题，例如使用真实客户数据进行模型训练时的道德风险。
- 受控推理与推导：监控模型之间的交互，确保过程透明且受控。
- 数据偏差与公平性：主动识别和管理数据偏差，并使用对抗性数据集对模型进行公平性测试。
- 数据共享：促进数据及元数据的安全共享，以支持各类AI用例。
实现数据就绪的关键步骤
基于与成功实施数据就绪计划客户的深度互动，Gartner建议数据与分析（D&A）领导者遵循以下五个关键步骤，实现AI就绪：
- 评估数据管理就绪度：评估当前数据管理实践的现状，识别差距并明确需要改进的领域。
- 争取董事会支持：获得高管层的支持，确保AI战略实施获得必要的资源和承诺。
- 优化数据管理实践：调整并强化数据管理策略，以满足数据就绪的具体需求。
- 扩展数据生态系统：扩展数据基础设施和能力，支持多样化与可扩展的AI使用场景。
- 实现规模化与治理：在推动AI计划落地的过程中，部署全面的数据治理框架，确保数据质量、合规性及负责任使用。
AI数据就绪的常见问题
什么是AI数据就绪？
数据就绪是指数据能够充分表征使用场景中的多样化模式、错误、异常值以及特定用途所需的意外情况，用于训练或运行AI模型。这是一种基于元数据的系统性流程与实践，通过数据对齐、验证及治理来实现。
如何确保所有数据达到AI所需的就绪标准？
无法使所有数据提前或普遍达到就绪状态。数据就绪水平取决于具体的AI使用场景。例如，开发预测性维护算法所需的数据，与在企业环境中应用GenAI所需的数据集存在显著差异。
高质量数据是否等同于数据就绪？
按照传统数据质量标准定义的“高质量”数据并不等同于数据就绪。例如，在数据分析中，通常会清理异常值或净化数据，以满足人工分析的需求。然而，在训练AI算法时，需要具有代表性的数据集，这可能包含低质量或异常数据，以确保算法能够适应现实场景中的复杂性。