La pliiĝo de Enterprise Intelligence akcelas kaj industriaj gvidantoj raportas rimarkindajn efikecgajnojn de AI. Sed aliaj organizoj spertas defiojn pri administrado de datumoj. Laŭ McKinsey, 70% de kompanioj alfrontas kritikajn datumajn defiojn, kiuj malhelpas AI-sukceson kaj Gartner antaŭdiras 30%-procenton por generaj AI-iniciatoj.
Unu kritika diferencigilo kuŝas en havi la ĝustan infrastrukturon kaj datuman ŝtofon por subteni la kunmetitajn postulojn de entreprena AI. La AI-datumvivciklo komenciĝas per datumkolektado kaj datuma retenplano daŭrantajn jarojn. Ĉu la fonto de datenoj estas IOT-aparato aŭ IBM-ĉefkomputilo, post kiam kolektite la datenoj unue devas esti klasifikitaj, kaj tiam prezentitaj aŭ alie pretaj por uzo antaŭ ol ĝi povas esti dukto al kontraŭflua datumstokejo aŭ AI-aplikaĵo. Ĉar datenoj transiras ĉi tiun kompleksan datumŝtofon, datumaroj ofte spertas multmodalajn transformojn eventuale de dosieroj kaj tabeloj en unu formato ĝis indeksaj vektoroj en alia, sed ankoraŭ datenadministrado kaj observkontroloj devas esti konservitaj.
Plenuma Prezidanto de Solix John Ottman esploras la defiojn kaj ŝancojn de entreprena AI en ĉi tiu praktika solva revizio.
Elŝutu ĉi tiun blankpaperon nun
Pri la Aŭtoro:
John Ottman havas pli ol 30 jarojn da sperto kun entreprenaj aplikoj kaj nuba infrastrukturo. Li estas nuntempe la Plenuma prezidanto de Solix Technologies, Inc. kaj Kunfondinto kaj Prezidanto de Minds Inc.
