那些從事機器學習（ML）項目的人都知道ML需要大量數(shù)據(jù)來訓練所得算法。有人會說您永遠不會擁有太多數(shù)據(jù)。數(shù)據(jù)量和生成的ML模型的復雜程度之間通常存在相關性。隨著AI向新的利益池發(fā)展，同時利用更復雜的AI功能，這種數(shù)據(jù)饑渴只會變得更加強烈。由于人工智能的復雜性還存在其他促成的趨勢，因此組織面臨的問題是：“他們是否擁有正確的數(shù)據(jù)來推動成功的AI工作？” 如果他們沒有足夠的資源，他們是否應該在期待AI盛宴的情況下庫存更多？

組織收集的所有大數(shù)據(jù)不可能都是正確的數(shù)據(jù)，但是了解AI的去向?qū)⑹菇M織在AI的發(fā)展和未來幾十年的收集和收集更多正確數(shù)據(jù)方面具有“立足點”。

人工智能的進步改變了數(shù)據(jù)游戲

雖然ML需要大量數(shù)據(jù)來自我修改其行為，但隨著AI功能復雜性的提高，AI的需求也迅速增加。從機器學習到深度學習（DL）邁出了一大步，因為DL比ML需要更多的數(shù)據(jù)。原因是DL通常只能識別神經(jīng)網(wǎng)絡各層之間的概念差異。當暴露給數(shù)百萬個數(shù)據(jù)點時，DL確定概念的邊緣。DL允許機器像人的大腦一樣通過神經(jīng)網(wǎng)絡來表示概念，從而可以解決更復雜的問題。人工智能還可以解決答案更加不確定或模棱兩可的模糊問題。這些通常是判斷或識別問題，可以擴展到創(chuàng)作或其他右腦活動。這又需要更多數(shù)據(jù)，

從數(shù)據(jù)驅(qū)動到結(jié)果驅(qū)動的轉(zhuǎn)變

隨著AI在其協(xié)助或解決的復雜問題中不斷發(fā)展，它將成為數(shù)據(jù)驅(qū)動和目標/結(jié)果驅(qū)動的。這意味著AI可能會即時請求解決特定問題或進行特定推論所需的數(shù)據(jù)，從而使數(shù)據(jù)管理變得復雜。它可能涉及解決方案的歸納數(shù)據(jù)驅(qū)動部分與基于達到目標的假設的數(shù)據(jù)演繹需求的交互。對于面向結(jié)果的問題，需要進行這種動態(tài)交互。這與僅查詢數(shù)據(jù)以尋找有趣的事件和模式有很大不同。決策驅(qū)動方法恰好適合這兩種截然不同的方法。通過將數(shù)據(jù)與結(jié)果進行匹配，一些決策將集中在運營上并加以改進。在歸納法和演繹法上都會有更多的戰(zhàn)略決策。這只是增加數(shù)據(jù)使用量的另一個需求渠道。

不斷變化的問題范圍影響數(shù)據(jù)需求

AI解決方案的范圍通常會從狹窄的領域開始，并隨著時間的流逝而擴大到更大的范圍，因此需要更多數(shù)據(jù)。復雜解決方案通常針對多個答案，并且需要更多數(shù)據(jù)來支持支路解決方案集，從而導致復雜/混合結(jié)果。隨著決策，行動和結(jié)果的范圍跨越組織內(nèi)部和外部的更多上下文，將需要獲取更多數(shù)據(jù)以了解每種上下文及其相互作用。這些上下文中的每一個都可能以不同的速率變化和變形，因此，需要更多的數(shù)據(jù)。

凈; 凈：

顯然，更多數(shù)據(jù)將成為AI輔助解決方案的標志。數(shù)據(jù)需求可能來自更具挑戰(zhàn)性的問題，高級AI /分析的更好利用或端到端價值鏈的增長。有一件事情是肯定的。組織最好為“ AI /數(shù)據(jù)交互”的新世界做好準備。它可以更改或擴展數(shù)據(jù)管理策略，方法，技術或技術。請參閱圖1，以查看交互可能性。