AI项目屡屡夭折,CIO如何避免技术走入无法落地的“死胡同”

AI需要高质量的数据，专家认为新兴技术有助于解决信息管理的难题，然而，尽管有迹象表明先行者正在取得进展，但大规模应用仍面临重大的障碍。

数据是AI的燃料，因为生成式AI、智能体系统以及机器学习系统的效果完全取决于其消耗的信息。在数据生命周期的各个阶段(包括创建、存储、使用、归档和销毁)，CIO及其业务伙伴必须审慎考量信息如何为AI服务提供滋养。

Gartner指出，近三分之二的企业不确定自己是否拥有适用于AI的正确数据管理实践，这家技术分析机构预测，由于缺乏数据准备度，企业将在今年年底前放弃60%的AI项目。在这种情况下，潜在的竞争优势会迅速演变成创新死胡同。

想要利用AI的CIO需要找到一种方法来改善贯穿整个生命周期的数据管理，而AI本身恰恰能在其中发挥至关重要作用。Gartner建议企业在现有实践的基础上，通过迭代添加特定于AI的服务，来拓展和提升数据管理技术。

Rathbones Asset Management的COO Stephen Wood意识到了这个机遇，他和公司员工都非常希望在数据管理工作中，避免将信息简单地从一个地方“搬家”到另一个地方。而AI或许能有所帮助。

他表示：“我们的员工希望运行模型来观察数据，无论是形状、结构、价值，还是其他任何属性，这项任务未来是否能交由AI完成，我现在还不确定，但考虑到AI的强大能力，能够管理数据生命周期的各个要素似乎是顺理成章的事。”

数字化领袖们认为AI可以改善信息管理流程，但也存在局限性，首先，他们必须认识到新兴技术需要高质量的数据，其次，他们需要明确关键挑战，特别是在治理和信任方面，然后，他们必须仔细探索AI究竟能在哪些关键环节发挥作用。

对于部分数字化领袖而言，清晰的数据生命周期管理路线(包括使用AI)已经成为运营流程的一部分。

Volvo Cars软件工程负责人Alwin Bakkenes表示，公司的驾驶员辅助系统(ADAS)极度依赖高质量信息。凭借在车辆安全领域的深厚底蕴，Volvo自2020年以来在获得客户同意的前提下收集了数百万个数据点，用于改进其碰撞预防系统。

他表示：“在我们的ADAS技术栈中，数据策展是最关键的环节之一。海量数据从庞大的车队源源不断输入，我们会对其进行精选策展，厘清需要哪些信息来提升模型训练的效率。”

Bakkenes举例说明，他们从车辆收集数据，以帮助理解复杂路况，比如巴黎的大型环岛。他的团队向传感器发送触发指令以收集更多数据，这些数据随后用于训练AI模型，并测试其行为是否符合预期。

“这是一个相当开放的闭环，但这就是我们的数据管理策略，”他补充道，“而且这种洞察必须随着时间的推移不断维护和策展，至关重要的一点是，数据并非越多越好，相反，数据质量才是关键，而我们长期以来一直拥有优质的数据。”

这种有策略的信息收集方法，与招聘巨头Harvey Nash的集团CIO Ankur Anand的观点不谋而合。他认为，AI时代成功的数据生命周期管理包含四个底层流程。“首先，数据必须是可被寻得的，这意味着AI无需依赖专业人员的经验就能精确定位相关信息。”

其次，数据必须是可被理解的。他以跨国公司在不同业务部门使用不同定义为例：“如果没有统一的语言或一致的术语，上下文就会产生偏差，AI对数据的解读也会不同，这会对决策流程产生巨大影响。”

第三个核心要素是数据必须是可信的。Anand表示：“数据清洗阶段非常关键，必须赋予数据恰当的权限控制，以免发生人员越权查看信息的问题。保密性至关重要，因为一旦信任破裂，人们就不会再使用AI。”

最后，数据必须能够被快速使用，这依赖于前三个流程。“人们不应该花很久时间才能从AI那里获得恰当的总结、对比或推理。”

一旦确立了数据质量，数字化领袖就可以开始思考如何将新兴技术嵌入数据生命周期的各个阶段。

以生物制药巨头Sanofi的首席数字官Emmanuel Frenehard为例。“我认为AI可以帮助发现数据中的空白，”他提到，利用Snowflake的智能体等新兴技术扫描信息，能够找出决策者缺乏深入洞察的领域。

Frenehard补充道，AI还能协助纠正数据。他所在公司的大多数临床试验数据都需要一定程度的人工纠错，而新兴技术能够识别出异常值。“这非常实用，”他表示，“我们将AI作为临床试验的数据治理方法论，审查所有输入的内容并对数据进行自我修复。”

然而，尽管具备这些能力，Frenehard也指出其局限性所在。在生物制药这种受严格监管的行业中，利用统计学预测概率并管理不确定性的概率型AI模型虽然管用，但也可能带来风险。如果不引入人工干预，他的公司并不打算直接使用AI来管理数据。

“潜力确实存在，但信任也必须到位，”他说道，“我总是对概率模型抱有顾虑。概率永远不可能是100%。在某些业务领域，无法做到100%确定是可以接受的，但在患者数据和治疗建议等领域，绝对不行。”

这一观点得到了AOP Health数字、数据与IT副总裁Bernhard Seiser的认同。他表示，自己的公司并未在完整的数据生命周期管理中使用AI。他提到，在大型、受严格监管的行业中，关于数据的讨论往往围绕着类似的顾虑，尤其是在评估AI是否已经准备好接管信息管理时。

他表示：“在我们这个行业，99%的准确率对于需要100%精确的数据领域来说毫无帮助，但当然，有些领域确实可以借助AI。例如，当你引入新的数据源时，要让业务部门的人专门去标定和描述每个字段是非常吃力的。对于这种任务，生成式AI工具的表现堪称绝佳。”

Seiser表示，他的公司将继续探索新兴技术，但会放平预期。过多依赖AI可能意味着无法接受的不确定性，而就目前而言，能够将AI驱动的数据生命周期管理推向新高度的突破性进展似乎还很遥远。

“对于创建数据产品、编写查询等更复杂的任务，你始终必须接受它无法做到100%确定这一事实，”他补充道，“我和技术专家交流过，大家都不确定这项技术在五年甚至十年内，是否真的能够胜任管理完整数据生命周期的工作。”

尽管数字化领袖们并不急于将整个数据生命周期完全自动化，但先行者们已经意识到，AI能够为特定阶段带来全新的效率提升。

DP World Tour的首席技术官Michael Cole在过去两年里与HCLTech和AWS等关键合作伙伴合作，将其机构50多年来的历史档案进行了数字化转换，涵盖20000盒磁带、27000小时的内容以及1.2 PB的数据。这一过程很好地凸显了AI驱动的数据管理的价值。

“这仅仅是这场变革之旅的起点，”在谈到这项转型时他表示，“我们即将宣布一个新的媒体资产管理平台，这意味着我们不仅拥有数字格式的所有归档内容，还能让内部资源、媒体、广播公司、合作伙伴以及广大球迷轻松获取这些内容。”

Cole表示，这项工作体现了机构对信息数字化以及将其提供给年轻球迷的重视，因为这些年轻群体希望以丰富多样的形式观看体育内容。随着这一进程加速，新兴技术将在数据管理中扮演重要角色。

“我们已经在使用AI来自动剪辑球员打球的片段，并将继续将AI用于元数据打标签，因为这个流程对于构建高效的内容与数据获取方式至关重要，”他表示，“所有内容都必须精准打上标签才能实现高效。我们相信生成式AI和智能体技术将会不断演进，不仅能提高内容制作的效率，还能让球迷更容易获取这些内容。”

Freshworks的CIO Ashwin Ballal是另一位认可AI能够协助管理生命周期特定环节(如耗费大量人工的数据清洗流程)的数字化领袖，AI智能体理论上能够成倍地加快这一繁重流程的推进。

不过，Ballal也指出，核心问题不在于AI能否快速完成数据管理工作，而在于工具能否有效提升数据的完整性和质量。好消息是，模型训练有助于提升这种有效性。目前，他的公司正致力于将智能体AI引入数据管理生命周期中。

“我们才刚刚开启这一进程，”他表示，“我们拥有Databricks平台，并在数据之上构建了大语言模型(LLM)和智能体。因此，如果你是一名销售人员，你就会拥有专属的销售智能体、营销智能体和产品智能体，这项技术正源源不断地释放数据的能量。”

如果您在企业IT、网络、通信行业的某一领域工作，并希望分享观点，欢迎给企业网D1net投稿。

投稿邮箱：

editor@d1net.com

合作电话：

010-58221588（北京公司）

021-51701588（上海公司） 

合作邮箱：

Sales@d1net.com