人工智能在一个非常重要的方面与传统软件不同：它必须学习如何完成它的工作。
这为产品生命周期提供了一个关键的好处，因为系统本身可以添加新工具，创建新功能并以其他方式改变自身，而不必等待编码向导每年手动升级一次创建(甚至更少)。更好地满足用户要求。当然，缺点是很少有AI程序可以提供开箱即用的顶级性能; 只有通过持续使用，他们才能了解对他们的期望以及如何最好地实现他们的目标。
这种演变的一个关键因素是AI驱动系统所面临的数据。良好的数据，适当的条件和放置在正确的环境中，将使服务能够做出明智的决策并采取适当的行动，而糟糕的数据将导致糟糕的结果和稳定的性能下降。
例如，考虑人工智能驱动的营销策略。关键数据点可能表明对某个地区或某个特定人群中特定产品的兴趣增加。但是，如果数据仅仅基于网页视图或其他轶事证据而不是深入的消费者调查，那么大量的时间，金钱和其他资源可能会从更具生产力的项目中转移出来，以追逐不存在的机会。
看到问题
然而，到目前为止，企业在管理数据方面取得了微不足道的成功，特别是非结构化数据。据Corinium称，70%的IT和数据管理团队难以满足分析需求，而近40%的人难以保持良好的数据质量，尽管有一半以上的人使用尖端的混合和多云架构进行数据存储。
然而，从积极的方面来看，许多组织开始认识到问题的重要性，并正在采取措施解决这个问题。超过90%的受访者表示他们将在明年投入超过100万美元用于新的分析计划，超过60%的受访者采用混合的多云策略来跨内部和外部基础架构联合数据。
然而，仍然需要克服的一个关键问题是需要从基本数据收集和聚合发展到更高级的上下文和相关性模型，Informatica总裁Amit Walia说。只有通过解析关于技术，业务，运营和使用的关键元数据，企业才能培养培训智能算法所需的“智能数据” 。
但随着数据量持续爆炸，这变得越来越难。具有讽刺意味的是，许多数据分析和管理解决方案正在转向相同的AI和机器学习算法，这些算法使最终消耗数据和元数据的智能应用程序成为可能。通过使整个过程更加智能化，企业可以自动化当前占据大量高薪数据科学家时间的许多死记硬背功能，让他们可以自由地专注于更复杂的战略目标。
来自阿法尔的数据
每个智能数据管理系统都需要的一件事是简化与云之间的连接。虽然广域网络变得越来越快，灵活和软件定义，但它仍然缺乏精细的管理工具来以AI友好的速度整理，处理和传输数据。这就是为什么NetApp和Nvidia联手将AFF A800闪存平台与DGX 超级计算机联合起来的原因。该解决方案利用NetApp的Data Fabric有效地提供“边缘到核心到云”的数据控制，为分析引擎提供整个分布式生态系统的准确，最新视图，并无论数据位于何处或以何种格式直接访问数据在...
但是，检索数据只是第一步。改进数据库摄取和解释数据的方式同样有效。数据库分散公司Bluzelle的首席执行官Pavel Bains认为，通过创建一个适应结构化和非结构化数据的通用数据存储，区块链可以在这方面做出重大贡献。这将允许数据管理团队提供人工智能所需的深层环境，以便快速理解所有这些，同时确保关键数据不受任何一个云提供商的控制。区块链使用分布式，点对点存储节点几乎确保数据几乎可以在任何地方以最高速度提供，同时由于其不可变但开放的分类帐方法而保持高完整性。(当AI以其应有的方式运作时，它可以对业务有很大的帮助。了解更多公司可能想要考虑使用AI的5种方法。)
人工智能是用词不当，因为它不是很聪明。它本能地区分事实和虚构，无论好坏，是非。它所能做的就是消耗大量数据并寻找满足其编程要求的模式。如果数据不正确或解释不正确，则模式将会偏斜，结果将会出错。
从这个角度来看，人工智能背后的真正智慧在于它始终存在的地方：人脑。只有通过对数据收集和准备的适当监督，AI才能为数字服务和运营带来最大利益。
我们更聪明的是数据，我们的机器将更加智能，以实现更高的生产力。
