如何消除不同行业之间的“数据壁垒”在生成式AI时代中？

当一家组织认识到生成式人工智能带来的转型机遇时，必须综合考虑各方面因素，包括行业挑战、战略优先级、数据类型、应用程序、生态系统合作伙伴和治理要求。只有在整个企业中部署该技术，并兼顾以上要素，才能最大化其潜力。

（来源：AI 生成）

金融机构应确保数据和人工智能治理符合监管要求，媒体和娱乐公司则致力于构建能推动产品个性化的AI模型。

工业制造商希望通过整合人工智能和物联网，使数据科学家和车间工人能够轻松获得有价值的信息。

首要任务：获取行业生态系统中的实时数据，包括所有类型和来源，以便进行管理和共享。

当组织能正确利用数据和人工智能技术实现这一目标时，他们能够具备数据智能的能力，理解自己的数据并消除“数据孤岛”。

然而，实现真正的数据智能不仅要建立正确的数据基础，组织还需要解决如何减少对高级技术员工的依赖，并构建与数据隐私和组织控制相关的框架。

公司希望员工能够利用自然语言处理技术，从公司数据中提取有价值且可操作的信息。这些数据将被用来训练、构建、部署和调整大型语言模型（LLM），并将高价值信息应用于业务流程中。

（来源：见标注）

在数据智能的下一个前沿领域，企业将通过人工智能的普及化来实现最大化的价值，同时在行业背景下差异化人员、流程和技术。

《麻省理工科技评论》Insights 近日发布了一份最新的全球跨行业调查报告，它深入调查和采访了 600 位技术领导者，探讨了各行业为实现数据和人工智能民主化而建立和利用的基础。以下是报告的主要发现：

实时访问数据、数据流和分析是每个行业的优先事项。由于数据驱动决策的强大力量及其改变游戏规则的创新潜力，首席信息官需要无阻碍地访问公司的所有数据，并能够实时从中收集高价值信息。

72% 的受访者表示，分析实时数据流并采取行动，这种能力对他们的整体技术目标“非常重要”。

另有 20% 的受访者认为这“一般重要”，无论这意味着在零售行业实现实时建议，还是在关键的医疗分诊情况下确定下一步最佳行动。

所有行业都致力于统一其数据和人工智能治理模型，渴求对数据和人工智能资产的单一治理方法。60% 的受访者表示，对数据和人工智能的单一治理方法“非常重要”。

另有 38% 的人表示“一般重要”，这表明许多组织都在与碎片化或孤立的数据架构作斗争。每个行业都必须在其独特的记录系统、数据管道以及安全和合规要求的背景下实现这种统一治理。

行业数据生态系统和跨平台共享，两者将为人工智能引领的增长提供新的基础。

在每个行业，技术领导者都看到了在整个行业生态系统中实现数据共享的前景，支持人工智能模型和核心运营，从而推动更准确、更相关、利润更高的结果。

例如，保险公司和零售商的技术团队旨在收集合作伙伴的数据，以支持电商平台的实时定价和产品报价决策，而制造商则将数据共享视为持续优化供应链的重要能力。

64% 的受访者表示，跨平台共享实时数据的能力“非常重要”，另有 31% 的受访者表示“一般重要”。此外，有 84% 的受访者认为，一个妥善管理的、包含数据集和机器学习模型的中心化市场非常重要。

跨云服务平台，同时保持数据和人工智能的灵活性，在所有垂直领域都适用。63% 的垂直行业受访者认为，利用多个云提供商的能力至少“在一定程度上很重要”，而 70% 的受访者对开源标准和技术有同样的看法。

这与调查结果一致，即 56% 的受访者认为，由单一系统管理商业智能和人工智能中的结构化和非结构化数据“非常重要”，另有 40% 的人认为这“一般重要”。

此外，高管们优先考虑的事项是：安全地访问企业的所有数据，无论数据的来源和类型。

特定行业的要求将决定生成式人工智能用例的优先级和采用速度。供应链优化是在制造业中价值最高的人工智能用例，对于公共部门而言是实时数据分析，媒体和娱乐则是个性化和客户体验，而电信领域更看重质量控制。

生成式人工智能的采用不会是一刀切的，每个行业都在采用自己的战略和方法。但在任何情况下，创造的价值都将取决于数据和人工智能如何渗透到企业生态系统中，以及人工智能如何嵌入其产品和服务中。

将人工智能的价值最大化，并扩大其对人员、流程和技术的影响是各行业的共同目标，但行业之间的差异将造成什么样的影响，值得人们密切关注。

无论是推动全渠道销售的零售助理，还是寻找医疗证据的医疗从业者、分析风险和不确定性的精算师、诊断设备的工人、评估网络状况的电信专家，当人工智能的民主化拓展到每个行业的第一线时，它将支持的语言和场景都会有很大的差异。

运营/排版：何晨龙