这是我关于人工智能转型的四部分系列文章中的第二篇。第一个涵盖了信任，这是这一转型中最重要的要素。
随着企业向人工智能驱动的运营推进，数据团队面临着新的使命。过去，他们的角色主要集中在支持分析、构建数据管道、管理仓库以及为各种分析和商业智能用例准备数据。
如今，使命范围更加广泛。数据团队现在必须交付具备AI支持的数据产品，不仅支持分析，还支持机器学习、生成式人工智能，以及日益增长的自主智能体。这一转变从根本上改变了企业数据基础设施的需求。
数据架构的新需求
AI工作负载需要与传统分析截然不同的数据基础。人工智能必须：
- 访问实时运营数据
- 结合结构化和非结构化信息
- 使用一致的业务语义来解读数据
- 在治理政策和安全控制范围内运作
传统数据架构高度依赖将数据复制到集中式平台，难以满足这些需求。数据流动会带来延迟。复制品会增加治理挑战。而且，维护多份数据会增加成本和复杂度。
组织真正需要的是逻辑化的数据管理方法。
逻辑性地交付AI就绪的数据产品
逻辑数据管理使数据团队能够从所有源系统和应用中交付可信的数据产品。由于数据依然存在，组织能够实时访问权威的真相来源。由于数据由一致且具业务语境化的语义层描述，人工智能代理会使用正确的数据。由于访问控制和其他治理策略由集中管理，所有AI代理在所有数据产品中的数据使用均被严格控制。这对于必须实时响应现实环境的人工智能代理来说至关重要。
Denodo 平台通过在所有企业系统中提供统一的逻辑数据层，实现了这一方法。通过 Denodo 平台，数据团队能够更好地交付满足所有这些要求的数据产品，并且能够快速交付。因此，数据团队能够更好地跟上人工智能的数据需求。
AI工作负载的更快性能
AI工作负载的数据和计算量远高于以往任何工作负载，导致计算和其他运营成本不断攀升。
为支持这些需求，Denodo 平台推出了 Lakehouse 加速器，嵌入了开源的 Velox 执行引擎，显著提升了湖屋环境中的查询性能和效率。
这些增强使数据团队能够：
- 支持来自更多来源的更高数据量，通过更多同时发生的代理工作负载访问
- 以更低的基础设施成本提升查询性能
- 从现有湖屋投资中提取更大价值。
在许多情况下，组织可以在不重新设计现有数据架构的情况下加速AI项目。数据无需迁移到另一个数据平台;Denodo从数据已存在的地方获取数据，避免了组织又一次漫长且昂贵的迁移项目。有了Lakehouse Accelerator，AI的高流量和并发需求依然可以满足，同时保持数据保留，同时控制成本。
从数据工程到人工智能赋能
随着人工智能的加速采用，数据团队的角色也在不断演变。数据团队不再只是移动和准备数据，而是成为整个企业可信赖的数据产品的提供者。这些产品不仅支持人工智能代理，还支持其他业务需求，这些需求依然如故：分析与商业智能、运营应用以及自助数据共享。
通过逻辑数据层提供这些能力，组织为可信AI奠定了可扩展的基础。这一基础使组织其他部分——尤其是人工智能团队——能够更快地创新。
在本系列的下一篇文章中，我将探讨这一可信数据基础如何加速AI开发团队开发和部署AI代理。
