几乎所有行业的组织都在竞相通过人工智能转型其运营方式。
但尽管投入了数十亿美元，现实结果往往令人失望。研究一再显示，许多人工智能项目未能实现生产或实现可衡量的商业价值。
原因越来越明显：信任。
高管们可能对AI演示印象深刻，但除非他们能信任结果，否则他们不愿让AI系统影响实际决策或运营。而这种信任最终取决于AI底下的数据基础。
实际上，当人工智能无法可靠地做到：
- 感知当前形态
的人工智能必须基于代表当前现实的实时数据，而非过时的快照或陈旧的复制品。 - 决定使用合适的数据
AI 需要与当前语境最相关的信息，这需要在多个系统中保持一致的语义和业务含义。 - 在保护范围内
行动 AI必须在明确的治理政策、安全规则和合规要求下运行，并在所有源系统和工作流程中保持一致，以确保决策和行动安全且可解释。
这些根本上是数据问题。而且用传统的数据管理方法解决这些问题很困难。
为什么传统数据架构在人工智能面前表现不佳
几十年来，企业数据战略专注于物理整合——将数据迁移到存储仓库或湖畔别墅等强大分析引擎所在地，以便后续分析。
该模型在大多数分析和商业智能应用场景中表现良好。但人工智能，尤其是代理人工智能，带来了新的需求。
代理系统通常必须同时跨操作数据和分析数据进行推理。他们必须根据现实世界的变化做出反应。而且他们通常需要访问远超传统分析系统设计的数据，无论是原始数据量、并发性数据，还是包括结构化和非结构化的数据类型。大量数据的移动和复制带来了延迟、成本和治理缺口，正是破坏AI信任的问题。
组织需要的是一个逻辑数据层，能够实时统一、管理和直接从原始来源传递数据。 逻辑数据管理提供：
- 实时、零拷贝数据访问
- 系统间一致的业务语义
- 集中式数据治理与安全
- 针对人工智能级工作负载的性能优化
这就是为什么逻辑数据管理正逐渐成为可信赖AI的基础。
代理人工智能的可信数据基础
这正是Denodo平台背后的方法，为整个企业提供了逻辑数据管理基础。该平台连接云端和本地系统、SaaS应用及外部数据源的分布式数据源，提供统一且受控的视图，无需复制。该架构使人工智能系统始终能够在以下条件下运行：
- 实时运营数据
- 针对每种情况的正确数据
- 数据受控一致
这些能力对于将人工智能从实验走向生产至关重要。
但组织成功的人工智能转型不仅仅需要技术。
人工智能转型需要全组织的努力
任何全组织转型的成功都需要所有关键利益相关者参与。这不仅仅是AI团队、数据团队或其业务用户的责任。
数据团队必须交付AI兼容、可信赖的数据产品。
AI团队必须利用这些可信数据构建和部署可信模型和代理。
业务用户必须将AI洞察和自动化应用于实际决策和运营，确信AI行为值得信赖。
Denodo 平台旨在支持这三个群体——确保他们能够在可信数据的共享基础上协同工作。
这篇文章是关于克服人工智能转型挑战系列文章的第一篇。在本系列后续文章中，我将探讨组织如何通过赋能这三类利益相关者来加速人工智能的成功。
