企業領導或許對其企業的數據已準備好迎接AI充滿信心，但IT工作者的說法卻大相徑庭，他們中的大多數人每天都在花費數小時對數據進行梳理。

根據Capital One最近的一項AI就緒度調查，近九成企業領導表示其企業的數據生態系統已準備好大規模構建和部署AI，然而，在受訪的IT從業者中(包括數據科學家、數據架構師和數據分析師)，有84%的人每天至少要花費一小時來解決數據問題。

該調查顯示，70%的IT專業人員每天花費一到四小時來處理數據問題，而14%的人每天花費超過四小時。

Worldly(一家供應鏈可持續性數據洞察平臺)的CTO John Armstrong表示，這項調查指出了許多企業領導在部署大多數AI工具所需的數據工作方面存在的根本性誤解。

“有一種觀點認為，我們只需將一堆數據扔給AI，它就會解決我們所有的問題，”他說，“作為技術領導者，我們的工作就是幫助我們的受眾了解什么是可能的，以及實現他們的目標需要什么。”

Armstrong補充道，關于AI數據管理需求的持續誤解所帶來的影響是巨大的。當他與其他IT領導者交流時，他們都表示在采用AI方面承受著巨大壓力。

“這是一個非常大的問題，因為如果處理不當，你的企業可能會花費數百萬美元在錯誤的解決方案上，從而實現錯誤的結果。”他說。

誤解AI的力量

BairesDev(一家軟件外包提供商)的首席技術官Justice Erolin表示，這項調查凸顯了一個典型的脫節現象。

“通常，高管們對AI的承諾感到興奮——他們在試點項目或演示中看到了AI的光芒——但他們并不總是能看到使其在日常工作中發揮作用的細節，”他說，“這就是摩擦產生的地方。”

Erolin補充道，企業領導的信心往往集中在AI模型或算法上，“而不是數據質量、集成或甚至遺留系統等繁瑣的基礎工作。”

他說，成功的試點項目或表現良好的算法可能會給企業領導帶來虛假的希望。“大局可能會講述一個不同的故事。”他補充道。

例如，Erolin表示，BairesDev的一個客戶在AI項目時間線上花費了30%的時間來集成遺留系統時，感到十分驚訝。

Erolin補充道，雖然在AI項目之前應預料到需要初步解決數據問題，但每天花費數小時工作人員時間來持續修復數據問題，可能是一個警告信號，表明企業的數據尚未為AI做好準備。他表示，為AI做好準備的企業應該能夠自動化部分數據管理工作。

“如果你花費大量時間來維持數據運營層面的正常運作和清洗，那么你就無法利用你的領域專家來完成更大的戰略任務。”他說。

遺留問題

Evidology Systems(一家合規解決方案提供商)的首席技術官兼創始人Rupert Brown表示，收集和存儲有限數據的遺留系統是問題的一部分。他補充說，在一些行業中，公司正在使用遺留軟件和中間件，而這些軟件和中間件的設計并不符合現代AI模型對數據收集、傳輸和存儲的需求。

“在可預見的未來，數據質量問題將限制AI技術的實用性，”Brown補充道，“行業中仍然普遍存在輸入數據字段有限的遺留系統或被迫循環使用帳戶號的系統，這也導致了AI無法理解的更正。”

Erolin表示，為了解決過高期望與低數據就緒度并存的問題，CIO和IT領導者應該尋求透明度和協作。他說，BairesDev一直致力于向非技術利益相關者普及AI實施的現實和挑戰。

“當高管們了解真正的挑戰——以及技術團隊花費時間解決這些挑戰的情況——他們就更有可能投資于穩健的數據實踐并調整期望，”他說，“這都是為了讓每個人都達成一致。”

Capital One數據工程副總裁Terren Peterson表示，雖然企業領導的期望與IT從業者的經歷之間似乎存在脫節，但圍繞GenAI的炒作可能會為CIO和其他IT領導者提供他們解決長期存在的數據問題所需的資源。他補充說，這家金融服務公司委托進行這項調查，是因為它自己有興趣部署AI工具來服務其客戶。

“數據衛生、數據質量和數據安全都是我們談了20年的話題，”Peterson說，“我內心有一部分在想，AI和機器學習是否會成為催化劑，開始引起人們對這些數據基礎元素的關注?”

他補充道，AI革命可能會推動人們認識到數據質量的重要性。“盡管它可能一直排在不同CIO議程的后列，但現在它的優先級將會提高。”

小型模型來救援

雖然許多企業領導由于當前的炒作而專注于部署GenAI，但Worldly的Armstrong建議IT領導者關注用例而不是特定的AI技術。他指出，在某些用例中，對于預期目的而言，較舊的AI技術(如機器學習或神經網絡)可能更合適，并且便宜得多。與其他一些AI工具相比，GenAI消耗的能量巨大。

他還建議CIO們推出小型模型，以找到最適合其企業的AI用例，并認識到一些實驗可能不會成功。

“實驗不必是大規模的，但它能培養熟悉感，”他說，“它開始為可能的藝術提供信息。如果我要給出一條戰術建議，那就是慢慢來，持續投資，而不是產品化。”

他補充道，創新往往涉及很多失誤。

“你想積累一系列知識，”Armstrong說，“每個人都想要迭代、快速失敗、快速開發，但沒有人想要真正失敗，這是我們的領域中的一種虛偽。嘗試吧，如果成功了，你就想要它，如果失敗了，你就從中學習。”