释放数据和 AI 的力量
解锁数据和AI 的力量 数据和AI的当前格局 行业领导者正在利用数据和AI的力量来突破边界并释放无限的可能性。根据Insight委托的IDG报告：1 90%许多企业期望IT现代化对其组织的长期增长产生变革性或重大影响。 48% 39% 说优化数据和分析能力（AI，ML，IoT）以实现创新是2022年的首要企业IT目标。许多企业都认为，缺乏数据和AI计划可能会直接影响其作为公司的增长。 研究受访者认为，数据分析能力不足会抑制创新。 部署后，数据和AI解决方案可以使您的组织能够更快、更大规模地进行创新，提高效率和客户体验，增强竞争优势，减少重复性任务和人为错误，并帮助制定更好的业务决策。 成功倡议的路障 尽管启动数据和AI计划有很大的好处，但常见的障碍是 永远存在。许多公司都在努力不知道从哪里开始他们的旅程，如何越过永久的原型阶段，扩展用例的最佳方法，或者创建太多无法管理的用例。因此，在进入之前充分了解您旅程中的每个计划至关重要。 数据和AI的整体方法 始终考虑可以增强数据和AI旅程成功的其他方面。随着我们的数字格局的发展，越来越多的企业通过专注于关键领域来推动数字化转型，例如现代劳动力、现代应用程序、现代基础设施、智能边缘和安全当与数据和人工智能一起实施时，这些领域可以支持你的倡议，从而产生强大而持久的影响。 您的数据和AI旅程的三个关键举措及其现实影响 数据和人工智能实施有三个组成部分，如果部署正确，可以帮助公司实现预期的业务成果。主要举措包括： 数据平台现代化 增强分析以包括AI 通过BI为用户提供智能 数据平台现代化 数据平台现代化可让您的公司简化现有数据环境。 现代化您的数据资产可以实现更好的分析、发现和平台化。 现实世界应用 国家连锁餐厅致力于数据现代化 当剥离驱动的迁移导致一家全国公认的连锁餐厅数据断裂且报告不一致时，我们的团队构建了一个精简的现代数据管理系统，包括一个新的数据湖和升级的数据仓库，从而实现了集中的数据摄取，以实现更准确的报告并降低运营成本。 阅读完整的客户故事 数据现代化的过程对于每个组织都是多种多样且独特的，但通常可以包括向现代数据仓库的转移 对于规模，实施方法以降低成本，并发现更好的方法来集成数据。 增强分析以包括AI 作为成功的数据和AI计划的一部分，公司必须增强其分析能力，以包括负责任的AI和ML。花点时间设想您最引人注目的业务挑战，并确定AI/ML解决方案如何应对。一旦您确定了适合您业务挑战的解决方案，您就可以开始构建 您的AI/ML模型。 现实世界应用 消防部门使用实时数据改善紧急服务 一个主要的大都市消防部门需要从其现有的Oracle迁移 ®数据库集成到现代云平台中，以更好地支持其实时和长期报告需求。 Insight的数据和AI团队致力于开发实时报告仪表板 ，帮助提供实时AI见解和预测。实时报告解决方案改进了15,000辆车辆和资产的分期，并有助于减少应急响应时间。 阅读完整的客户故事 通过BI为用户提供智能 同样重要的是，向您的用户（无论是您的员工还是客户）提供智能，以确保您的数据和AI计划取得成功 。组织应寻求通过强大的BI和Modern来激活其智能 使用成熟的Ops进行扩展和自动化 组织必须实施成熟的运营，以确保上述关键计划的自动化和规模。其中包括DataOps（数据操作化），MLOps（机器学习操作化）和BIOps（商业智能操作化），它们是不同但相关的领域。DataOps、MLOps和BIOps是持续为AI、BI和数据平台提供价值的成熟实践。 应用程序（也称为应用程序现代化和创新）。此智能的交付可以是应用程序驱动的，也可以是使用应用程序堆栈的通知驱动的。 同时推进三项关键举措，实现最大价值 理想的数据和AI旅程始于数据治理计划，该计划为创建现代化的数据平台奠定了基础。 从那里组织可以启动强大的AI和BI计划。然而，许多组织试图采取这些举措，但这样做的结果是一个漫长的，往往是不可持续的过程。这种方法创造了多年的数据合理化努力，但最终失败，因为这种规模水平几乎不可能管理。组织发现自己在其他组织启动AI项目的速度上远远落后于竞争对手。 相反，一旦公司在其长期数据和AI战略上保持一致，最佳实践建议将其战略的关键部分同时与数据和AI计划的每个阶段保持一致。通过为特别高价值的用例开发最低可行产品(MVP) ，组织可以快速将这些产品纳入其业务生态系统，以更小、更易于管理的规模展示价值，同时使组织能够扩展到新的价值案例，并继续推进他们的数据和人工智能之旅。例如，如果一家公司的首席执行官被要求对数据和人工智能进行现代化改造，他们应该同时找到并开始： 数据平台项目 BI项目 一个AI项目 这是因为数据和AI项目的每个计划都是相互反馈的。如果您没有证明其具有价值的用例，则无法进行大量投资来解决数据平台问题。为了证明价值，您需要展示AI和BI的成功。因此，这位首席执行官的目标应该是同时运行三个展示更大举措价值的小项目，然后迭代到成熟期。 什么是负责任的AI？ 人工智能提供的决策支持类型是新的和强大的，因此很容易由于底层数据的偏差或使用信息的人的偏差而产生一些意想不到的不利后果。 负责任的AI是设计、开发和部署AI的实践以良好的意愿赋予员工和企业权力，并公平地影响客户和社会。2 了解负责任的AI实践。 持续安全、治理、基础设施、云和负责任的AI的重要性 那些竞相实施其数据和AI旅程的关键举措的公司通常会忽略从第一天起就应该检查的实际组件： 安全 Governance 基础设施 云 负责任的AI 无论您身在何处，请考虑AI对您当前阶段的治理要求、安全性、云计算、基础设施和道德影响。 查看ROI的最快方式 如今，现代组织利用成熟的技术推动其数据和AI实施的技术和实践方面 框架和行业最佳实践，以确保所有努力都能保持一致。同时执行 这些方面是看到投资回报的最快方法之一。如果没有这两个组 件，您的组织就容易受到风险、超支的影响，并且缺乏经济高效的扩展能力。 应用程序不一致的风险 考虑安全性，治理，基础设施，云和负责任的AI的领导者有时会在其AI模型达到生产后停止实施它们。但是，在生产后忽略这些组件会增加安全漏洞和技术债务增加的可能性。 例如，考虑添加到AI模型的新功能可能对您的计划产生的影响。 您的模型是否仍然可以免受网络风险的影响部署新功能后？ Hasthe新功能损害了其他功能的安全性 在模型内? What更新的治理和文档现在需要? 什么是特征添加的含义在您的基础架构上，还是您的云支出？我们是否实施了流程和程序确保我们的AI模型负责？ 数据和AI旅程中的常见障碍 虽然部署数据和人工智能计划对组织来说是非常有益的，但各种障碍可能会使这一过程充满挑战，甚至阻碍公司完成他们的旅程。 许多人在将原型投入生产时遇到了麻烦，一旦原型投入生产，组织可能会发现无法大幅扩展或管理其新的数据资产。 失败的数据和AI部署甚至可能导致您的公司失去其在市场中的地位。随着公司未能推出AI，他们变得非常容易受到在AI实施方面取得成功的竞争对手的影响。 在AI和分析中， 对您的顶线或底线提高1％可以产生相当大的影响 在你的公司，并将在市场上区分你。 大多数组织都以个位数的利润率运行，因此成功的实施可以在市场上产生巨大的变化。 这些障碍可能是困难、昂贵且耗时的。您的公司应该致力于拥有合适的工具和合作伙伴来解决这些挑战，并让您的数据和AI计划重回正轨。 挑战1: 不知道如何开始 企业往往很难将他们的第一次人工智能努力与明显的成功结合起来。建立这一基础对于赢得利益相关者的信心和未来投资至关重要。正确理解问题空间也可能是具有挑战性的。重要的是要识别和记录您打算使用数据和AI解决方案解决的业务问题，并了解解决该业务问题的ROI。 为了有效地应对这一挑战，许多公司投资于基础建设活动。面对这一障碍的企业经常看到 成功与数据和AI构想会话，这有助于对团队进行潜在解决方案的教育，并制定启动板计划，以填补内部技能差距，调整关键利益相关者，并更深入地概述数据支持的AI解决方案。 问这样的问题： •商业问题有多大？ •如果我们忽略这个问题，会发生什么？ •如果我们要解决这个问题，会发生什么？ 构想会议可以帮助您的团队了解将AI集成到您的业务中的可能的艺术，集思广益的方法，根据 ROI和价值时间来分类AI想法，并概述解决方案，以应对最引人注目的业务挑战。 挑战2: 原型没有投入生产 AnMLOps加速器可以利用您准备好的AI和分析模型，并将其掌握在业务决策者手中，以使用安全，可维护的最佳实践来推动更好，更明智的业务决策。 AnInsightLens加速器自动化公司在构建现代数据平台时面临的挑战 。通常，将新数据添加到数据环境需要几周的时间。 对问题空间有一个明确的定义，以及解决问题的好处将大大增加产品投入生产的可能性。尚未发现重大业务问题或解决问题的ROI的公司将原型带到终点线。由于在该计划的早期阶段没有发现解决方案的固有价值，因此几乎没有动力将AI模型投入生产。因此,模型保持在原型或概念验证(POC)阶段。此外，将AI部署到您的报告和应用程序基础设施中与数据科学或传统SDLC或DevOps不同。领导者必须明确定义他们的问题和解决方案，以避免陷入这个永久的原型阶段。 希望跨越此阈值的组织可以利用MLOps加速器和InsightLens™加速器等解决方案。 使用此自动化工具，您可以在第一天部署数据环境-从几周到几分钟不等。 挑战3: 问题缩放 一旦您确定了一个重大问题，了解了解决方案的影响，并成功地将其投入生产，您就可以扩展了。不幸的是，这也是几家公司陷入困境的地方。为了解决这个问题，领导者必须在数据和人工智 能旅程的初始阶段提出规模和可操作性问题。 问这样的问题： •扩展对我们公司意味着什么？ •我们是在区域还是全球范围内扩展？ •我们目前拥有哪些基础设施？ •我们是否有熟练的DataOps、MLOps和BIOps团队来维护和构建AI模型？ 公司必须先进行这些对话，然后才能开始构建原型。问这些问题将帮助您尽早了解差距并帮助您更快地扩展。 领导者可以通过实施可靠的DataOps来解决这一挑战，以确保其数据平台的持续维护，同时利用第三方托管服务和人员增加，因此您的公司拥有合适的资源和人员来实现经济高效的扩展。 挑战4: 故障管理 公司在部署数据和AI计划时面临的另一个常见挑战是管理新环境的麻烦。许多人构建了AI、BI和数据平台生态系统，这些生态系统很快变得庞大、复杂且难以维持。用例可能会高速发展，并且很容易变得难以管理。这通常会导致维护成本不断上升，并使您的公司容易受到网络安全风险的影响。 通过询问以下问题，了解您的公司是否可以管理您的AI、BI和数据平台生态系统： 这个问题可以通过合理化您的数据资产并将其置于强有力的治理之下来解决。您可以通过一些成本优化选项来解决成本难题，这些选项包括云成本优化、BI和SQL许可证合理化、数据资产合理化或数据资产迁移。 您还可以通过进行安全评估以了解当前数据资产的风险影响来解决安全挑战。 •我们能够管理当前的数据吗？ •我们是否觉得我们为数据组件支付了太多费用？ •我们是否需要帮助来解决不断升级的成本和安全风险？ 无论您处于数据和AI旅程的哪个阶段，都必须拥有合适的合作伙伴，以更好地支持您的业务成果并推动真正的价值。 在Insight，我们培训了与客户合作的专家，以解决这些挑战和更多。 今天联系我们开始。 资料来源： 1IDGResearchServices的MarketpulseResearch。（2022年1月）。数字化转型之路：2022年IT领导者的立场。受Insight委托。 2埃森哲。(2022)。人工智能：人工智能伦理与治理。 ©2022,Insi
