过去几年，企业需要快速创建新的商业模式和营销渠道，这加速了人工智能的采用。在医疗保健领域尤其如此，数据分析加速了COVID-19疫苗的开发。在包装消费品方面，《哈佛商业评论》报道说，菲多利仅用了30天就创建了一个电子商务平台Snacks.com。COVID-19还加速了人工智能在教育中的采用，因为学校被迫在一夜之间转向在线学习。只要有可能，世界就会转向“非接触式”交易，从而彻底改变银行业。COVID-19大流行期间的三项技术发展加速了人工智能的采用：持续廉价的计算能力和存储新数据架构新数据源的可用性人工智能发展的利弊为IT领导者了解这些发展的利弊。1.持续廉价的计算能力即使在摩尔定律60年后，计算能力仍在不断提高，通过NVidia等公司的新芯片，机器功能更强大，处理能力更强。AIImpacts报告称，“在过去25年中，每美元可用的计算能力大约每四年增加十倍（以FLOPS或MIPS衡量）。”然而，在过去的6-8年中，这一速度有所放缓。优势：事半功倍廉价的计算为IT领导者提供了更多选择，可以事半功倍。缺点：太多的选择会导致浪费时间和金钱思考大数据。借助廉价计算，IT专业人员希望释放其力量。人们希望开始摄取和分析所有可用数据，以获得更好的洞察力、分析和决策制定。但是，如果您不小心，您最终可能会拥有巨大的计算能力而没有足够的实际业务应用程序。随着网络、存储和计算成本的下降，人们倾向于更多地使用它们。但它们不一定能为一切带来商业价值。2.新的数据架构在新冠疫情之前，“数据仓库”和“数据湖”这两个名词是标配的。但是像“数据结构”和“数据网格”这样的新数据架构几乎不存在。DataFabric支持人工智能的采用，因为它使企业能够通过自动化数据发现、治理和消费来使用数据来最大化其价值链。企业可以在正确的时间提供正确的数据，无论数据位于何处。优点：IT领导者将有机会重新思考数据模型和数据治理。它提供了一个机会来扭转集中式数据存储库或数据湖的趋势。这可能意味着在最相关的地方有更多的边缘计算和数据可用性。这些进步导致自动使用适当的数据进行决策——这对人工智能的运作至关重要。缺点：不了解业务需求IT领导者需要了解新数据架构的业务和AI方面。如果他们不知道业务的每个部分需要什么——包括数据类型以及数据的使用位置和方式——他们可能无法创建正确类型的数据架构和数据消费来适当地支持它。IT对业务需求的理解以及与该数据架构相关的业务模型至关重要。3、新数据源Statista研究凸显数据增长：2020年，全球创建、捕获、复制和使用的数据总量为64.2泽字节，预计到2025年将达到180多泽字节。2022年5月Statista研究报告称，“由于COVID-19大流行导致需求增加，增长高于此前预期。”大数据来源包括媒体、云计算、物联网、网络和数据库。优点：数据强大每一个决策和交易都可以追溯到数据源。如果IT领导者可以使用AIOps/MLOps将数据源归零以进行分析和决策，那么他们将获得授权。适当的数据可以提供即时的业务分析，并为预测分析提供深刻的见解。缺点：您如何知道要使用哪些数据？被来自物联网、边缘计算、格式化和未格式化、智能和不可理解的数据所包围——IT领导者正在处理80/20规则：提供80%的业务价值的20%可信数据源是什么？您如何使用AI/ML操作来识别可信数据源，以及应该使用哪些数据源进行分析和决策？每个企业都需要找到这些问题的答案。AI核心技术正在自行发展 AI正变得无处不在，由新算法和日益丰富且廉价的计算能力提供支持。70多年来，人工智能技术一直在进化的道路上。COVID-19并没有加速人工智能的发展；它加速了它的采用。
