随着越来越多的组织采用大数据技术来处理庞大、快速、变化的信息资产，他们往往很快面临如何有效地从中获取洞察力和商业价值的问题问题。对此，Talend产品高级总监Jean-MichelFranco表示，“大数据技术自然可以带来先进的分析措施。但是当组织可以捕获大量关于可以改善业务的主题的信息时，不要仅仅了解事物的表面，还要发现事物。”本质，找出根本原因，预测将要发生的事情，并准确地解决问题。没有机器的帮助，人类很难独自完成。”人工智能技术已经成为理解所有信息的一种方式。方法，实际上已经成为一门需要大量数据才能实施的学科。因此，大数据和人工智能技术总是相结合是理所当然的。“大数据和人工智能之间有着密切的关系。大数据是燃料，人工智能是手段，”业务转型和外包咨询公司PaceHarmon的主管JPBaritugo说。关于大数据和大数据如何协同工作存在一些误解，导致潜在的混乱，IT领导者在采用数据驱动战略时应该澄清：1.某些类型的人工智能可能不需要大数据。例如，一些聊天机器人学习的输入数据集可能比AI技术还要小。“‘垃圾进，垃圾出’的数据分析理念适用，因为组织需要足够好的数据来从他们的AI工作中获得有意义的价值。但需要多少数据可能会有所不同，”Baritugo说。EverestGroup执行副总裁兼高级分析师SarahBurnett解释说：“大数据是指由结构化和非结构化数据组成的大数据集，可以为人工智能的一些应用提供数据，比如大量的数据。并不是所有的AI在训练人工智能、分析信息以发现模式以及使用概率得出问题答案时需要大量数据。”Baritugo说，“在设计上，AI通常需要大量归一化数据集（即大数据的“清洗”子集）来有意义地识别模式并生成必要的输出，所需的数据量（包括训练和评估数据集）主要由问题的复杂性，需要评估的输入特征的数量，以及使用的算法决定。“例如，机器学习(ML)通常需要比深度学习（机器学习的另一个子集）更少的数据来训练。2.并非所有大数据都需要人工智能的应用。人工智能可能有助于推动数据分析，但不一定需要从大数据中提取价值。ISG认知自动化和创新总监WayneButterfield说：“高级分析一直是大多数组织多年来使用的概念。”这实际上取决于数据集的大小和不同数据集的数量需要分析的。即使是最聪明的专家也无法在有限的时间内从一些大型数据集中找到有洞察力的模式，因此机器学习在完成繁重的工作方面具有一些优势，但并非所有数据集都庞大且多样化，因此，并不总是需要使用机器学习(ML)来从中获得洞察力。“IT组织还可以使用商业智能、分析和数据仓库解决方案来分析数据和可视化e见解。3.高级分析和人工智能不一样很多时候，人们使用“大数据”这个词来更广泛地描述这些信息。资产的高级分析没有错。但他们可能认为高级分析和人工智能也是可以互换的术语，这是错误的。“人工智能和高级分析密切相关，但也有一些关键的区别。例如，人工智能可以尝试各种假设，自行学习并增强其分析能力。虽然人工智能技术可以分析数据，但它不能自行学习，而是依赖于人类4.大数据可能扭曲人工智能模型Franco说，“大数据为人工智能和机器学习奠定了基础。您获得的数据越多，您的模型就会越好。但当数据失控时，它也会给人工智能和机器学习带来偏见。“过分关注数据的数量而不是数据的质量往往是罪魁祸首。当人们失去对基础数据的控制时，人工智能和机器学习不可避免地会失败，”佛朗哥说。将大量数据收集到数据湖中并不能为AI和机器学习的成功提供足够的基础。5.组织可能已经在不知不觉中结合了人工智能和大数据。”Burnett谈到智能文档处理(IDP)软件时说：“有些软件解决方案已经内置了AI功能，可以安装、训练和使用。这些解决方案加速了AI的采用，并帮助组织满足特定的业务需求。在这些情况下，并不一定需要了解人工智能技术才能获益。6.人类证明了结合大数据和人工智能的必要性当谈到大数据和人工智能时，信任和透明度是关键。Franco表示，“组织需要坚实的数据基础，才能使用人工智能获得正确的结果。”意见。此外，组织员工需要参与数据治理过程，以控制数据（数据质量、代表性、数据隐私）和算法（使用可解释的人工智能能够理解算法的内容。）7.并非所有数据都对人工智能有用Butterfield说：“当与人工智能结合使用时，通常在拥有大量数据和拥有大量数据之间取得很好的平衡。拥有正确的数据来提供见解。人工智能并不是解决所有问题的灵丹妙药，至少目前还不是。商业领袖需要意识到这一点。“
