Gartner此前预测，到2018年，90%的数据湖将无用，因为它们充满了原始数据，很少有人会使用这些技术。在当前的技术领域，没有什么比人工智能(AI)更能激发人们的好奇心和兴奋了。而人工智能的潜在优势在企业内部才刚刚开始显现。然而，人工智能在企业中的发展受到阻碍，因为数据科学家通常无法访问构建有效人工智能模型所需的相关数据。这些数据科学家通常被迫仅依赖少数已知来源，例如现有数据仓库，而无法利用他们需要的所有实时、实时数据。此外，许多公司难以有效且经济高效地确定大量数据的业务环境和质量。鉴于这些困难，很容易理解人工智能加速和应用的一些历史障碍。只有当数据对AI有价值时，用户才能放心、安全地使用它来训练AI模型。实现这一目标的唯一方法是基于“智能数据”。多年来，我们已经超越了数据的收集和聚合来驱动特定的业务应用程序（数据1.0），组织已经能够创建定义明确的流程，允许任何人访问数据，但这还不够，我们现在获取需要智能数据才能真正推动企业范围内转型的数据（数据3.0）。例如，考虑一家公司在尝试重新定义其与客户群的传统关系时将面临的挑战。驾驭这种颠覆性变化需要来自众多来源的数据，例如数据库、数据仓库、应用程序、大数据系统、物联网、社交媒体输入等，各种数据类型，例如结构化、半结构化和非结构化，以及各种位置，例如在线-场所、云、混合和大数据因素。如今，数据湖正在成为信息时代所需的大量不同数据的最终存储库。但如果没有智能数据，这些湖泊就没有什么价值。Gartner此前预测，到2018年，90%的数据湖将无用，因为它们充满了原始数据，很少有人会使用这些技术。相比之下，借助智能数据，数据科学家可以进行类似谷歌的搜索，并立即发现相关数据的所有潜在来源。智能数据节省了数据科学家可能不得不花在收集、组装和改进模型所需数据上的大量宝贵时间那么如何确保数据真正智能呢？通过构建一个端到端的数据管理平台，该平台本身使用由大量元数据驱动的机器学习和人工智能功能，以提高平台的整体生产力。元数据是释放数据价值的关键。如果用户希望提供全面、相关和准确的数据来实施AI技术，则可以查看四种不同的元数据类别：技术元数据-包括数据库表和列信息以及有关数据质量的统计信息。业务元数据-定义数据的业务上下文及其参与的业务流程。操作元数据-有关软件系统和流程执行的信息。使用元数据——关于用户活动的信息，包括访问的数据集、评级和评论。应用于此元数据集合的人工智能和机器学习不仅有助于识别和推荐正确的数据，这些数据还可以自动处理——无需人工干预，使其适用于企业人工智能项目。数字化转型迫使组织以不同的方式看待数据，这是一个“猎物还是捕食者”的问题。如今，实时访问可用的数据和工具，实现快速分析，将促进人工智能和机器学习，并允许过渡到数据优先的方法。由于数字化、数据爆炸以及人工智能对企业的变革性影响，人工智能带来的信息技术革命正在蓬勃发展。显然，越来越多的数据输入会影响AI应用程序的决策，因此组织需要对相关且有影响力的内容进行分类。然而，在您的组织采用以人为驱动的数据管理方法之前，请考虑以下问题：您希望从AI中获得什么？
