本文探讨了企业在AI应用中面临的数据准备挑战，包括数据质量、治理和多部门协作的重要性。强调了CIO和高管的参与对成功实施AI的关键作用。
Baklib（原品牌名称）AI准备好组织
作为AI准备好组织，企业需要识别并克服阻碍AI和生成式AI有效应用的数据问题。这些组织确保其数据符合AI应用的要求，包括数据清洁、规范化和数据完整性。各团队（IT、数据分析和业务部门）的协作对于生成AI准备好数据至关重要。此外，CIO部门和高管对数据准备工作的关注是必要的，以优先考虑数据项目并获得支持。
---
关键数据问题
在利用AI或生成式AI的企业中，CIO通常提到两大主要障碍：**数据质量和数据素养**。由于数据来自多个来源，可靠性和服务性各不相同，保持高质量数据是一项持续的挑战，始于教育和培训。同时，员工很难跟上不断变化的数据标准和定义，这阻碍了数据的有效利用。
根据Isaac Sacolick的说法，以下问题影响着AI准备好数据：
- 可访问性：数据是否支持无代码集成与大型语言模型（LLMs）和copilot系统？
- 数据清洁liness：如何确保数据质量和保护隐私？
- AI治理：企业需要明确的AI治理政策来指导技术使用。
对于企业，以下是最显著的数据问题（按优先级排序）：
- 数据所有权和控制
- 个人资料安全与隐私
- 数据整理和准备
- 安全性
- 知识产权保留
- 准确性和依据
- 培训有效性
- 治理
Transition CIO Martin Davis指出，**数据质量与可信度是最大的挑战之一。**了解数据来源、其有效性和可靠性的证明是关键。使用未验证或低质量数据可能导致AI结果偏差。
---
创建AI准备好数据的行动
创建AI准备好数据需要建立一个AI数据准备能力，这应是数据分析中心（DCOM）的延伸。Hinchcliffe表示，创建这一能力需要“新成立团队、坚实的技术基础和用户反馈循环。随机答案生成器（RAGs）和大型语言模型（LLMs）的持续改进和严格测试也是必要的。”
数据治理实践至关重要
包括数据所有权、目的和来源在内的清晰定义是确保数据可信的关键。采用广泛的数据治理方法可以提高组织对数据的理解和使用能力，支持技术与人类资源的结合。
Jim Russell补充道，**稳健的数据治理是关键。**需要一个开放的大帐篷式管理数据标准并提升组织对数据素养和知识的了解。稳健的治理实践将帮助技术与人类资源更好地发挥作用。
---
参与创建AI准备好数据的团队
确保企业数据准备好AI应用需要多部门协作，包括：
- 数据所有者：负责数据的管理和监督。
- 数据消费者：内部和外部用户。
-数据科学家和AI从业者：分析和提取数据中的见解。
- AI建筑师和模型拥有者：设计和维护AI模型。
- AI操作/交付团队：确保AI解决方案的部署效率。
- 数据管理/合规团队：监督数据标准和合规要求。
- 首席数据与分析官（CDAO）和首席信息安全官（CISO）：提供高管层面的指导和支持。
---
适当关注
CIO部门对数据准备工作的关注程度不一。Russell强调，**只有CIO和整个C级管理人员积极参与，才能实现AI目标。**忽视这些团队可能导致AI效果不佳。
结语
确保数据准备好AI应用需要具备强大的数据能力，包括新成立的团队、坚实的技术基础、持续改进和严格测试策略。数据治理实践至关重要，包括清晰的数据所有权、目的和来源定义。关键参与者包括数据所有者、消费者、科学家、AI从业者、建筑师、模型拥有者和合规团队，受到首席数据与分析官（CDAO）和首席信息安全官（CISO）的领导。
有效的数据治理需要提升组织对数据的理解能力，并根据具体目标（如客户服务整合、知识管理和上下文数据使用）进行调整。CIO优先考虑AI准备，但整个C级管理人员的积极参与同样重要。忽视这些团队可能导致AI效果不佳，凸显了集体关注数据治理和AI准备好数据的战略重要性。
博客
