随着利用人工智能保持竞争力的压力越来越大，组织正在创建新的角色，例如首席人工智能官 (CAIO)，并重新审视首席信息官和首席数据官的角色以适应人工智能计划。然而，人工智能研究的进展速度异常快，这往往超出了组织采用这些技术的能力，尤其是大规模采用这些技术的能力。许多企业正在尝试使用传统方法将人工智能集成到同一组织结构中，但这可能还不够。
人工智能驱动转型的关键组织重点领域
数据安全和隐私数据安全和隐私是人工智能计划不可或缺的一部分，这使得保护数据变得更具挑战性和关键性。组织必须在有效的管理、审计和控制与广泛采用人工智能所需的灵活性之间取得平衡。例如，许多企业目前在系统或源级别管理安全性。然而，随着人工智能的发展以及对数据的更多访问的需求变得更大，这种方法可能会导致更高的成本和风险。为了缓解这种情况，组织可以采用数据治理框架，优先考虑集中而灵活的安全模型，以确保数据保护和可访问性之间的平衡。
增强的变更管理和变更控制当组织将职责分配给技术和非技术团队时，他们必须制定强大的变更管理和变更控制策略。变更管理（专注于沟通和采用）和变更控制（专注于技术实施）是独立但相关的领域，在人工智能驱动的环境中都至关重要。最佳实践可能包括跨职能的人工智能工作组、明确的沟通协议和培训计划，以促进平稳过渡。例如，对参与人工智能采用的非技术人员实施结构化培训可以帮助缩小技术团队和业务团队之间的差距。
与业务成果保持一致 IT 与业务目标之间的脱节可能是人工智能成功的主要障碍。 IT 部门通常关注技术指标，而业务部门则优先考虑组织目标。鉴于数字化转型和人工智能计划的失败率很高，IT 团队应与业务部门更密切地合作，优先考虑可衡量的业务成果。跨职能协作，由技术和业务领导者共同领导人工智能驱动的项目，可以帮助确保项目与核心组织目标保持一致并提供有形的价值。
业务流程优化和新兴技术集成转型，尤其是涉及人工智能、物联网和自动化的转型，本质上需要业务流程优化。当组织采用人工智能时，他们必须评估并可能重组其流程，以有效地集成新技术。这可能包括开发自适应工作流程，使人工智能驱动的见解能够无缝集成到业务运营中。在这一领域取得成功的组织通常会采用循环方法来优化流程，随着人工智能功能的发展不断迭代和更新工作流程。
重组企业 IT 以实现敏捷性和协作鉴于人工智能的快速发展，传统的 IT 结构可能会限制组织响应新兴需求的能力。许多企业都有各自为政的 IT 职能，尤其是那些与数据管理相关的职能，这可能会阻碍需要无缝数据访问和协作的计划的有效性。可能需要一个更加敏捷、协作的 IT 结构，其中包括数据治理和跨职能角色。例如，企业可以在IT部门内建立混合角色或专门的人工智能集成团队，将技术专长与特定领域的知识结合起来，以更有效地支持人工智能和数据计划。
未来人工智能驱动型组织的愿景
以人工智能为中心的组织的结构鼓励 IT 和业务功能之间的持续协调，优先考虑数据安全和隐私、变更管理和业务流程优化。此类组织非常敏捷，拥有支持跨部门协作的灵活 IT 和治理结构。他们实施平衡数据保护和访问的治理框架，使用培训计划确保人工智能的顺利采用，并持续优化业务流程。通过采用这些原则，组织可以提高人工智能、数字化转型和数据治理计划的成功率，从而在人工智能驱动的世界中获得竞争优势。
自主代理和代理工作流程
大型模型（法学硕士）可以做一些非常惊人的事情。我们在我们的产品中专门利用了文本到 SQL 和摘要功能。由于法学硕士非常擅长评估/审查信息，并且在自我评估方面没有自我意识，因此我们看到许多研究和框架都在寻求利用这种能力。他们还非常擅长根据自然语言为任务做出决策和构建信息。这些功能是自主代理和代理工作流程的基础。
亚马逊、谷歌和微软等主要参与者已经开发了强大的框架，使企业比以往任何时候都更容易构建这些人工智能驱动的代理并将其集成到他们的运营中。借助人工智能等工具，企业现在可以创建代理来提取数据、回答客户问题，甚至在没有太多人工监督的情况下执行操作。组织可能起步缓慢，实施和观察自主代理和代理工作流程可能比部署给用户更容易，因此即使从这种功能开始也可能更有吸引力。预计这些将在明年左右变得更受欢迎。
增量/持续机器学习
如今，一些公司正在微调LLM，某种程度上，你可以将其视为增量学习。考虑到重新训练大型模型的挑战，增量/持续学习的能力意味着模型可以保持最新状态。这个领域有很多研究，我预计它的发展甚至会超越 GenAI。
从数据管理的角度来看，向增量学习范式的转变意味着企业可以更有效地利用实时数据。此功能对于需要即时数据解释和响应的应用程序至关重要，例如金融交易算法、实时推荐系统和动态定价模型。随着研究的继续和这些技术变得更加成熟，增量和持续学习对人工智能部署和功能的影响可能会增加，使其成为未来人工智能技术进步的重点领域。
图数据库使用的兴起
我们已经听说过很多关于法学硕士的一些缺点，以及某种程度上语义搜索的缺点。图提供了一种对复杂关系进行建模的方法，因此最近有很多研究利用图数据库来解决其中的一些限制。有一些基于图的功能的提示方法，例如基于节点、基于子图、基于路径、基于层次、基于社区等。在某些情况下，节点属性是嵌入的，而在某些情况下是明确的。有多种技术可以基于用数据填充图形来构建此类模型，因此需要能够查询数据并将数据带入图形中。
云迁移
83% 的受访企业正在将部分工作负载迁移到私有云和本地系统。当然，这些企业迁移的比例存在一定的不确定性；然而，从数据管理的角度来看，只需一个企业就可以将数据存储在多个地点。这可能会对数据管理策略产生重大影响。
Zinno（技术传播者）说：
综合数据
围绕隐私、个人数据处理、拥有良好样本来训练人工智能模型的重要性以及需要拥有特定（不一定是聚合）数据才能参考个人对现象进行建模的考虑因素将对合成数据产生更大的影响。作为催化剂，合成数据将在作为分析基础的样本的选择和构建中发挥越来越重要的作用。
活动本体（或活动数据目录）
本着数据民主化的精神，数据在公共和私人组织中的渗透率不断提高，其边界逐渐扩大，允许利益相关方参与组织的商业模式（合作伙伴、供应商、公共管理部门、客户……）生态系统的趋势共享和使用数据使得正式、系统地解决“意义”问题变得更加重要，以便为该生态系统中的所有参与者创建共同语言。
然而，对数据深入理解的需要（通过平衡内涵和外延成分来实现）以及从一种数据切换到另一种数据的可能性（或必要性）将决定对主动本体或主动数据目录和本体的需求基于数据管理 (OBDM) 的兴趣日益浓厚。
北欧公关团队表示：
ESG 作为竞争优势
北欧客户越来越多地根据供应商的绩效和 ESG 实践沟通来选择供应商。不具备符合 CSRD 和其他标准的健全 ESG 实践的公司越来越多地被排除在招标之外。北欧企业可能会优先考虑社会可持续发展的合作伙伴，注重道德劳工实践，并确保供应链中的公平工资。企业需要高效的数据管理来管理数据收集和报告。
人工智能的下一步
关于将人工智能平台连接到集成人工智能代理的讨论越来越多。原因是它有潜力结合一些技术优势，提供更精确的行业特定答案——媒体希望看到的具体用例。
银行、气候和数据
具有良好环境和社会信誉的银行将受益于更优惠的贷款条件。比以往任何时候都更多的金融科技创新正在支持可持续银行业。基于数据管理的数字工具将帮助银行为消费者和企业提供个性化的金融服务。
银行将越来越注重管理气候相关风险。这包括评估气候变化对贷款组合和投资造成的风险，并确保长期金融稳定。
公共部门和数据管理
公共部门参与者正在迅速变得更加数字化，包括确保数据安全和相关参与者之间共享数据（例如，在医疗保健领域）。目标是为公民提供更好的服务。各国政府正在确保人工智能的使用符合道德和负责任。管理机构协调各种网络安全计划。
拉维（高级副总裁兼首席营销官）表示：
AI赋能的企业数据
人工智能的好坏取决于它获得的数据。不仅仅是任何数据，而是您可以信任的数据。即使数据分散在不同的位置、格式和延迟，也需要为人工智能提供统一且可靠的数据。
使用互联网公共数据进行培训的公共法学硕士（例如法学硕士）可以回答一般性问题，例如提供假期旅行建议，但无法回答与企业内部运作相关的问题（例如上个月发放了多少贷款） 。为此，LLM 需要使用防火墙内的企业数据进行培训。
RAG 支持企业数据的上下文感知。因此，由RAG支持的AI赋能的企业数据将成为一个关键趋势。
人工智能人才
随着人工智能在组织中变得越来越普遍，高管们要求他们的经理培训他们的员工，以提高生产力并用更少的资源生产更多的产品。
这项任务需要对员工进行广泛的培训，特别是在销售、营销和客户服务等面向客户的部门。
人工智能素养将成为 2025 年的一个关键趋势。
人工智能挑战赛
随着人工智能更好地回答问题，高管将依靠人工智能提供决策建议。
问题是他们应该在多大程度上信任人工智能而不是他们的经理。
2025年，我们应该会看到人类和人工智能之间的竞争，以证明谁更值得信赖，能够为高管提供更好的数据和见解。
本站候鸟号已成立3年，主要围绕财经资讯类，分享日常的保险、基金、期货、理财、股票等资讯，帮助您成为一个优秀的财经爱好者。本站温馨提示：股市有风险，入市需谨慎。
暂无评论