许多人将AI视为机器学习人工智能是一门更广泛的学科

人工智能是人们学习，思考和应用知识的时候，人们从经验中学习以创建，学习和思考知识来解决问题，而计算机则从信息中学习以解决问题，这是AI的支柱，机器学习是要从模式或预测中学习，这些模式或预测是由人类配置的一组规则组成，人的大脑非常复杂，因此机器只能完成其中的一小部分，到2021年将有75％的企业应用程序使用AI，业界还希望使用工具来创建自动驾驶汽车，但是随着AI激发梦想，部署AI并不容易，不到14％的AI项目退出生产。

公司需要确定合适的业务问题并部署合适的人员来挖掘数据

为了简化AI流程，企业需要研究正确的用例，组织正确的数据并使用正确的工具，平台或服务结构化数据很可能会推动AI的大部分发展，结构化数据得到处理，因此用户不需要单独的过程，它井井有条干净整洁，因此可以快速对此数据运行查询，我们付出了巨大的努力，使更多人可以使用AI，可以用少的精力和机器学习专业知识来构建和部署高质量的自定义机器学习模型，需要从本地应用程序和基于云的应用程序访问数据，由于云供应商负责数据移动，因此客户需要了解并控制该移动，此外在将数据移入或移出云时可能会影响性能或安全性。

部署和服务模型是安全存储敏感数据的关键

公共云是的选择，然而这可能是不安全的，社区云比公共云更安全，但是可能会有一些限制，包括成本使用私有云，用户可以在内部还是远程之间进行选择，这是安全的环境，但它是昂贵的选择。

赢得现代数据战略的胜利

新方法可用于现代化，精简和加速数据管理流程，保持，采用现代数据策略从数据中提取价值的方法至关重要，智能数据管理策略借助现代数据策略获胜，以人工智能为动力的企业：利用本体的力量使您的业务更智能，更快和更更具盈利性”，讨论了弥合现代应用程序基础结构之间的差距并确保可用于该基础结构的高质量数据的方法。

数据对于输入战略要务至关重要

问题在于许多企业发现他们的数据和基础架构尚未为对话式AI和预测分析等较新的应用程序做好准备，在启动数据项目时，重要的一点是可衡量的进步并与业务价值相关，因为领导层通常不愿进行必要的投资，除非有明显可证明的ROI。

通过过程证明利益要取得成功，数据计划必须是可理解的可衡量的并且与结果挂钩

基于指标的事情至关重要，因为这是展示ROI的方式，如果您认为无法展示ROI，那么我保证可以解构流程并开始查看输入和输出，这些可以包括客户行为和反馈或员工行为和反馈，流程绩效，总服务成本和产品绩效，客户的行为可能包括或多或少地购买或放弃购物车；客户反馈可能包括对社交媒体的投诉和评论；员工的行为可以包括任期，以及客户的反馈；产品性能可能是回报水平和质量，可以为标准问责制方面定义一系列指标，所有利益相关者将有自己特定的观点，工具，度量标准和优先级，具体取决于诸如人员角色和行业等因素，一路走来必须有数据和质量记分卡，以显示流程如何得到增强，数据对流程的支持程度如何，从而为支持具有高业务价值的特定结果提供目标。