这种对AI兴趣激增的重要警告是
不良数据会导致不良结果因此，利用不良数据来推动数据驱动的决策的公司将做出不良决策。除了利用高质量的培训数据，组织还需要使用正确的工具以正确的方式管理和衡量其AI模型，只有略多于20％的企业已实施了正式的AI治理流程或工具，并且大多数人将治理视为可选而非必要的。这需要改变-并且开始改变。

定义AI治理处于AI项目早期阶段的公司很少考虑AI治理
他们应该开始考虑什么是AI治理，以及如何将其构建到AI项目和流程中，以确保避免“垃圾入，垃圾出”陷阱，人工智能治理包括三个主要领域：

AI模型定义：必须明确定义AI模型的目的。组织希望实现什么目标，AI模型是否能够实现？可以向其他人清楚地解释该模型吗？这样做可以帮助进行故障排除，同时确保将来项目的知识转移。

AI模型管理：通常，一旦公司开始实施AI，它就会快速开发多个AI模型，并且重要的是要开发AI模型目录以确保将正确的模型用于正确的目的。目录应跟踪每个模型可以做什么以及不能做什么，哪些部门正在将哪些模型用于什么目的，谁建立了模型以及是否已对其进行了修改。随着项目复杂程度的提高，目录还可以跟踪：

1、培训数据的要求（例如，数据的收集方式，拥有者，存储位置）
2、部署要求（例如，如何实时管理功能）
3、需要实现的关键指标
4、连续监视模型以校正模型漂移的过程

数据治理：由于成功的AI成果取决于高质量的数据，因此有效的数据治理至关重要
现在人们通常已经很好地理解了数据治理的需求，大多数组织仍在努力实施良好的数据治理计划。因此，从AI项目中受益的愿望可以成为增加数据治理的动力，这可以回答各种关键问题。您拥有什么数据，它的来源和血统是什么？数据如何修改或转换以及由谁修改？是否针对不同的用例复制了数据？它是否包含敏感信息（PII，IP），以及用于AI项目的方式是否符合不断发展的隐私法规？

入门做法准备开始时，可以按照以下关键步骤构建AI治理程序：
1、评估您的公司是否处于AI旅程的正确阶段。正确完成需要花费时间和协调，因此重要的是确定目标的优先级并承担适合您的AI项目的治理任务。
2、从小开始。通过定义每个AI项目的目标，您可以评估模型是否按预期执行，消除偏差以确保AI模型产生公平的结果，并确定是否存在可能影响成功的问题。
3、创建文档以捕获您所依赖的所有标准和实践以及从经验中获得的任何知识。需要衡量哪些关键指标？您将使用什么过程来跟踪数据和监视性能？

定期检查标准和做法，以确保它们与整个行业不断发展的知识保持同步
对于大型企业，随着项目的复杂性和项目数量的增长，请考虑创建一个独立且专门的治理团队，以在整个组织中实施标准和一致性，减少重复并提高效率，一些严重依赖机器学习（ML）的大型企业，已经建立了自动执行AI治理管理的系统，有数百个ML用例，在生产中部署了数千个模型，每秒进行数百万个预测，公司的AI工作流管理系统是内部构建的开放源代码系统和组件的组合，可在数据管理，模型训练，模型评估，模型部署，预测制作和预测监控中实施标准工作流，刚起步的公司可以参考推荐的实践，或者可以考虑使用顾问来帮助他们创建基准治理策略，甚至可以求助于第三方提供商来帮助他们实施所需的流程或工具。

人工智能治理是一门新兴且不断发展的学科
并且正在进行许多前沿研究，在接下来的几年中，我们可能会看到各种新工具和服务进入市场以支持这些努力，尤其是随着公司继续增加对AI的投资–实际上，公司在整个AI领域的投资平均增加了4.6％，公司计划在未来三年内将这一增长率提高近一倍，达到每年8.3％，尽管AI治理在不断发展，但是公司可能需要采用DIY方法来开发基本的AI治理功能，以确保从AI项目中获得收益。

在过去十年的大部分时间里，如果您想获得风险投资，就必须拥有一个大数据故事情节
人工智能必须成为您的建议之一，您必须将其视为信息时代不断累积的趋势的一部分，而不是将AI视为过去的趋势，人工智能需要数据，并且需要大量数据才能在组织内部发挥其奇迹，当前大量的数据将AI推向了今天的位置-在未来的桌子上吹牛，物联网和增强现实是数据生成过程中的领先学科，随着数据量的加速增长，更多的AI可以更好地了解人类体验中的细微差别和微妙因素，通过适当的设置和算法，AI以惊人的速度掌握了游戏和活动。现在是时候将AI应用于企业数据了。

有了更多的数据，AI可以检测到更多细微差别和异常情况并做出反应
这是您将来会利用的三种常见AI技术-如果有数据，这将是不久的将来！通过回归，可以使用过去来确定趋势并预测非线性的未来。随着更多变量，数据集和描述过去评估的情况的“全貌”的数据的出现，AI精度会提高。例如，可以将详细的客户活动与地理位置，产品和计时模式等特征结合使用，以找到非线性电话和网站模式，从而导致导致大量客户流失的软客户流失。

离群值检测真正重要的异常值很难被发现，但它们对于理解至关重要
AI只能使用大量的详细数据，才能确保公司在异常工作量（例如健康监控，环境变化和传感器异常）方面表现出色，例如测量身体的四个主要生命体征（体温，脉搏率，呼吸频率和血压）会定期产生大量潜在的离群值，以应对无数种适应不良的身体状况。

关系数据通过查看广泛的组织数据，AI可以看到整个组织中活动的含义

它拥有的数据越多，AI就能发现以前未知的模式并在数据之间建立牢固的关系，运输公司可以发现发车时间，燃油效率和客户满意度之间的关系，大数据捕获和管理助长了AI的可能性，两者不仅仅是相关的，人工智能完全依赖大数据，无论您在AI旅途中的何处，都请首先考虑数据，站点利用数据仓库，主数据管理，商业智能和大数据等学科。