Gartner公司发布了2024年数据与分析(D&A)重要趋势,这些趋势正在带来包括组织、人事问题在内的各种挑战。
Gartner高级研究总监方琦表示:“AI的力量以及日益重要的生成式AI正在改变人们的工作方式、团队协作方式和流程运作方式。在这场技术变革中,未能成功实现转型并有效利用D&A,特别是无法有效利用AI的企业机构,将难以取得成功。”
在近日的Gartner数据与分析峰会上,Gartner分析师介绍了IT领导者必须把握并纳入其D&A战略的重要数据与分析趋势(见图一)。
图一、2024年数据与分析重要趋势
资料来源:Gartner(2024年4月)
趋势 1:押注业务
随着AI不断推进各行各业战略层面上的变革,D&A领导者必须展现出“押注AI业务”的技能并赢得信任,才能领导企业内部的AI战略。
方琦表示:“D&A领导者必须将他们正在开发的能力与其为了实现企业机构所需业务成果所做的工作挂钩,以此展示他们对企业机构的价值。如果做不到这一点,那么资源分配不当、投资利用不足等问题将继续升级,企业机构也不会将领导内部AI战略的重任交给D&A。”
由于AI正在改变企业的运营方式,企业将面临一场成本灾难。D&A领导者必须采取行动落实财务运营(FinOps)实践,以此建立和执行标准并减少支出。
Gartner预测,到 2026 年,如果首席数据和分析官(CDAO)能够成为首席财务官在创造业务价值方面值得信赖的顾问和合作伙伴,那么D&A将升级为推动企业战略增长的动力。
趋势2:可管理的复杂性
许多D&A系统都很脆弱,并且它们的冗余会造成混乱和增加成本。方琦表示;“领先的企业正在努力将这种混乱转化为可管理的复杂性。复杂性本质上不易应对,但认识到这一点能够切实了解环境的动态变化,帮助D&A团队采取适当的行动。”
为了管理复杂性,D&A领导者需要利用AI工具实现生产自动化和提高生产力,包括投资于数据管理的加强、决策自动化以及像自然语言处理(NLP)这样的分析能力。Gartner预测,到2025年,CDAO将把数据编织视为成功应对数据管理复杂性的主导因素,把重点放在增值的数字业务优先事项上。
趋势3:取得信任
随着生成式AI可及性和效率的日益提高,如何应对这个数据可靠性不断受到质疑的世界已变成一大难题。企业内部信任缺乏、对数据价值和质量的担忧以及围绕AI的法规正在导致不信任泛滥。
方琦表示:“不可信的数据可能无法用来作出决策”。
“D&A领导者应使用决策智能实践来建立对数据的信任并监视决策过程和结果。此外,为了取得利益相关方的信任,落实有效的AI管理和负责任的AI实践至关重要,例如建立数据的AI就绪性,也就是说数据要符合道德规范、安全、无偏见并且丰富到能够做出更加准确的回答。”
趋势4:被赋能的员工
方琦表示:“将AI应用于D&A必须能够赋能员工,而不是让他们感到受到威胁或沮丧,这一点十分重要。”
企业机构必须投资于培养员工的AI素养、使用具有适应能力的治理实践实现有效的治理并落实基于信任的信息资产管理办法,帮助个人知晓他们所使用的信息的出处。
方琦表示:“AI培训的重点不止是人数,还需要采取不同的方法。企业机构要认识到专家级AI用户所需具备的技能将与其他用户截然不同。Gartner预测到2027年,由于企业未能从生成式AI中获得预期的价值,半数以上的CDAO将获得数据素养和AI素养项目的资金。”
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。