纵观AI中的七个数据维度 企业应该坚持使其成功

研究表明，声称使用人工智能(AI)的公司中有40%缺乏其应用的切实证据。在没有真正理解或合法实践的情况下，由于各种各样的流行语(包括机器学习，数据挖掘和深度学习)，该领域的混乱网络变得越来越复杂。

不可避免地，混乱会导致性能下降。为了充分利用AI的优势，从而充分利用这项技术的总价值，公司必须了解哪些组件构成了有效的AI解决方案。对于企业而言，至关重要的是要了解，一个AI管道的一个性能不佳的区域会完全破坏各个解决方案的总影响力和价值。

人工智能的七个维度

对AI的正确理解并确保AI的准确执行在新兴企业中尤其重要。那些被标记为“在人工智能领域”的公司，在其融资中可比其他科技公司多吸引15-50%，这证明了其重要性。

初创企业面临的挑战是其固有的困扰，尤其是考虑到AI直接从其整理和接触的数据范围中蓬勃发展。就像孩子成长一样，年龄越大，学到的东西就越多;算法还依赖于经验(即暴露于大量数据并不断进行改进)来不断发展并提供准确的结果。

包括微软在内的大公司正试图在这一领域树立榜样，随后一直在寻找使用AI的新方法，以保持利润激增的势头。尽管不是每个技术业务都具有Microsoft的业务范围，但该领域的所有公司都应该认识和探索AI的七个方面，以实现目标相同的权力，道德和信任水平：

数据新鲜度

在一个日新月异的世界中，数据可能会过时，因此使用速度很快。因此，成功的AI需要一种能够实时提供信号并能够快速适应的算法。在最佳情况下，结果是算法几乎立即适应环境的能力。

数据量

人工智能必须涵盖整个问题生态系统，并且应该能够处理大量数据信号，以便捕获在最佳条件下成功驱动的模式。

数据多样性

必须从尽可能多的维度和输入中训练算法。就像足够数量的数据的重要性一样，多样化的数据集可在捕获更大的画面时确保更强大且基础广泛的决策能力。

资料品质

这听起来像是既定的，但是在欺诈活动，不准确的报告和错误的信息普遍存在的世界中，质量优先于数量和多样性。至关重要的是，可靠流量，高质量数据以及根据行业最佳实践对AI进行培训的重要性。

资料容量

尽管访问大量数据至关重要，但是处理这些数据量的基础结构，技术复杂性和专业知识也同样重要。从这个角度来看，投资先进的简化技术以提供必要的数据容量和可访问性是关键。

数据结果

综上所述，性能和结果可以说是最重要的特征。作为质量，多样性，容量，数量和新鲜度的贡献者并因此而致力发展。如果算法不能胜过人类并且不能提供卓越的结果(或以相当高的效率获得类似结果)，那么整个基础架构将变得多余。

演算法

最后，就像某些人的大脑具有广泛的功能一样，选择和测试最合适的算法至关重要。在未知空间中找到最佳勘探地点并利用已知的成功因素也很重要-因为在下游，机会有限，可以发挥最大的影响。只有在正确的时间范围内完成工作，才能取得完美的结果。因此，帕累托原则仍然是规则。应该优化算法，以在相关时间窗口内累积结果。