人工智能：新冠疫情加速其采用的三種方式
在過去的幾年里，企業需要快速創建新的商業模式和營銷渠道，這加速了人工智能的采用。在醫療保健領域尤其如此，數據分析加速了新冠疫苗的開發。在消費包裝商品方面，哈佛商業評論報道稱，Frito-Lay公司在短短30天內創建了一個電子商務平臺Snacks.com。
新冠疫情還加速了人工智能在教育中的采用，因為學校被迫在一夜之間啟用在線學習。只要有可能，世界就會轉向“非接觸式”交易，徹底改變銀行業。
新冠疫情期間的三項技術發展加速了人工智能的采用：
- 持續廉價的計算能力和存儲
- 新的數據架構
- 新數據源的可用性
人工智能發展的利弊
以下了解這些發展對IT領導者的利弊。
1.持續廉價的計算能力
即使在摩爾定律之后的60年，計算能力也在不斷提高，通過NVidia等公司的新芯片，有了更強大的機器和更多的處理能力。AIImpacts報告稱，“在過去的25年中，每美元可用的計算能力可能大約每四年增加十倍（以FLOPS或MIPS衡量）。”然而，在過去的6-8年中，這一速度有所放緩。
優點：事半功倍
廉價計算為IT領導者提供了更多選擇，使他們能夠事半功倍。
缺點：太多的選擇會導致浪費時間和金錢
考慮大數據。借助廉價的計算，IT專業人員希望發揮其強大功能。人們希望開始攝取和分析所有可用數據，從而獲得更好的洞察力、分析和決策。
但是如果不小心，最終可能會得到巨大的計算能力，而沒有足夠的實際業務應用程序。
隨著網絡、存儲和計算成本的下降，人類傾向于更多地使用它們。但它們不一定能為所有事物帶來商業價值。
2.新的數據架構
在新冠疫情之前，“數據倉庫”和“數據湖”這兩個術語是標準的此。但是像“數據結構”和“數據網格”這樣的新數據架構幾乎不存在。DataFabric支持人工智能采用，因為它使企業能夠通過自動化數據發現、治理和消費來使用數據來最大化其價值鏈。無論數據位于何處，企業都可以在正確的時間提供正確的數據。
優點：IT領導者將有機會重新思考數據模型和數據治理
它提供了一個逆向集中式數據存儲庫或數據湖的趨勢的機會。這可能意味著在最相關的地方有更多的邊緣計算和數據可用。這些進步導致適當的數據可以自動用于決策——這對人工智能的可操作性至關重要。
缺點：不了解業務需求
IT領導者需要了解新數據架構的業務和人工智能方面。如果他們不知道業務的每個部分需要什么——包括數據的類型以及數據的使用地點和方式——他們可能無法創建正確類型的數據架構和數據消費以獲得適當的支持。IT對業務需求以及與該數據架構配套的業務模型的理解至關重要。
3.新的數據源
Statista研究強調了數據的增長：2020年，全球創建、捕獲、復制和使用的數據總量為64.2澤字節，預計到2025年將達到180澤字節以上。2022年5月的Statista研究報告稱，“增長是由于新冠疫情導致需求增加，因此高于之前的預期。”大數據源包括媒體、云計算、物聯網、網絡和數據庫。
優點：數據很強大
每個決策和事務都可以追溯到數據源。如果IT領導者可以使用AIOps/MLOps將數據源歸零以進行分析和決策，那么他們就獲得了授權。適當的數據可以提供即時的業務分析，并為預測分析提供深刻的見解。
缺點：怎么知道要使用哪些數據？
被來自物聯網、邊緣計算、格式化和非格式化、智能和難以理解的數據所包圍——IT領導者正在處理80/20規則：提供80%業務價值的20%可信數據源是什么？您如何使用AI/ML操作來確定可信的數據源，以及應該使用哪些數據源進行分析和決策？每個企業都需要找到這些問題的答案。
核心人工智能技術正在自行進化
人工智能正變得無處不在，由新算法和越來越豐富且廉價的計算能力提供支持。70多年來，人工智能技術一直走在進化的道路上。新冠疫情并沒有加速人工智能的發展；它加速了它的采用。
