如果說經濟好的時候、壞的時候、不確定的時候、穩定的時候有一個不變的東西的話，那就是我們對大多數非結構化數據的依賴，以及我們從海量數據收集中得出的分析。非結構化數據是指當今公司的文檔、圖像、音頻和視頻文件、傳感器數據和研究數據。

想想監控和車載攝像頭視頻加上快速DNA分析來更快地破案，供應鏈分析來預測核心產品和服務的可用性，傳感器驅動的土壤和天氣條件分析來提高作物產量，或者客戶支持電話分析來改善產品和體驗。

現在，有了GenAI，以及它提供的一長串潛在的社會效益和風險。正是IT專業人員管理數據，并將存儲、保護和交付給用戶和應用程序的技術作為數據經濟的關鍵參與者。事實上，根據KomEnterprises《2023年非結構化數據管理狀況》調查，為AI做準備是首要的數據存儲優先事項，其次是云成本優化。

隨著我們進入2024年，公司將需要創新并更智能地使用AI。數據存儲和備份至少占IT預算的30%。我們下面的預測集中在優化AI和云技術的數據管理組件上，隨著GenAI開啟最終用戶生產力和技術熟練的新紀元，其具有長期的影響。

1、AI數據治理的多層次方法

KomEnterprises對IT決策者的調查發現，企業正在限制允許員工使用的工具和/或數據，這是重要的第一步，但AI數據治理需要一個戰略規劃。

GenAI創造了從隱私和安全到數據泄露、透明度、準確性、道德等諸多風險。IT不是依賴一個系統來管理這些不同的問題，而是需要部署多個AI安全工具層，從網絡級別開始，以防止AI工具訪問被阻止的數據或用戶將公司數據發送到未經授權的AI服務。

第二級保護位于數據級別，審核哪些數據被移動到哪里，何時由誰?移動，并在個人身份信息或敏感數據被共享時發出警報。最后，在用戶層可以存在一種安全機制，以便在用戶使用公司或敏感數據設計提示時發出警告，或者在提示可能泄露太多公司背景時提供反饋。跨混合云存儲對非結構化數據資產的可見性是保護數據和監控GenAI項目的基礎。

2、云遷移的財務運營專業知識

行業研究表明，管理云支出是企業面臨的一大挑戰，許多公司對這一支出或如何優化這一支出的可見性有限。?基本上，數據量繼續超過存儲，隨著數據老化，IT領導者需要經濟高效的數據選項，例如云對象存儲。

根據KomEnterprises的調查，雖然在2022年，27%的企業管理著10PB或更多的數據，但今年，這一數據密集型所有者的比例已躍升至驚人的32%。過度采購存儲容量以避免任何業務中斷、云資源利用不足和一刀切的存儲策略造成了大量浪費。

將財務運營融入日常實踐將是從云數據遷移中產生價值和投資回報的核心因素。?在2024年，IT將需要在遷移項目前后了解數據存儲成本和數據使用模式，并與上層管理人員清楚地溝通這些指標，以創建對云的認可。

采用分析優先方法進行非結構化數據管理的組織將避免云浪費，他們將能夠刪除重復和孤立的數據以及遷移前不再需要的數據，并可以將數據正確放置在適當的云層中，此分析應包括云存儲的多個層之間的明顯區別，這些云存儲具有自動化流程，可在數據過時時將其移動到低成本存儲，以最大限度地節省成本。

3、儲備IT專業人員的豐富技能

術語FinOps將成為2024年存儲架構師術語的一部分。隨著存儲變得更加以軟件和服務為中心，管理硬件的要求越來越低。相反，管理供應商、合同以及向部門和用戶提供安全、經濟高效的數據服務將占用存儲專業人員的大量時間。公司也不再是單一供應商的商店，存儲管理員必須能夠在不同的技術之間切換，而不是專攻一個平臺。

這需要在網絡、安全、云架構、成本建模和數據分析方面擁有更廣泛的技能和知識。“數據洞察工程師”或“數據管理架構師”等數據頭銜將取代特定于存儲的工作頭銜。在成熟的基礎設施團隊中，負責存儲的經理將與數據科學和AI團隊合作，采購支持AI的基礎設施，并設計數據分類和數據工作流到分析平臺的計劃。

4、AI的非結構化數據準備

有了成本優化和AI數據治理的戰略，IT部門就可以集中精力利用非結構化數據來滿足新的用例需求，非結構化數據包含AI的隱藏價值。

IT領導者將尋找自動化方法來分析非結構化數據、索引元數據并使用AI和機器學習來豐富/分類數據，這將使團隊能夠運行深入的分析，以發現并僅將正確的數據提供給AI應用程序，從而為研究人員和數據科學家節省大量手動工作。