咨询公司Rockborne首席实行官Waseem Ali表示，纵然有实践履历，事情也很随意马虎出错。“统统总是从数据开始的，如果你的数据不好，模型就不会好。”
相反他建议，很多时候，企业面临的寻衅不应该是想要用他们的第一个项目征服天下，而是前辈行试点，让他们能够走得更远。
检讨数据或数字项目的详细业务需求和哀求，讯问须要办理什么问题，须要查询什么“预感”，但首先要避免深入研究“全局影响”。
正如工业物联网专业公司Hexagon的AI卖力人Johannes Maunz所阐明的，从第一原则开始动手获取特定用例的数据。
Maunz说：“没有一个深度学习模型可以办理所有用例。快要况与须要改进的地方进行比较，须要捕获哪些可用数据？以小规模或有限的办法进行，仅针对那一个用例。”
Hexagon的方法常日侧重于自己的传感器，个中包含墙壁、窗户、门等建筑的数据。通过在浏览器中呈现的内容，Hexagon可以理解数据及其标准、格式、同等性等。
首先考虑企业已经拥有的、或者可以利用的、符合哀求的数据和数据集。这常日须要与法律和隐私团队密切互助，纵然在工业内部环境中也是如此。Maunz建议，要确保指定利用的数据不包含任何私人个人信息。然后，企业就可以构建他们想要利用的模型并对其进行演习——假设本钱和可行性都已经到位。
接下来，你须要决策点透明度，以及旗子暗记值来评估可用性、可行性和业务效果等成分，或者潜在表现与竞争对手比较的数据等。
对付企业目前没有的数据，可能须要一些互助伙伴或客户协商来获取。
Maunz表示：“坦率地说，人们是非常开放——但总要有一份条约。只有这样，我们才能开始我们常日所说的数据活动。有时候超过所需量的数据也是故意义的，这样企业就可以进行向下采样。”
数据质量和大略性至关主要
供应链咨询公司BearingPoint的合资人Emile Naus强调了对AI/ML数据质量的关注。要尽可能保持大略，繁芜性使精确的决策变得困难并且会危害结果——然后还有偏见和知识产权须要考虑。Naus补充说：“内部数据并不完美，但至少你可以理解它有多好。”
他警告说，与易于利用的2D线拟合乃至3D线拟合比较，由AI/ML驱动的繁芜多维线拟合可以带来更好的结果——优化生产、办理方案“配方”、最大限度地减少摧残浪费蹂躏等等——如果企业能够“自由”地获取所需的数据。
“和所有的模型一样，由于AI模型被用于构建另一个模型，而模型总是出错，因此数据管理是关键。你没有的部分实际上可能更主要，你必须弄清楚数据的完全性和准确性。”
邓白氏（D&B）数据和剖析高等副总裁Andy Crisp建议利用客户洞察和关键数据元向来建立数据质量标准和公差、丈量和监控。
Crisp表示：“例如，[客户想要的、或从我们这里得到的]数据也可能会为他们的模型供应信息，我们正在进行大约460亿次数据质量打算，获取我们的数据，然后可能根据这些标准再次进行打算，然后每月发布数据质量不雅观察结果。”
例如，通过特定标准，特定属性必须表现得足够好，才能通报给下一个团队，团队采取这些标准和公差、这些丈量和不雅观察点的结果，与数据管理部门互助获取、整理和掩护数据。
“花韶光干事并加深理解，别无他法。这就像，从切割一块木头开始，然后检讨长度，防止接下来你完备缺点地切割了50块木板。”
企业须要“知道什么是好的”，以提高数据性能和洞察力，然后将它们整合在一起。保持问题陈述的严谨性，缩小所需数据集的数据识别范围。细致的注释和元数据可以实现掌握数据集的管理，实现真正科学的方法，识别偏差并帮助最大限度地减少偏差。
严防将多个成分混为一谈的大胆陈述，确保要“测试到毁坏”，这是IT企业不想“快速行动并冲破常规”的一个领域。所有利用的数据都必须符合标准，而且必须不断检讨息争救。
“丈量和监控，补救和改进，”Crisp指出，邓白氏的质量工程团队是由环球约70名团队成员组成的，“高质量的工程能力将有助于减少幻觉等。”
Informatica北欧、中东和非洲地区副总裁Greg Hanson也认为，制订目标至关主要，可以帮助企业确定如何最好地利用韶光进行信息编目、信息整合、演习AI以支持结果所需的数据。
纵然是企业自己的数据常日也会分散并隐蔽在不同位置、云或本地环境中。
Hanson说：“对所有数据资产进行编目，理解这些数据所在的位置，也可以考虑利用AI来加快数据管理的速率。”
确保在采集数据之提高行管理
在AI引擎采集数据之前要履行所有的数据质量规则，并假设已经采纳了适当的管理和合规性。如果企业没有进行衡量、量化和修复，那么只会更快地做出错误决策，Hanson补充说：“记住：垃圾进，垃圾出。”
数据套件厂商Precisely的首席技能官Tendü Yogurtçu表示，根据规模和行业类型，企业可以考虑成立辅导委员会或跨职能委员会，帮助定义所有干系AI操持的最佳实践和流程。也可以通过识别团队之间的常见用例或模式来帮助加速进程，随着组织从试点和生产中学习，这些用例或模式本身也会持续发生变革。
数据管理框架可能须要扩展以涵盖各种AI模型。话虽如此，潜在的AI用例比比皆是。
“以保险行业为例。为了仿照风险和定价准确性，保险公司须要有关野火和大水风险、地块地形、地块内建筑物的确切位置、与消防栓的间隔以及与加油站等潜在危险点的间隔等详细信息，”Yogurtçu阐明说。
然而，咨询公司Slalom的高等数据和剖析卖力人Richard Fayers警告称，构建AI模型（尤其是天生式AI）可能会花费不菲。
“大概，在某些领域企业可以互助——比如法律或医学，我们开始看到代价的地方，便是当你用你的数据增强天生式AI的时候——你可以用各种方法来实现它。”
例如，在建筑领域，用户可以利用自己的数据集和文档来补充大型措辞模型，以供查询。类似做法还有票务搜索平台，平台可以智能地考虑一组基于自然措辞的标准，这些标准并非与元数据和标签逐一干系。
“例如，你可以利用一个票务平台来创造‘适宜儿童不雅观看的周末演出’，目前这种搜索类型是相称困难的，”Fayers说。
他说，纵然是ChatGPT之类的数据集构建和提示工程，为了实现更有“对话性”的方法，仍旧须要关注数据质量和管理，提示工程将成为一项需求兴旺的基本技能。