作者: Keith Belanger 作者: Keith Belanger 人工智能项目有方法表面化数据问题,数据团队曾经能够处理这些问题,这是因为分析数据允许广泛的错误差距,而人工智能只是没有。 人工智能的失败往往被视为实验性增长的痛苦,事实上,它们揭示了现有操作的弱点,令人不快的真相是,大多数数据组织在操作上没有做好人工智能的准备,无论他们的平台是多么现代或模型看起来多么复杂。 当第一个模型重新训练失败时,因为管道发生了变化,当没有人能解释为什么昨天的数据看起来与今天不同时,或者当“只需重新启动”成为对生产问题的默认响应时。 他说:“最重要的是,如果数据有问题,那么数据尚未为人工智能做好准备。 加特纳 加特纳 数据团队需要新的运营模式 多年来,大多数组织都生活在一个脆弱的妥协之中。如果管道偶尔破裂,他们可以及时修复,以满足截止日期。“足够好”的数据质量足够好。 这个模型依靠人,而不是系统来吸收复杂性。 以英雄主义为代价:手动检查,深夜和机构记忆从人到人非正式传递。 数据团队 数据团队 当交付从每周发布转移到每天多个部署时,分析数据时代的方法会崩溃。 模型不断地消耗数据,假设一致性,并放大即使是小偏差. 没有停止按钮来手动检查或谈论部落知识。 “AI-Ready”是可实现和可测量的 组织不再可以根据信任或工具来声明准备状态,他们需要开始通过连续的验证、分配、分数、规则和生产执法来证明。 因为“AI-ready”不仅仅是一种感觉,它是一种可测量的状态,AI-ready数据是: 可靠 及时 统治 观察 可再生 这种数据质量的演变不仅需要善意或最佳实践文档,还需要系统,其设计是通过默认方式执行可靠性,可以提供数据可靠性的持续证据。 真正的瓶颈是操作的,不是技术的 大多数企业已经拥有强大的数据平台,他们所缺少的就是以AI速度一致地运转这些平台。 手动过程不会扩展,因为人类只有如此多的注意力。 人工智能工作负载需要可重复性和信心,即数据将像昨天那样行为,而当它不这样做时,它会立即被标记并修复。 软件工程多年前就面临了这个问题,随着系统变得更加复杂,释放周期加速,手动流程和人类警惕停止了扩展,DevOps通过实现自动化,测试,可观察性和可重复交付来改变游戏。 软件工程多年前就面临了这个问题,随着系统变得更加复杂,释放周期加速,手动流程和人类警惕停止了扩展,DevOps通过实现自动化,测试,可观察性和可重复交付来改变游戏。 DataOps提供数据团队相同的操作严谨性,这有助于将软件团队引入21世纪。 数据现在处于相同的转折点。 数据现在处于相同的转折点。 运营化信任是前进的唯一途径 成功使用AI的组织将是那些 . treat data trust as an operational discipline 将数据信任视为操作纪律 这意味着数据管道需要连续观察,自动管理,并在AI准备的生产中得到证明。 . 数据产品 数据产品 模型在生产中停滞不前,对输出的信心受到侵蚀,团队不再信任他们所构建的系统。 通过拥抱来满足AI的时刻 并将您的数据运用到旨在以AI速度提供信任的系统中。 DataOps 纪律 DataOps 纪律 此文章发表在 HackerNoon 的商业博客计划中。 此文章发表在 HackerNoon 的商业博客计划中。 这个故事发表在HackerNoon的 . 商业博客计划 商业博客计划 商业博客计划
