推动各行业实现数据智能的创新突破
真正的数据智能不仅仅依赖于建立正确的数据基础。组织正在努力克服对高技术人员的依赖，并在使用生成式人工智能时创建数据隐私和组织控制框架。具体而言，组织希望使所有员工能够使用自然语言从公司自身的数据中提取可操作的见解；大规模利用这些数据来训练、构建、部署和调整安全的大型语言模型（LLM）；并将数据智能融入每个业务流程中。
在数据智能的下一个前沿领域，组织将通过人工智能的民主化实现价值最大化，同时在行业背景下通过人员、流程和技术实现差异化。本文基于对600名技术领导者的全球跨行业调查以及对技术领导者的深度访谈，探讨了跨行业正在建立和利用的基础，以实现数据和人工智能的民主化。报告的主要发现如下：
-
实时访问数据、流媒体和分析是每个行业的优先事项。由于数据驱动决策的力量及其改变游戏规则的潜力，首席信息官需要无缝访问所有数据，并能够实时从中提取见解。72%的受访者表示，实时数据流分析和行动的能力对他们的总体技术目标“非常重要”，而20%的受访者认为这“有些重要”。这在零售中可能表现为实时推荐，在医疗分诊中则可能用于确定最佳行动。
-
所有行业的目标是统一数据和人工智能治理模型。对数据和人工智能资产治理的单一方法的期望非常强烈：60%的受访者表示，对数据和人工智能的内置治理的单一方法“非常重要”，38%的受访者表示“有点重要”。这表明许多组织正在与碎片化或孤立的数据架构作斗争。每个行业必须在其独特的记录系统、数据管道以及安全性和合规性需求的背景下实现这种统一治理。
-
行业数据生态系统和跨平台共享将为人工智能主导的增长提供新的基础。技术领导者在每个行业都看到了跨行业生态系统的技术不可知数据共享的前景，以支持人工智能模型和核心业务，从而推动更准确、更相关和更有利可图的结果。例如，保险公司和零售商的技术团队旨在获取合作伙伴的数据，以支持在线市场上的实时定价和产品提供决策，而制造商则将数据共享视为持续优化供应链的重要能力。64%的受访者表示，跨平台共享实时数据的能力“非常重要”，31%的受访者表示“有点重要”。此外，84%的受访者认为，管理数据集、机器学习模型和笔记本的中央市场非常或有些重要。
-
跨云保留数据和人工智能灵活性与所有垂直领域产生共鸣。在垂直行业中，63%的受访者认为，利用多个云提供商的能力至少在某种程度上是重要的，70%的受访者对开源标准和技术持相同看法。这与56%的受访者认为跨商业智能和人工智能管理结构化和非结构化数据的单一系统“非常重要”的发现是一致的，40%的受访者认为这“有点重要”。高管们正在优先考虑安全、无损地访问组织的所有数据，无论其类型或来源。
-
行业特定需求将推动生成式人工智能用例的优先级和速度。对于制造业的受访者来说，供应链优化是价值最高的人工智能用例；而在公共部门，实时数据分析和见解则是关键；在机电一体化领域，个性化和客户体验是重点；电信行业则关注质量控制。生成式人工智能的采用不会是一刀切的；每个行业都在采取自己的策略和方法。然而，价值创造将依赖于对数据的访问以及人工智能在企业生态系统中的渗透。
在人员、流程和技术上最大化人工智能的价值和影响是各行各业的共同目标。然而，行业差异值得密切关注，因为它们对如何将智能注入数据和人工智能平台的影响显著。无论是推动全渠道销售的零售助理，追求真实世界证据的医疗从业人员，分析风险和不确定性的精算师，诊断设备的工厂工人，还是评估网络健康的电信领域代理，人工智能所支持的语言和场景在每个行业的前线都会有很大的不同。
下载报告。
本文内容由《麻省理工科技评论》的定制内容部门Insights制作，并非由《麻省理工科技评论》的编辑人员撰写。
