人們如今只能處理10%的結構化數據，而剩下的都是大量未被標記的信息，機器不能以建設性的方式使用。例如，電子郵件就是非結構化的數據，而電子表格等內容被認為是被標記的結構化數據，并且可以被機器成功掃描。

 

這看起來似乎并不成問題，但如果人們期望人工智能可以更好地應用在醫療保健，無人駕駛汽車，家庭生活等行業領域，這就需要擁有整潔有序的數據。具有諷刺意味的是，人們已經非常擅長創建內容和數據，但還沒有找到一種方法來準確地利用數據來滿足人們的需求。

 

 

數據科學是過去幾年積累了大量數據的領域之一，越來越多的數據科學家致力于解決這一混亂問題，這是很自然的。然而，最近的一項調查顯示，與人們的觀點相反，數據科學家花費在構建算法和挖掘數據模式上的時間少了很多，而是在開展所謂的數字清理工作，也就是清理和組織數據。正如人們所看到的，這些數據肯定不利于有著光明未來的人工智能發展和應用。

 

人們在預測人工智能的發展時顯然沒有考慮到這樣一個事實，即雖然機器可以成功替代為模式挖掘數據的少數一些數據科學家，但他們可能無法取代絕大多數致力于研究數據的科學家，而他們大部分時間都在收集、清理和組織這些數據。當然，最好從一開始就以更加整體的方式收集數據，而不是分配太多時間和資源來追溯和修復這些數據。幸運的是，人工智能領域的領導者已慢慢地達成了這種共識，利用他們的技能和影響力，改變了數據科學的走向，并將其與人工智能聯系起來。

 

 

人們都聽說過人工智在某些方面超越人類的報道，例如世界水平最高的圍棋大師被谷歌的AlphaGo人工智能擊敗。然而，這只能說明人工智能可以在小眾的任務中取得驚人的成果，但其總體能力仍然與人類的能力無法匹敵。人工智能根本無法處理很多微妙的、具有邏輯的步驟和措施。

 

在處理財務申報和法律法規方面，人工智能的局限性更加明顯。其遇到的問題與其他地方一樣。只要人工智能機器沒有提供結構化數據，如標準化合同，人工智能就會感到非常困惑。這意味著目前還需要數據科學家來解決這個問題。

 

 

高素質的數據分析師的聘用成本很高，這使得這一領域的進步更加困難。關鍵是要通過采用可簡化流程的技術進行收集和建模。

 

另一個關鍵方面是多個部門需要共同努力解決大數據所帶來的問題。財務和技術專家需要攜手合作，從一開始就正確識別他們收集的數據的潛在缺陷。這些專家解決問題的方式也應該進行注冊，以便通過機器成功復制。其目標是創建質量保證算法，以確定過去與錯誤相關的模擬結果。人們能夠創建的模型越多，數據錯誤和違規的空間就越小。

 

 

無論人工智能的發展方向是什么，也許為人類帶來更多的好處或壞處，但有一點是肯定的：人工智能如果沒有大數據，終將一事無成。人們已經從日常生活中得到了很多例子，這些例子很可能認為是理所當然的，這證明了人工智能存在的必要性。以Cortana或Siri為例，他們能夠理解人們提出的問題和疑問，只是因為他們獲得了無窮無盡的信息，幫助它們理解人們的自然語言。谷歌搜索引擎似乎已經成為無所不知的力量，對每個人都非常了解，這是因為人們在其搜索引擎上每天都有大量的日志。為此，企業也能夠做出準確的報告，例如那些可以使用相關工具識別網站的報告，這歸功于數據最初收集的整潔性。

 

由于人工智能與大數據密切相關，因此只有通過清晰的結構化數據才能更好地處理這些，從而改善人們的生活。幸運的是，人們正在逐漸了解人工智能發展背后的需求。這就是為什么人們看到數據科學家的工作方式在資金、工資、工具和設備方面有所改進的原因。

 

這種意識正在全球范圍內逐漸普及，使企業和專家能夠相互合作，以便更有效地收集數據，建立可進一步幫助機器清潔和構造數據的模型，并為未來的發展奠定基礎。了解人工智能和大數據的問題出在哪里，意味著其問題已經解決了一半。

 

版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。