2024 年 8 月 6 日
数据基础知识，Dataiku 产品
凯蒂·格拉索
企业分析和 IT 领导者每天面临的难题并非小事。我们谈论的是云资源没有得到更有效利用的挫败感、对桌面上进行的大量不受管控的分析工作的担忧、孤立而分散的工作流程（更不用说这些不同工作流程所用工具的数量之多），以及——最后但绝对不是最不重要的——看到生成式人工智能实施的价值，但难以大规模地采取行动和管理该技术。
在我们与 Cognizant 联合对 200 名高级 加拿大 Whatsapp 数据 分析和 IT 领导者进行的调查报告中，我们重点介绍了所有这些挑战并提供了解决这些挑战的途径。当我们询问受访者他们在数据基础设施方面面临的主要挑战时，45% 的人提到了数据质量和可用性。这是一个古老的故事，尤其是在生成式人工智能时代，它比以往任何时候都更有分量。
数据质量差会导致大型语言模型 (LLM) 从不正确、有偏见或不完整的信息中学习，从而产生有缺陷或有偏见的输出。这可能会破坏生成式人工智能应用程序的可信度和有效性，影响其在用户中的采用和信任。因此，我们已经确定组织需要以一种允许分析和人工智能蓬勃发展的方式解决数据质量问题。但是，还有哪些数据基础设施问题让分析和 IT 领导者夜不能寐？继续阅读，了解我们最终报告中未曾提及的见解。
人们对于安全性、计算可扩展性和数据访问的担忧依然存在