找和獲取構建企業數據集所需的數據，這對于那些希望構建自己的AI模型的組織來說是可能是最關鍵的一項任務。

咨詢公司Rockborne首席執行官Waseem Ali表示，即使有實踐經驗，事情也很容易出錯。“一切總是從數據開始的，如果你的數據不好，模型就不會好。”

相反他建議，很多時候，企業面臨的挑戰不應該是想要用他們的第一個項目征服世界，而是先進行試點，讓他們能夠走得更遠。

檢查數據或數字項目的具體業務需求和要求，詢問需要解決什么問題，需要查詢什么“預感”，但首先要避免深入研究“全局影響”。

正如工業物聯網專業公司Hexagon的AI負責人Johannes Maunz所解釋的，從第一原則開始著手獲取特定用例的數據。

Maunz說：“沒有一個深度學習模型可以解決所有用例。將現狀與需要改進的地方進行比較，需要捕獲哪些可用數據？以小規模或有限的方式進行，僅針對那一個用例。”

Hexagon的方法通常側重于自己的傳感器，其中包含墻壁、窗戶、門等建筑的數據。通過在瀏覽器中呈現的內容，Hexagon可以了解數據及其標準、格式、一致性等。

首先考慮企業已經擁有的、或者可以使用的、符合要求的數據和數據集。這通常需要與法律和隱私團隊密切合作，即使在工業內部環境中也是如此。Maunz建議，要確保指定使用的數據不包含任何私人個人信息。然后，企業就可以構建他們想要使用的模型并對其進行訓練——假設成本和可行性都已經到位。

接下來，你需要決策點透明度，以及信號值來評估可用性、可行性和業務效果等因素，或者潛在表現與競爭對手相比的數據等。

對于企業目前沒有的數據，可能需要一些合作伙伴或客戶協商來獲取。

Maunz表示：“坦率地說，人們是非常開放——但總要有一份合同。只有這樣，我們才能開始我們通常所說的數據活動。有時候超過所需量的數據也是有意義的，這樣企業就可以進行向下采樣。”

數據質量和簡單性至關重要

供應鏈咨詢公司BearingPoint的合伙人Emile Naus強調了對AI/ML數據質量的關注。要盡可能保持簡單，復雜性使正確的決策變得困難并且會損害結果——然后還有偏見和知識產權需要考慮。Naus補充說：“內部數據并不完美，但至少你可以了解它有多好。”

他警告說，與易于使用的2D線擬合甚至3D線擬合相比，由AI/ML驅動的復雜多維線擬合可以帶來更好的結果——優化生產、解決方案“配方”、最大限度地減少浪費等等——如果企業能夠“自由”地獲取所需的數據。

“和所有的模型一樣，因為AI模型被用于構建另一個模型，而模型總是出錯，因此數據治理是關鍵。你沒有的部分實際上可能更重要，你必須弄清楚數據的完整性和準確性。”

鄧白氏（D&B）數據和分析高級副總裁Andy Crisp建議使用客戶洞察和關鍵數據元素來建立數據質量標準和公差、測量和監控。

Crisp表示：“例如，[客戶想要的、或從我們這里獲得的]數據也可能會為他們的模型提供信息，我們正在進行大約460億次數據質量計算，獲取我們的數據，然后可能根據這些標準再次進行計算，然后每月發布數據質量觀察結果。”

例如，通過特定標準，特定屬性必須表現得足夠好，才能傳遞給下一個團隊，團隊采用這些標準和公差、這些測量和觀察點的結果，與數據管理部門合作獲取、整理和維護數據。

“花時間做事并加深理解，別無他法。這就像，從切割一塊木頭開始，然后檢查長度，防止接下來你完全錯誤地切割了50塊木板。”

企業需要“知道什么是好的”，以提高數據性能和洞察力，然后將它們整合在一起。保持問題陳述的嚴謹性，縮小所需數據集的數據識別范圍。細致的注釋和元數據可以實現控制數據集的管理，實現真正科學的方法，識別偏差并幫助最大限度地減少偏差。

謹防將多個因素混為一談的大膽陳述，確保要“測試到破壞”，這是IT企業不想“快速行動并打破常規”的一個領域。所有使用的數據都必須符合標準，而且必須不斷檢查和補救。

“測量和監控，補救和改進，”Crisp指出，鄧白氏的質量工程團隊是由全球約70名團隊成員組成的，“高質量的工程能力將有助于減少幻覺等。”

Informatica北歐、中東和非洲地區副總裁Greg Hanson也認為，制定目標至關重要，可以幫助企業確定如何最好地利用時間進行信息編目、信息整合、訓練AI以支持結果所需的數據。

即使是企業自己的數據通常也會分散并隱藏在不同位置、云或本地環境中。

Hanson說：“對所有數據資產進行編目，了解這些數據所在的位置，也可以考慮使用AI來加快數據管理的速度。”

確保在采集數據之前進行治理

在AI引擎采集數據之前要實施所有的數據質量規則，并假設已經采取了適當的治理和合規性。如果企業沒有進行衡量、量化和修復，那么只會更快地做出錯誤決策，Hanson補充說：“記住：垃圾進，垃圾出。”

數據套件廠商Precisely的首席技術官Tendü Yogurt?u表示，根據規模和行業類型，企業可以考慮成立指導委員會或跨職能委員會，幫助定義所有相關AI計劃的最佳實踐和流程。也可以通過識別團隊之間的常見用例或模式來幫助加速進程，隨著組織從試點和生產中學習，這些用例或模式本身也會持續發生變化。

數據治理框架可能需要擴展以涵蓋各種AI模型。話雖如此，潛在的AI用例比比皆是。

“以保險行業為例。為了模擬風險和定價準確性，保險公司需要有關野火和洪水風險、地塊地形、地塊內建筑物的確切位置、與消防栓的距離以及與加油站等潛在危險點的距離等詳細信息，”Yogurt?u解釋說。

然而，咨詢公司Slalom的高級數據和分析負責人Richard Fayers警告稱，構建AI模型（尤其是生成式AI）可能會花費不菲。

“也許，在某些領域企業可以合作——比如法律或醫學，我們開始看到價值的地方，就是當你用你的數據增強生成式AI的時候——你可以用各種方法來實現它。”

例如，在建筑領域，用戶可以使用自己的數據集和文檔來補充大型語言模型，以供查詢。類似做法還有票務搜索平臺，平臺可以智能地考慮一組基于自然語言的標準，這些標準并非與元數據和標簽一一相關。

“例如，你可以使用一個票務平臺來發現‘適合兒童觀看的周末演出’，目前這種搜索類型是相當困難的，”Fayers說。

他說，即使是ChatGPT之類的數據集構建和提示工程，為了實現更有“對話性”的方法，仍然需要關注數據質量和治理，提示工程將成為一項需求旺盛的基本技能。