影响2020年人工智能（AI）的未来围绕着AI旨在管理的资产：原始数据。

几乎所有行业和行业的企业都将继续利用AI和机器学习（ML）工具，以保持在竞争中的领先地位。数据将决定AI和ML生成的输出的有用性，以及作为企业AI解决方案基础的算法的准确性和强度。
成功管理数据质量和数量的公司和个人将发现，在未来十年中，他们的AI和ML系统的性能将超过竞争对手。

2020年企业AI预测

• 在2020年以及整个十年中，人工智能或机器学习解决方案和集成工具将能够促进业务运营的几乎所有方面，创造创新并改善业务成果。




• 到2020年，至少有三分之一的新企业解决方案将采用内置的AI或ML算法，以改善重要的业务流程。这几乎包括所有类型的企业软件。




• 但是，这些AI或ML工具很少会在其行业或垂直行业内造成破坏或改变游戏规则的效果。




• AI或ML算法将越来越多地重新定义企业软件用户体验（UX）和用户界面（UI）。解决方案中约20％的用户交互将通过计算机视觉，自然语言处理（NLP），语音识别，增强现实（AR）或虚拟现实（VR）和手势界面来增强。




• 在2020年最后几个月附近，大约10％的客户体验（CX）和人才管理软件将集成深度个性化功能，例如对产品和服务的建议，以及号召性用语（CTA）建议和客户设计方面的内容，面对功能。




• 数据对于AI，ML和其他数据密集型工作的重要性将继续增长。

数据为企业AI之王

数据将在2020年和可预见的未来推动AI工具的使用和开发。无论AI或ML解决方案的功能如何，数据都会驱动有助于人类决策的流程。现有的工具（例如图像识别AI）执行以前仅由人类执行的任务和过程。训练这种类型的AI或ML工具需要大量的视觉数据，这不仅可以识别图像的内容，还可以根据输入到算法中的视觉数据提出建议。
重要的任务和流程已经移交给AI工具，包括来自Microsoft等供应商的互联网安全威胁防护，自动驾驶汽车的图像识别以及用于商业智能目的的可用数据分析。连接这些算法的一个共同点是需要大量数据来推动这些软件功能的功能。
例如，考虑一个旨在帮助医生识别X射线图像中的癌性肿瘤的AI或ML工具。该工具需要数十万次高质量扫描来训练算法，以及来自患者诊断的准确数据。AI或ML涉及的各种数据包括：

• 语音和其他类型的声音。

• 静态图像和录像。

• 热量，压力，振动和亮度数据。

• 有机和非有机化学数据。

• 由数字和模拟源生成的数据。

由于AI或ML只能与输入到工具中的数据一样好，因此数据变得比工具本身同样重要（如果不是那么重要）。大量高质量的训练数据创建的算法更有可能得出适当的结论。在训练了AI和ML解决方案之后，馈入这些算法工具的数据质量使AI能够准确地读取，分析和确定结果。
培训数据和输入数据不足会给使用AI或ML工具的企业带来不幸的情况。

AI数据质量差或数据不足的后果

如果企业不使用适当的数据来训练和提供其AI和ML算法，则企业将面临以下问题：

• AI和ML工具越来越令人沮丧，因为它们被要求在处理更复杂的场景时更频繁地做出更重要的决策。




• 当AI不符合现有法律时的法律风险。例如，辅助招聘的AI工具必须遵守劳动法，同时又要遵守公司原则。




• 用错误或不完整的数据训练的算法可能导致偏见和有偏见的决策制定，尤其是在得出歧视性结论时。

• 如果没有扎实的数据基础，黑匣子式AI可能会蓬勃发展，从而掩盖了AI采取行动的理由。

• 影子IT系统的扩散超出了公司的监管范围，部分原因是无代码或低代码的AI工具。

• 由于质量和数量不足的数据而导致的AI错误导致的事故和代价高昂的错误。




• 训练数据不佳可能会使AI系统通过欺骗算法的对抗性数据遭受攻击。




• 越来越多的压力和要求监视，认证和规范AI工具及其使用的扩散，这可能会阻碍此类技术的发展。

数据是驱动AI引擎的动力，尤其是在AI或ML算法的改进方面。输入到学习算法中的劣质数据将导致工具无法提供预期的结果。不良的数据质量可能导致许多不良后果，包括错误的决策，违法性，效率低下以及AI得出的不合逻辑的结论。还必须制定规则，以确保一切都根据企业及其客户的最佳利益进行。

能够汇总数据并从数据中传递价值的供应商将在2020年及以后的竞争中脱颖而出。重要的是不仅要收集数据，还要从数据中得出有意义的结果。因此，随着AI工具可用性的提高，数据的重要性将继续增长。