“垃圾进，垃圾出”是大多数企业现在熟悉的短语。糟糕的数据质量可能导致不正确或误导性的输出 ，破坏对人工智能的信任并扼杀商机 。
数据分析巨头Qlik的首席执行官迈克·卡彭表示 ，人工智能的成功始于数据掌握：“今天，随着无限的计算能力和生成人工智能的进步 ，我们有能力以惊人的速度吐出垃圾 ，”他警告说 。
卡彭上周在佛罗里达州的Qlik Connect上发表了讲话。Qlik Connect是来自供应商庞大客户群的行业领导者和开发人员的聚会 。此次活动的关键信息是道德和负责任地实施人工智能的迫切需要 。
他解释说，数据质量决定了未来利用人工智能和分析价值的能力 ，但他认识到管理数据质量是他的客户面临的主要挑战之一 ，也是阻碍他们中的许多人扩展人工智能用例的一个因素。
卡彭在麦肯锡最近的一项调查中强调了他的观点，该调查发现 ，超过70%的领先组织表示 ，管理数据是他们最大的增长抑制剂之一 。
建立人工智能治理
企业如何负责任地采用人工智能？市场分析师国际数据公司首席研究官梅雷迪思·惠伦在活动中表示，公司可以从建立人工智能治理框架开始 ，帮助他们在追求新的人工智能技术和负责任的发展之间取得平衡 。
Whalen还建议成立一个由不同专家组成的人工智能委员会 ，为模型透明度和数据完整性提供指导和制定实践。
她表示：“我们的数据显示，各组织目前都专注于模型透明度准则和数据完整性实践 。这很重要，因为透明度和可解释性将在用户和利益相关者之间建立信任 。 ”
惠伦还强调了正式员工道德和负责任的人工智能使用培训的重要性 ，尤其是在安全方面 ，她认为这是每个人的责任。
人工智能委员会聚集
什么是AI委员会？在内部，Qlik对AI委员会很感兴趣 ，本质上是一群多元化的专家 ，他们为AI实施提供指导，专注于模型透明度和数据完整性 。
委员会还可以帮助确保人工智能开发符合道德标准 ，并在用户和利益相关者之间建立信任 。
科技企业家和宣布为人工智能专家的Nina Schick是Qlik自己的人工智能委员会的成员 ，她建议人工智能委员会还可以帮助验证人工智能生成的内容以保证其完整性。
这种机构还可以促进行业和政府之间的讨论，以制定平衡创新与公平和社会影响的政策。
Schick表示 ，人工智能委员会还可以汇集来自各个部门的专家 ，讨论人工智能的未来，并确定必要的行动以促进负责任的开发和采用 。
Schick强调计算能力和数据是推动人工智能革命的两大基本资源 ，他认为 ，虽然计算能力呈指数级增长，但数据现在是为人工智能提供动力的“新石油 ” 。
她认为，公司必须优化、编纂和整合他们的数据 ，以构建主权人工智能 ，并拥有他们专有智能的生产。希克声称这对人工智能时代的成功至关重要：“在我看来，未来的所有公司都将是人工智能优先的公司 ，他们将构建自己的主权人工智能 。”
实施人工智能：5个实践阶段
Qlik Connect围绕负责任和有效地实施人工智能的共识归结为五个实际步骤 。
第一个涉及确保数据集成和质量控制。为了保持高质量 ，所有数据都需要集成、转换和管理 。企业还需要整合来自不同来源的数据，通过严格的质量控制措施确保其完整性 。
只有拥有高质量的数据 ，人工智能才能产生可靠的结果。正如梅耶尔所说：“没有好的数据策略 ，你就不可能有人工智能策略 。 ”
第二步是成立人工智能委员会（如前所述），以制定透明度和数据完整性实践 ，并为员工提供定期道德培训 。
了解数据来源和保持严格的治理至关重要。透明度在用户和利益相关者之间建立信任 ，他们知道驱动AI决策的数据经过了充分审查 。
第三步是促进透明度和问责制，利用指标建立对人工智能系统的信任 。公平访问全面 、可信的数据至关重要。所有利益相关者都应该依赖同一个数据池来确保人工智能结果的一致性和可靠性。正如卡彭所说：“你需要为每个人访问完整和可信的数据 。 ”
采用敏捷方法是本次活动的第四个关键学习 。公司需要确保随着人工智能技术的发展不断学习和调整政策。
这包括尝试新技术 ，同时保持符合道德和市场需求 。
IDC的Whalen警告称：“如果你所在的组织厌恶风险 ，或者因为担心人工智能的风险而犹豫是否要开始，那么最大的风险就是什么都不做 。你的竞争对手正在进行试验。”
最后一条建议，更多的是预测 ，来自Qlik的市场准备副总裁Martin Tombs 。他建议专注于特定业务应用的人工智能 ，而不是通用的人工智能模型 。他补充说，这些模型需要不断验证 ，以随着时间的推移建立信任。
“要获得对非结构化数据的信任 ，就要缩短爆炸半径，专注于业务 。我预测 ，我们将从更通用的LLM开始 ，然后发展为特定领域的LLM 。会有特定于呼叫中心 、支持团队、销售人员等的LLM。当它是一个准确的答案时，信任就会到来 。 ”
