那些從事機器學習（ML）項目的人都知道ML需要大量數據來訓練所得算法。有人會說您永遠不會擁有太多數據。數據量和生成的ML模型的復雜程度之間通常存在相關性。隨著AI向新的利益池發展，同時利用更復雜的AI功能，這種數據饑渴只會變得更加強烈。由于人工智能的復雜性還存在其他促成的趨勢，因此組織面臨的問題是：“他們是否擁有正確的數據來推動成功的AI工作？” 如果他們沒有足夠的資源，他們是否應該在期待AI盛宴的情況下庫存更多？

組織收集的所有大數據不可能都是正確的數據，但是了解AI的去向將使組織在AI的發展和未來幾十年的收集和收集更多正確數據方面具有“立足點”。

人工智能的進步改變了數據游戲

雖然ML需要大量數據來自我修改其行為，但隨著AI功能復雜性的提高，AI的需求也迅速增加。從機器學習到深度學習（DL）邁出了一大步，因為DL比ML需要更多的數據。原因是DL通常只能識別神經網絡各層之間的概念差異。當暴露給數百萬個數據點時，DL確定概念的邊緣。DL允許機器像人的大腦一樣通過神經網絡來表示概念，從而可以解決更復雜的問題。人工智能還可以解決答案更加不確定或模棱兩可的模糊問題。這些通常是判斷或識別問題，可以擴展到創作或其他右腦活動。這又需要更多數據，

從數據驅動到結果驅動的轉變

隨著AI在其協助或解決的復雜問題中不斷發展，它將成為數據驅動和目標/結果驅動的。這意味著AI可能會即時請求解決特定問題或進行特定推論所需的數據，從而使數據管理變得復雜。它可能涉及解決方案的歸納數據驅動部分與基于達到目標的假設的數據演繹需求的交互。對于面向結果的問題，需要進行這種動態交互。這與僅查詢數據以尋找有趣的事件和模式有很大不同。決策驅動方法恰好適合這兩種截然不同的方法。通過將數據與結果進行匹配，一些決策將集中在運營上并加以改進。在歸納法和演繹法上都會有更多的戰略決策。這只是增加數據使用量的另一個需求渠道。

不斷變化的問題范圍影響數據需求

AI解決方案的范圍通常會從狹窄的領域開始，并隨著時間的流逝而擴大到更大的范圍，因此需要更多數據。復雜解決方案通常針對多個答案，并且需要更多數據來支持支路解決方案集，從而導致復雜/混合結果。隨著決策，行動和結果的范圍跨越組織內部和外部的更多上下文，將需要獲取更多數據以了解每種上下文及其相互作用。這些上下文中的每一個都可能以不同的速率變化和變形，因此，需要更多的數據。

凈; 凈：

顯然，更多數據將成為AI輔助解決方案的標志。數據需求可能來自更具挑戰性的問題，高級AI /分析的更好利用或端到端價值鏈的增長。有一件事情是肯定的。組織最好為“ AI /數據交互”的新世界做好準備。它可以更改或擴展數據管理策略，方法，技術或技術。請參閱圖1，以查看交互可能性。