转型与人工智能 云企业战略博客
AI 与数字化转型的关系
by Mark Schwartz on 2023年7月12日 in人工智能 生成式人工智能 生成式人工智能生成式商业智能 思想领导力 永久链接评论 分享
关键要点
人工智能AI并不改变数字化转型的本质,但要求我们以新的方式看待数据和技术。转型旨在提高企业在面对变革时的敏捷性,而AI的引入验证了这一理念的重要性。企业需要克服许多数据整合的挑战,才能充分利用生成式AI带来的机遇。数字化转型的最终目标是实现持续创新,而这种创新能力是生成式AI成功应用的关键。在过去的几年中,我们一直在积极推进转型的进程。如今,人工智能AI这股浪潮又将我们的注意力拉向了另一个方向。那它与我们的转型还有何关系呢?我们是否需要改变或重新思考我们的转型计划?
简单来说,答案是“不需要”,但其中也有一些细微之处。我们转型的目的在于提升面对变化时的敏捷性,并接受未来将会经历重大变化与冲击的现实。AI所引发的关注仅仅是对这一信念的进一步印证。你可以自我测试一下:你的公司能否迅速有效地应对AI所带来的突发干扰?如果答案是肯定的,那么你的转型进程可能比你想象中要领先。正如我们一直所说,适当的回应需要建立灵活的治理流程、实验的能力、创新的文化,以及对良好实践、安全性和弹性的自动化管理。
深入探讨,我发现AI将要求我们运用那些在转型过程中可能尚未被充分利用的能力。几天前,我观看了一场精彩的演讲,讲述了一家公司如何利用生成式AI,将来自多个内部数据库的数据组合,进而调优大型语言模型LLM。然而,他们去年却在尝试将这些数据库的数据整合以支持分析时屡屡受挫。生成式AI并不会神奇地解决这一问题!生成式AI为我们提供了使用数据获取价值的革命性方式,但实际应用仍需解决我们一直存在的问题至少在转型之前这些问题依然存在。
数据整合面临的挑战
挑战类型具体问题技术与组织孤岛数据可能存储在技术孤岛或组织孤岛中,组织往往避免共享数据以便于整合。隐私控制缺失组织可能未设计合适的隐私控制方案,需要进行大量工作来制定隐私决策和建立保护措施。旧有数据库的限制数据可能被锁定在专有的、过时的数据库中,导致提取和整合变得困难。数据质量问题数据质量可能不达标,或因缺乏共同的标识符而无法匹配来自不同数据源的记录。投资不足IT部门忙于开发新功能,整合不同数据的工作可能被置于次要位置或根本未在任务清单中。作为追求敏捷性的目标,转型可能已经有助于解决这些限制。当遗留技术得到更新时,数据提取可能变得更加容易,从而降低对有限的IT资源的机会成本,并提升关注转向数据整合的便利性。通过简化治理流程,企业能够更容易地将重点转移到数据整合上,尤其是在生成式AI提升了数据潜在价值的情况下。文化的转变会让大家更关注重要的商业目标,从而减少对数据的“拥抱”;良好的隐私控制方案能够确保数据广泛可用的同时仍能管理访问。
另一个AI未必改变数字化转型性质的原因是,转型本身已经使公司在改善创新管理方面向前迈出了步伐。通过降低实验的成本和风险,改变文化以鼓励创新组织,企业朝着持续创新的方向发展。生成式AI的出现为创新提供了很多强大的新机会,而这恰恰是创建商业价值所必需的。成功的生成式AI的应用最终依赖于组织的创新能力。
新的视角:将AI视为技术应用的新方式
需要注意的是,我们应将AI视为不仅仅是一套工具,更是一种全新的技术运用方式,以实现商业成果。我们一直知道有些任务是我们无法通过软件来有效完成的,而我们也在这些限制中努力工作。AI使得一系列新的应用成为可能且实用。例如,识别手写数字是一项简单的任务,对于机器学习而言,这相对容易,而通过传统软件来完成这一任务则困难重重。而生成式AI的强大功能则让我们得以用全新方式进行创作。
因此,AI为过去IT无法解决的商业问题提供了新的解决方案,这也涉及到全新的编程与运作模型。它要求我们深入洞察哪些问题适合AI解决,以及它们是否优于传统的IT技术。同时,它也需要不同的技能,转型中的组织需要为技能的开发做好准备。
数字化转型的未来:数据的核心地位
AI使得数字化转型的外延更多地聚焦于数据。正如之前提到的例子,我们需要找到方法在企业范围内提升数据的可用性,打破数据孤岛,避免数据过度保护,确保数据质量,并将数据从遗留技术中释放出来。可以将数据视为AI中的“代码”角色。过去我们多关注代码的灵活性即根据商业需求的变化迅速调整代码;而现在,我们同样需要关注数据及其潜在可用性。
数据的治理控制与代码有所不同。它需要一个经过深思熟虑的隐私策略在DevOps中实现“向左转”。还需要确保负责任的行为和准确性代码在通过测试套件时是“准确”的,那数据呢?。我们需对数据空缺、培训数据的选择以及数据管理工具做出决策。
作为一个行业,我们在数据处理方面显得有些懒惰。我们允许关系数据库持有所有数据,即便在未以关系型方式使用时也如此。如今,对于某些类型的数据,使用键值数据库、时间序列数据库、文档数据库或图形数据库将更加合适;甚至可以仅使用未格式化的数据。数据的形式多种多样,借助AI,我们可以充分利用图像数据与声音数据。
数字化转型提供了一个机会,以纠正我们在数据管理方面的许多遗留做法。在迁移到云时,公司往往将项目结构分为“工作负载”。但或许他们需要更关注数据的特性与位置来组织他们的工作。除了在迁移到云时重构代码,日益重要的AI表明,公司也应考虑重构数据。
bear458小熊加速器我们可以假设,AI可能会融入我们所做的一切和我们使用的每一项工具。这是否会改变我们的数字化转型计划?并不会。转型的核心是构建灵活性与响应变革的能力在组织中。然而,AI提醒我们,转型不仅仅关乎代码和基础设施,还与数据息息相关。
标签 人工智能 变更管理 数据策略 数据驱动的文化 数字化转型
Mark Schwartz
Mark Schwartz是亚马逊云服务的企业战略家,并著有《业务价值的艺术》和《在敏捷时代的IT领导角色》。在加入AWS之前,他曾任美国公民与移民服务局国土安全部的一部分的首席信息官、Intrax的CIO以及Auctiva的首席执行官。他毕业于沃顿商学院,获得MBA,在耶鲁大学获得计算机科学学士学位及哲学硕士学位。

现代Web应用程序的身份验证和授权与亚马逊VPC Lattice 安全博客
现代网络应用程序的身份验证与授权:利用 Amazon VPC Lattice关键要点在构建基于 API 的云应用时,身份验证和授权是两个基本组成部分。本文探讨了如何利用 Amazon VPC Latt...