许多人工智能和分析项目失败的原因以及如何确保不会失败

2023年是经济危机和气候风险不断升级的一年，因此需要数据驱动的见解来推动效率、弹性和其他关键举措，这将是企业在2023年的首要任务。许多企业一直在尝试采用先进的分析技术和人工智能来满足这一需求。现在，他们必须把对概念的验证转化为投资回报。

很多企业正在取得巨大进步，投入了大量人才和合适的软件。然而，也有许多企业的人工智能和分析项目遭遇失败，因为他们没有采用正确的基础技术来支持人工智能和高级分析工作负载。有些企业依赖于过时的传统硬件系统，有些企业则受到利用公有云带来的成本和控制问题的阻碍。大多数企业都被人工智能软件工具的强大功能所吸引，以至于没有选择正确的硬件。

随着这些领域的创新步伐加快，现在是技术领导者评估成功利用人工智能和分析项目所需的一切的时候了。

企业需要构建适合的基础设施

调研机构IDC公司在对2000多名商业领袖的调查时发现，越来越多的受访者意识到，人工智能系统需要运行在专门构建的基础设施上才能提供真正的价值。事实上，很多受访者认为缺乏适当的基础设施是人工智能项目失败的主要原因。IDC公司指出，阻碍向以人工智能为中心的基础设施转移的因素是对成本和战略的担忧，以及现有数据环境和基础设施过于复杂。

尽管行业专家一致认为企业部署新平台很困难，但还是有一些方法可以优化人工智能和分析项目的价值，其基本考虑因素包括计算能力、内存架构以及数据处理、存储和安全性。

关键是数据

根据《哈佛商业评论》杂志日前发布的一份调查报告，对于成功部署人工智能和分析的企业来说，数据可用性是一个关键的绩效指标。简而言之，成功的企业领导者已经将其公司的数据民主化——让员工可以访问，从客户和供应商那里获取数据，并与他人共享。处理数据是核心技术和硬件的关键所在。以下是需要考虑的问题：

获取数据：为了能够以更快的速度分析更多数据，企业需要通过高性能服务器和适合人工智能的芯片(无论是CPU还是GPU)进行更快的处理。现代计算基础设施旨在通过支持数据库和分析、人工智能和机器学习、高性能计算等工作负载来提高业务灵活性和上市时间。

存储数据：许多企业都有大量的数据来收集可操作的见解，但他们需要一个安全灵活的地方来存储数据。最创新的非结构化数据存储解决方案是灵活的，主要为了在不牺牲性能的情况下实现扩大规模的可靠性。现代对象存储解决方案在全球分布式架构上提供性能、可扩展性、弹性和兼容性，以支持云原生、归档、物联网、人工智能和大数据分析等企业工作负载。

保护数据: 网络威胁无处不在，无论是边缘计算、内部部署还是云平台。企业的数据、应用程序和关键系统必须受到保护。许多企业领导者都在寻求一种可信赖的基础设施，该基础设施可以在不影响安全性的情况下以最大的灵活性和业务敏捷性运行。他们希望采用零信任架构，在企业范围内的存储、服务器、超融合、网络和数据保护解决方案中嵌入安全功能。

移动数据：随着数据生成的格局发生变化，数据流量模式变得更加复杂，激增的需求要求大多数企业重新评估网络。为了让数据无缝传输，他们必须拥有正确的网络系统。然而，传统的专有网络通常缺乏可扩展性、经过验证的基于云的解决方案和自动化，而开源解决方案可能成本高昂且不灵活。开放网络通过为现代企业提供从边缘到核心再到云平台的软件选择、生态系统集成和自动化来应对挑战。

访问数据：人工智能技术的开发和部署越来越多地发生在功能强大而高效的工作站上。这些专门构建的系统使团队能够在人工智能开发的所有阶段更智能、更快地进行人工智能和分析工作，并在部署过程中越来越多地进行人工智能和分析工作，因为它们支持边缘推理。为了让员工能够访问他们需要的数据，企业将需要摆脱孤立、僵化和昂贵的传统系统，而转向新的解决方案，使分析和人工智能具有速度、可扩展性和信心。数据湖屋在一个地方支持商业智能、分析、实时数据应用程序、数据科学和机器学习，它为数据科学家、业务分析师和其他需要数据来驱动业务价值的人员提供了对可信数据的快速和直接访问的功能。

关注成果

分析和人工智能有望从数据仓库、数据流和数据湖中推动更好的业务见解。但企业首先需要评估他们开发而且成功部署人工智能或分析项目的能力。大多数企业需要现代化关键基础设施和硬件，以便能够支持从边缘到数据中心到云平台的人工智能开发和部署。这样做的企业会发现他们的数据和应用程序是力量倍增器。在这一过程中，他们将实施升级，以确保数据安全和可访问，从而在未来几年内实现IT和业务目标。