人工智慧怎麼解決資料管理問題

掌握和處理大量資料對於IT部門來說是一個挑戰。下面是小編分享的，歡迎大家閱讀!

根據三星公司的調查，2016年全球網際網路流量超過了1ZB，即10億兆位元組。這個數字是巨大的，但這個資料量與全球各企業正在儲存的全部資料相比還相差甚遠。

更重要的是，在大多數公司中，資料處在“管理之下”的這個用詞有些不當。

資料管理挑戰的關鍵領域是：

　　理解暗資料

資料保留

實現最佳分析結果的資料整合

　　資料訪問

IT部門在這些領域進行艱苦努力的原因如下：

所有型別的輸入資料流(其中大部分是非結構化的)太大，無法每天進行管理，因此最終將資料放在任何地方。

電子發現和行業法規對歷史資料的法律和審計流程的要求使得業務決策者不願放棄資料，終端使用者並不喜歡在年度審查會議上討論資料保留政策。

資料整合是IT部門面臨的最困難的任務之一，像資料聚合這樣的概念在分析中發揮更大的作用才會加強，因此看似不同的資料集合可以組合成可搜尋的儲存庫，用於新型的業務查詢。

快速訪問資料是一種業務需求，但是高階儲存在現場或雲端的價格昂貴，因此一些資料必須歸檔到速度更慢，成本更低的.儲存空間中。為了解決這些問題，組織管理層將專案的人力物力主要放在了其他重要的目標上。

現在的問題是：機器學習、人工智慧(AI)和分析學是否能在資料管理方面提供幫助，特別是對於大量非結構化資料?

以下是機器學習，人工智慧和分析可以在以下幾個方面提供幫助：

(1) 暗資料排序

每個企業系統和每個業務部門都有一些積累的資料，但是人們對此一無所知。通過使用機器學習並結合其功能與演算法，可以解決如何排序和處理儲存在伺服器上的不同型別的電子郵件，文件，影象等檔案，機器學習，人工智慧(AI)和分析可以對這個未釋出的資料進行處理，而經驗豐富，知識淵博的工作人員可以檢視和回顧自動化推薦的資料分類方案，調整並執行方案。該過程的一部分還可以解決資料保留問題，其分析將產生一組可能從檔案中清除資料的建議。

(2) 決定丟棄哪些資料

機器學習，分析和人工智慧(AI)可以客觀地識別那些很少使用或從未使用過的資料，並建議工作人員將其丟棄，但它並不具備與工作人員相同的識別能力。例如，這些程序可以選擇未訪問五年以上的資料或記錄，表明資料可能已過時。這樣可以節省員工的時間來查詢這個潛在的過時資料，因為現在他們需要做的只是確定是否有任何理由保留它。

(3) 彙總資料

當分析開發人員確定需要聚合查詢的資料型別時，他們常常為應用程式生成一個儲存庫，然後從不同的源中提取各種型別的資料，以形成一個分析資料池。要做到這一點，他們必須開發整合方法來訪問不同的資料來源。機器學習可以通過自動開發資料來源和應用程式的資料儲存庫之間的“對映”，使這種人工過程更加高效。這減少了整合和聚合時間。

(4) 組織資料儲存以獲得最佳訪問

在過去的五年中，由於低成本固態儲存的發展，資料儲存供應商已經在自動化儲存管理方面取得了重大進展。這些技術進步使IT部門能夠使用“智慧”儲存引擎，使用機器學習來檢視最常使用哪些型別的資料，哪些資料很少使用或從不使用。根據插入到機器演算法中的業務規則，自動化能夠以快速儲存或慢速儲存來自動儲存資料。自動化可以讓儲存管理員不必人工解決儲存優化問題。

資料管理是一個主要的IT挑戰，在大多陣列織中並沒有很好的解決方案，這是因為隨著資料的不斷流入，資料管理將會變得更糟。

資訊長，資料架構師，以及儲存管理者需要向企業高管強調這個問題，但資料管理專案並不容易通過花費費用來解決。

然而，IT經理通過指出資料管理的分析時間，以及可以降低人力和儲存成本的價值，至少在與企業管理者討論如何提高戰略敏捷性並降低運營成本的同時，這將成為一個至關重要的切入點。