Las relaciones entre los datos y la IA son inherentemente simbólicos: los datos mejores permiten la IA mejor y mejor la IA permite un procesamiento de datos más sofisticado. Este ciclo virtuoso tiene que acelerar la adopción de la IA empresarial, sin embargo, la mayoría de las empresas piensan que están atrapados incluso antes de que comience.
Potencia de cálculo criminal o sofisticación del modelo: es una variedad de datos. Cuando las iniciativas se apresuran a desplegar modelos de idiomas grandes y sistemas de agentes, están descubriendo que sus datos crean un obstáculo inevitable para la desintegración, la naturaleza deshonesta y muy variada.
Las estadísticas cuentan una historia perfecta. Aunque los datos del 5% y los líderes de IA dicen que el interés de IA en la IA se está centrando en los datos, el% de la IA del 5% de los líderes encuestados es un desafío, el% 5% dijo que la mayoría de los proyectos de IA no lo convierten en uso operativo directo. Las compañías que han dicho que el costo de la IA se ha reducido, la mayoría de ellas tuvieron ahorros de menos del 10 por ciento, mientras que las ganancias de ingresos informaron menos del 5 por ciento de ganancias en la mayoría de los casos.
Sí, todos escuchamos sobre el volumen de datos y la velocidad. Sin embargo, no es el tamaño o la velocidad el que viaja los proyectos de IA: es cierto que los datos son diversos, diversos y los sistemas, formatos y estructuras entre los socios externos y los socios externos. Se espera que el volumen de datos de 2020 a 2030 aumente, este desafío es más rápido.
CEO y cofundador de Nexler.
¿Qué datos hacen tantos desafiantes?
Los datos empresariales aparecen en múltiples capas compuestas que crean complicaciones significativas. Cada aplicación SASS, base de datos, sistema de archivos y plataforma de socios habla en un idioma diferente, solo una docena o, a veces, se requieren varios cientos de conectores únicos para establecer una conexión básica.
Cada conector tiene que manejar datos en innumerables formas: formatos estructurales como CSV y JSOS, semiestructuras como XML y hoja de cálculo y material completamente bloqueado con PDF, contratos, imágenes y correos electrónicos. Se requiere un análisis sensible al contexto para recopilar la información utilizable de todos.
Incluso cuando se trabaja con las mismas ideas comerciales, diferentes sistemas utilizan definiciones y esquemas completamente diferentes. La “ID de cliente” de su CRM puede no tener ninguna similitud con el “número de cuenta” en su software de facturación. Mientras tanto, las API evolucionaron, los proveedores cambian los campos de actualización y los formatos de datos, cambiando a mitad de esterem, convirtiendo la consolidación como un desafío de mantenimiento constante en lugar del esfuerzo único.
Los datos externos hacen que esta complejidad se compone significativamente. Los sistemas internos pueden estar bien controlados, pero las fuentes de datos externas presentan socios, proveedores, controladores y variabilidad constante. Los nuevos proveedores de datos significan que el nuevo esquema y el existente pueden variar inesperadamente sin previo aviso.
Por qué AI solo no puede resolver el problema
Es atractivo creer que la IA, especialmente los grandes modelos de lenguaje, solo puede apuntar a un sistema de datos, lo que permite que el código con IA coma datos sin procesar y todos ellos. De hecho, hay múltiples niveles de desafíos técnicos para resolver al crear una verdadera integridad de grado empresarial, confiable y esquelético. Además, probar y mantener la integridad en la luz que no está bien documentada crea un problema increíblemente fuerte tanto para los humanos como para la IA.
Sin embargo, el esfuerzo colectivo humano y la IA es muy prometedor. Adquiere habilidades en reconocimiento del patrón de IA, sugiere el mapeo de Skima y comienza con esta oportunidad analizando el contenido continuo. Sin embargo, la disciplina de ingeniería es necesaria para la orquestación, el conector confiable, la implementación de argumentos comerciales y el trabajo básico de la administración que no puede proporcionar IA pura sola.
Finalmente viene la gente y el factor de proceso. Los datos de datos y IA acordaron constantemente que los desafíos de la gestión cultural y del cambio son la barrera principal para los datos y la IA, lo que sugiere que la tecnología sola es insuficiente para el éxito.
Solución emergente: arquitectura de integración del agente
El camino a seguir no es la IA pura o la ingeniería de software pura: esta es su combinación reflexiva. Necesitamos abstracciones de software con IA que permitan que los sistemas se adapten a diferentes tipos en lugar de luchar.
En cada nivel de pila de datos, la IA ayuda cuando las políticas de ingeniería de software aplican durabilidad, confiabilidad y gestión:
Los productos de datos virtuales representan una abstracción particularmente fuerte de este enfoque híbrido. Las empresas pueden decidir el formato de la ubicación de los datos físicos y el uso real al crear una interfaz reutilizable en serie que sirva como un acuerdo entre los productores de datos y los clientes. Este nivel abstracto permite una cooperación no existente al admitir varios formatos de datos sin codificación compleja o barrera de integración.
Las plataformas modernas ahora admiten el procesamiento de datos de múltiples velocidades, lo que permite que las tuberías de datos definan una vez, pero opera a través de varios motores de procesamiento y retraso. Esta flexibilidad garantiza que la presión de trabajo en tiempo real, por lotes y de transmisión pueda coexistir dentro de la misma estructura arquitectónica.
Quizás lo más importante es que la implementación exitosa mantiene la cooperación humana en el circuito donde la IA ayuda, pero las personas legitiman las decisiones críticas sobre el esquema, el mapeo semántico y la lógica comercial. Por ejemplo, los nuevos valores como MCP y A2A hacen posible descubrir y recomendar la integración o el flujo para la IA.
Los productos de datos que admiten el MCP permiten a AI descubrir los datos y los verbos correctos y luego recomiendan integrarse de extremo a extremo. Sin embargo, para garantizar que los ingenieros aún cumplan con los requisitos comerciales, la administración, la protección y el mantenimiento son necesarios contra los defectos del plan basados en la IA.
A medida que llegan las nuevas versiones modelo, el mantenimiento y la garantía de calidad es otra barandilla original que creará ingenieros. Este enfoque se mantiene confiable al mejorar drásticamente la velocidad y la escalabilidad.
Reembolso estratégico
Iniciativas que resuelven datos diferentes tipos de datos no simplemente reducen el dolor de cabeza de la integración, sino que desbloquean los verdaderos beneficios competitivos. Los ciclos del proyecto AI se reducen de unos meses a semana cuando las partes pasan menos tiempo para preparar datos y usarlos más tiempo.
Los productos de datos reutilizables eliminan el desarrollo conectivo innecesario, cuando los gastos de integración y el tiempo se reducen drásticamente. Cuando se combinan con los últimos valores, ayudan a proporcionar a IA más trabajo de integración.
Lo más significativo, el rendimiento del modelo mejora suficiente gracias por las entradas de alta calidad, mientras que los equipos pueden centrarse en la innovación en lugar de los ríos de datos.
Como PwC ha notado en sus pronósticos de IA 2025, “una estrategia inteligente enfatizará lo que puede separarlo: cómo gana la IA con su conocimiento institucional y datos propios”. Utilizando las combinaciones reflexivas de IA, ingeniería de software y habilidades de dominio, las empresas de ingenieros inicialmente se encontrarán con estilos competitivos sostenibles para la variación de datos.
Nueva realidad competitiva
Los modelos de IA no serán un mejor modelo, ya que el diferencial original no será mejor modelo a medida que sea creciente y accesible, será un mejor sistema de datos. Más del 5 por ciento de las empresas aún no están viendo un efecto claro a nivel empresarial de la IA del generador, y la mayoría de las empresas ni siquiera usan la mitad de sus datos, que resuelven datos al resolver varios desafíos.
Al final, los datos de AI-Radi no se trata de tener más datos, se trata de tener los datos correctos en el momento adecuado en el momento adecuado. El modelo de carrera de IA no ganará en los laboratorios. Ganará la integración de datos, donde diferentes tipos se tampan a través de ingeniería inteligente y una rica cooperación entre IA en lugar de una solución mágica por IA.
B = Enumeramos el mejor servicio de recuperación de datos y el mejor software de recuperación de datos.
Este artículo fue producido como parte del canal de Insight Specialist TechRaderPro, donde somos la mejor y brillante mente brillante en la industria de la tecnología. Las opiniones publicadas aquí están en el autor y no son esenciales para TechroderPro o Future PLC. Si está interesado en contribuir, busque más aquí: https://www.techradar.com/news/submit-your-totory-techradar-pradar
