适合 AI 的 IA
信息和数据架构具有共生关系，前者负责组织结构、业务战略和用户信息需求，而后者提供将数据处理成信息所需的框架。它们共同构成了企业设计、实施和管理数据战略方法的蓝图。
“没有 IA 就没有 AI”这一定理的基本推理是，AI 需要机器学习，机器学习需要分析，而分析需要正确的 IA。这不是偶然的 IA（一种拼凑起来的信息架构或传统 IA，一种为传统技术设计的框架），而是一种现代而开放的 IA，它创建了一个值得信赖的企业级基础，可在整个组织内部署和运营可持续的 AI/ML。
AI 信息架构可以从六个 巴哈马手机数据 层面进行定义：数据源、源数据访问、数据准备和质量、分析和 AI、部署和操作化以及信息治理和信息目录。该架构的一些关键功能包括支持跨 IT 平台、业务系统和传统报告工具的 AI 模型之间的洞察交换。使用户能够开发和管理新的 AI 工件，管理这些工件的分类和治理，促进协作。并确保整个 AI 生命周期中的模型准确性和精确度。
IA 优先的 AI 方法始于创建坚实的数据基础，以促进从不同角度和范式收集和存储原始数据，包括批量收集和流式数据、结构化和非结构化数据、交易和分析数据等。对于生命科学公司而言，现代 IA 基础设施将解决扩展 AI 的最大障碍，即缺乏高质量的数据源、在数据准备和数据集成上浪费的时间。创建统一的架构基础以延迟生命科学大数据将对所有下游分析产生变革性影响。
下一步是让所有这些数据都为业务做好准备，而数据治理在建立实现 AI 所需的信任和透明度方面发挥着关键作用。在生命科学领域，这包括确保所有数据从获取到归档都得到妥善保护和存储，确保数据和元数据的质量，设计数据以供使用，以及创建数据访问和共享的标准和政策。符合信息架构的统一数据目录将是实现大规模 数据管理、数据治理和查询优化的关键。
现在数据已准备好用于业务，组织可以将重点转向执行完整的 AI 生命周期。可信数据的可用性为预测、自动化和优化以及预测功能开辟了更多机会。此外，人员、流程、工具和文化也将在扩展 AI 方面发挥关键作用。第一步是使用MLOps 简化 AI 流程，以标准化和简化 ML 生命周期，并为 AI 开发和运营创建统一的框架。然后，组织必须从高度分散的生态系统中选择正确的工具和平台，以构建强大、可重复的工作流程，重点是协作、速度和安全性。然后，扩展 AI 将需要创建多学科团队，这些团队可以组织为具有管理和治理监督的卓越中心 (COE)，也可以组织为具有领域专家的分散产品、职能或业务部门团队，也可以组织为混合团队。最后，文化通常是大规模采用 AI 的最大障碍，因此需要在AI 就绪的文化特征方面进行正确的投资。
然而，仅靠部署活动并不能保证结果，德勤报告称，尽管加速全面部署，但结果仍然滞后。成功扩展人工智能的关键是将技术性能与业务 KPI 和结果关联起来。成功的大规模人工智能部署更有可能采用领先的实践，例如用于人工智能模型和应用程序开发的企业范围平台、记录的数据治理和 MLOps 程序以及已部署模型和应用程序的 ROI 指标。此类部署还提供了最强大的人工智能成果，以创收结果来衡量，例如扩展到新的细分市场和市场、创造新的产品/服务以及实施新的业务/服务模式。