> **来源：[研报客](https://pc.yanbaoke.cn)** # 释放AI数据价值的七个步骤 实现有效数据管理的全面指南 # 用数据打造竞争优势 在当今快速发展的商业环境中，数据是一种关键资源，也是创新和竞争优势的基石。善于利用稳健、准确、全面的数据集加速业务决策的优秀企业将脱颖而出。这一点在生成式 AI (GenAI) 的采用中尤为明显。 生成式 AI 具有无可比拟的进步潜力和效率优势，即使数据不完美，也能提供具有创造性、迭代行和灵活性的输出。但在某些时候，您必须评估“数据屋”，确保其井然 有序。换句话说，您需要的不仅仅是访问数据，还需要强大的数据管理实践。随着业务规模的扩大，这一点将变得更加重要。 # 强大的数据管理必不可少，但并不容易实现。 部署 AI 工作负载是一个复杂且艰巨的过程，数据科学家和其他人员需要识别合适的数据集，并确保其清洁性和完整性。这项工作不仅涉及克服技术挑战，还需要全组织范围的流程和强大的数据管理框架。 # 数据管理之旅 为了帮助您应对这一复杂局面，我们对数据管理之旅进行了全面概述，并将其精炼为七个基本步骤。这些步骤是戴尔的数据科学专家与各行各业的组织经过广泛的研讨会和咨询活动之后得出的，归纳了创建可扩展且高效的 AI 模型面临的常见挑战并提出了对应的成功策略。在接下来的几个月里，我们将更深入地探讨每个步骤，以帮助您克服组织遇到的特定障碍，顺利完成 AI 之旅。 本电子书提供了一个清晰、可操作的框架，用于理解和实施有效的数据管理实践。通过采用这些原则，贵组织不仅可以实验生成式AI，还可以扩大数据转型，将其从原始资源转变为战略资产，从而为在AI驱动的未来中开拓创新和保持竞争优势铺平道路。 下载此信息图，轻松了解这7个步骤。 步骤1 确定业务需求 步骤2 加快相关数据发现 步骤3 简化数据探索和访问 步骤4 优化分析、ML 实验和建模 步骤5 将数据和分析大规模产品化 步骤6 自动执行数据管理和治理 步骤7 评估业务成果 # 步骤1 # 确定业务需求 这一步为数据管理之旅设定方向，使工作与战略业务需求步调一致。没有明确的目标和指标，就不可能实现任何有意义的价值。 首先，要了解运营目标及其能够解锁的价值。 - 在整个组织内就预期成果和成功衡量标准达成共识。 对将要创造的价值建立明确的愿景。 通过了解您要实现的目标和衡量标准，您可以确保所有后续数据管理工作都有的放矢，并朝着清晰可实现的目标前进。 # 步骤2 # 加快相关数据发现 制定明确的路线图，加快发现相关数据。并非所有可用数据都是必需的；数据科学家必须快速识别与解决问题相关的数据。通过对源数据集进行编目并创建元数据，在数据与其价值之间建立清晰的联系。这种专注的方法可确保数据工作富有成效。 通过快速查明相关数据，可以节省时间和资源，让数据科学家能够将精力集中在直接支持战略目标的高影响力数据上。 68% 的企业可用数据未被利用 # 步骤3 # 简化数据探索和访问 将数据转移到集中位置进行分析，会降低实时应用场景的价值。让数据科学家能够访问数据所在位置，可以避免这种效率低下的情况。标准化流程并实施自动发现，将结构化和非结构化数据安排到易于访问的位置，从而促进实时发现和利用。这种方法不仅可以节省时间，还可以提高数据操作的敏捷性，从而更快速地获得见解并更敏捷地做出决策。 面对爆炸式的数据增长，只有实施了有效的数据管理，才能成功扩展 AI 工作负载。可以考虑使用 Dell Data Lakehouse 这样的工具，它提供了一个完整的解决方案堆栈，可通过单个联合查询引擎来发现、查询和处理您的所有企业数据，无论数据位于何处或来自哪个数据源。 # 步骤4 # 优化分析、ML 实验和建模 鼓励持续进行实验和建模，以识别能够解决问题的变量。考虑创建合成数据，这在应对数据质量和隐私挑战时尤其有用，并且有助于加快流程，尤其是在 AI 之旅的初期。利用只需增强和微调的预训练基础模型是一个很好的起点。 扩大项目规模后，应集中精力简化数据访问。这可以帮助您的团队通过迭代测试来优化分析。支持多轮迭代和多种算法的平台可以发现关键数据变量，从而增强生成式AI的有效性并释放数据价值。这种迭代式的测试、学习和优化过程可确保您的模型稳健且见解切实可行，从而推动持续改进和创新。 # 步骤5 # 将数据和分析大规模产品化 从数据科学项目过渡到可靠、可重复的数据科学产品。这些产品可以独立运行，可定期对其审查以进行改进。高效的数据摄取流程可加快获得见解的速度，使具有内置智能的数据管道能够实时分析和使用数据，从而达到预定义的目标。通过扩展数据产品，您可以确保一致性和可靠性，将临时项目转变为可持续、可产生价值的资产。 # 步骤6 # 自动执行数据管理和治理 随着产品实现可重复，对组织的数据管理和治理流程进行自动化改造。这使系统能够自行监控和标记异常，防患于未然。实现整体可观察性，确保工作流在整个数据管理过程中遵守统一的数据治理标准、策略和安全措施。自动化不仅可以减少手动工作，还可以提高准确性和合规性，为大规模管理数据提供稳固的框架 # 步骤7 # 评估业务成果 评估业务成果数据并将其反馈到相关流程中，从而培养持续学习和适应的文化。这种持续的评估可发现实际结果与预测结果的差距，从而促成改进，最终改善成果并优化结果。以尽量少的人工干预利用各种功能，确保持续的高性能和价值。通过持续分析结果，您可以创建一个反馈循环，从而推动持续改进，并使您的数据计划与不断变化的业务目标保持一致。 # 利用 Dell AI Factory with NVIDIA 让数据发挥作用 您当前的数据中心和 IT 运营模式可能无法充分利用生成式 AI 的速度和规模。您需要一种专为满足 AI 的特定需求而构建的新型数据中心。 # 您需要 AI 工厂。 正如实体工厂推动了工业革命一样，AI工厂也将推动AI革命。但是，AI工厂生产的不是实体商品，而是智能。它们功能多样且灵活，可在任何数据存储位置运行，无论云端、数据中心、工作站还是边缘位置。 # 2.4倍 用于训练大规模 ML 模型的年度支出增长率 — 主要用于 GPU 和服务器等硬件 6 Epoch AI：训练前沿AI模型要花多少钱？ © Dell Inc. 保留所有权利。 D&LL Technologies AI Factory WITH NVIDIA 了解您的应用场景并应用正确的数据管理解决方案是优化 AI 工作的基础。 Dell AI Factory with NVIDIA 汇集了必要的构造块，可帮助您加速 AI创新： 关注数据 针对AI优化的基础架构 AI软件和模型 开放式生态系统 专家服务 和最佳实践 这是一项以您的业务需求为导向的技术，可快速交付合适的解决方案，并降低总体拥有成本。戴尔和 NVIDIA 已投入超过 340,000 小时来验证这些解决方案，并提供参考设计和基准测试。 NVIDIA 和戴尔携手提供了一个可加快 AI 采用的全堆栈解决方案：Dell AI Factory with NVIDIA。 借助 NVIDIA AI Enterprise，您可以： 访问、管理、部署和支持 跨一系列基础架构解决方案的生成式 AI 模型、应用程序、解决方案和加速器。 利用 NVIDIA NIMS 建立强大的数据管道，以充分利用所有这些数据管道工作 轻松过渡 您可以从一种模型过渡到另一种模型，同时保持数据管道的完整性，提供投资保护，并始终采用更合适的可用模型 # 通过持续的数据管理延续成功 数据管理之旅不是一蹴而就的任务。这是一个持续的过程，需要利用一系列实践和工具来帮助您持续从数据中解锁价值。这对于任何成功的生成式AI计划都至关重要。戴尔携手NVIDIA，提供了极其广泛的AI解决方案组合。 # 端到端解决方案 从桌面到数据中心再到云，我们基于 NVIDIA AI 的端到端解决方案为您提供安全、可访问、可扩展的卓越体验。 # 实现AI的可能性 Dell AI Factory with NVIDIA 体现了戴尔对采用和实施AI，帮助客户加速实现AI计划，从而更大限度地利用其数据并实现目标的承诺。 # 简化的数据导航 在戴尔和 NVIDIA 的帮助下，您可以轻松完成数据管理之旅。在 AI 驱动的数据工作负载领域，旅程与目的地同样重要。 # 数据管理不是一蹴而就的任务。 数据管理之旅是一个持续的过程，需要利用一系列实践和工具来帮助您持续从数据中解锁价值。这对于任何成功的生成式 AI 计划都至关重要。 # 没有放之四海皆准的方法。 您的数据基础是独一无二的——您有自己特定的硬件和软件生态系统、数据位置和类型，以及独特的应用场景。本电子书中概述的步骤可作为总体指南，帮助您了解贵组织的特定需求。 # 而且，您并非孤军奋战。 戴尔服务在生命周期的每个阶段都会提供为贵组织量身定制的深厚专业知识，以切实加快价值实现速度。从调整制胜战略和验证数据，到快速实施数据平台并确保安全、优化的运营，我们值得信赖的专家可以随时为您提供帮助。 无论您处于旅程的哪个阶段，我们都可以帮助您有效地利用企业数据来推动 AI 项目并加快价值实现。 访问DELL.COM # 术语表 # 生成式AI 生成式 AI 是人工智能的一个子集，专注于创建新的内容或数据。这类 AI 使用算法和模型（例如生成式对抗网络 (GAN) 和转换器）来生成文本、图像、音乐和其他类型的媒体。生成式 AI 的独特之处在于它能够生成模仿其训练数据风格和内容的原创输出，这使其对创意任务、内容创建和模拟复杂场景非常有价值。 # AI 人工智能 (AI) 是计算机科学中一个比较宽泛的领域，专注于创建各种系统以用于执行通常需要人类智能才能完成的任务。这些任务包括学习、推理、解决问题、感知、语言理解和决策。AI 包含各种技术和方法，例如 ML、自然语言处理和机器人技术。它旨在创建能够适应新情况、随着时间的推移改进性能，并在各种应用程序中辅助或自动化人类活动的智能体。 # AI工作负载 AI工作负载是指由AI系统处理的特定任务或流程。这些工作负载可能因应用程序不同而有很大差异，并且可能包括数据处理、模型训练、推理和分析。AI工作负载的特点是训练模型、处理大型数据集和执行实时决策需要大量的计算资源。管理AI工作负载涉及优化硬件、软件和算法，以高效处理这些要求严苛的任务，确保AI系统高效且大规模地执行。 # 参考资料和延伸阅读 信息图：数据管理之旅 面向生成式 AI 的 Dell Professional Services 戴尔数据管理解决方案 Dell AI Factory with NVIDIA 生成式AI的5大安全考虑因素