“垃圾进，垃圾出。”这不仅仅是一个技术口号，更是让人工智能为企业服务的现实。就像人类的合理决策需要多样化和准确的理解一样，人工智能需要有组织、有代表性和全面的数据。也就是“干净”的数据。
正如 Richter 所强调的，数据基础薄弱可能是企业在人工智能方面落后的最常见原因。无论人工智能系统多么复杂，它最终都是一个经过训练的模型。当输入垃圾数据时，它必然会产生低质量的结果，让用户感到沮丧并浪费资源。
最近的一项调查显示，约89% 的企业领导者表示，人工智能的有效性取决于其数据是否能够反映其业务的实际运行情况。对于 Schaffrik 来说，“干净、现代化的数据资产”将引领人工智能模型的下一个前沿。“它有可能让代理遍历多个系统并相互交流，”他说。“因此，他们的推理能力将大大增强。”虽然我们今天看到的许多代理“不配这个标签”，但互联互通和先进的推理能力将为他们配备急需的“手臂和腿”。
“数据现代化、数据清理确实正在成为优先事项，”Richter 回应道。“显然，如果你能实施人工智能，它将成为一种竞争优势——但前提是你拥有好的数据。”
跨越自动化效率门槛
与人工智能一样，自动化也是技术议程的首要任务，但 Schaffrik 认为，自动化成熟的企业有一个共同点：它们已经达到了复杂性的上限，机器人流程自动化 (RPA)已无法再提供增量价值。
虽然推动更复杂流程 最近的手机号码数据 自动化的努力已经建立了低代码和数字流程自动化 (DPA) 的前景，但这些先进的工具要求公司了解可能出现的问题——例外、错误和偏离幸福之路的情况。正如 Schaffrik 所观察到的：“许多人开始放弃。他们只是自动化了幸福之路。”
要达到下一个复杂程度的门槛，企业必须审视内部，评估“工作是如何完成的”——即他们的流程实际上是如何展开的。“我们现在明白，我们正生活在这些复杂的意大利面条式流程中，没有人对此有任何了解，”Schaffrik 说。“我们需要更深入地了解领域知识，而不仅仅是标准操作程序 (SOP) 或工作说明中写的内容。”
这就是为什么他看到许多软件自动化供应商在其平台上添加了流程挖掘和任务挖掘等功能。突破在于弥合“系统中已规定、写下和实施的内容”与“人们如何真正完成工作”之间的差距。
- 阅读：什么是流程挖掘？
SLM 是下一个 AI 金童
虽然企业和消费者 坦納·金茲勒 執行長 都被大型语言模型 (LLM) 的前景所吸引，但 Richter 注意到小型语言模型 (SLM) 的兴起。与大型模型相比，SLM 的训练数据集更小，因此可以适应更专业的领域，并将 AI 特性和功能带到新的领域——例如物联网 (IoT) 设备。“有了 SLM，”Richter 解释说，“你就可以将这些模型连接到冰箱上，然后问‘我需要从超市买什么？’这个模型不需要了解量子物理，它只需要知道如何识别冰箱里的东西。”
Schaffrik 还补充说，SLM 为组织提供了一个宝贵的机会来降低能源消耗和成本。毕竟，小型模型的设计目的是提高效率，专注于更少的事情，但做得非常好。“将会有多种模型的组合，”Schaffrik 指出。“一种是为正确的解决方案找到正确的模型，另一种是我们可以以经济高效的方式运行的模型，它将提供与 LLM 一样多的价值。”
通过改变价值观来改变价值
如果我们的竞争优势在于获得优于彼此的工具，那么我们如何保持领先呢？
对于里希特 007 数据 来说，技术突破将使知识日益民主化，开启超级专家时代。“我们必须找到我们真正热衷的事情，”他说，“我们比任何人都更了解的事情可以增加很多价值——并专注于此。”