“许多CDAOs落入的陷阱数据囤积或偏执的数据控制。数据本身是熵的一个例子,一个更好的模型,平衡控制的混乱和可观察到的行为有助于减少治理之间的摩擦,应用程序开发人员和用户。”

“作为CDAO,重要的是要避免落入陷阱的假设数据设计是“比另一个更好的”。目前系统或应用程序充满authority-instead数据内容使用的数据从应用程序变得有限。”

后来“代替计划集成数据,开始试图重用它立即部署。相比其他类似的数据尽可能迅速自动化这个过程。”

Gartner建议CDAOs专注于数据管理的七个原则:

• 从用户已经访问数据。

• 不要从头设计或假设您将部署数据。

• 找到尽可能多的元数据。

• 有目的的冗余是必要的。

• 从被动的元数据,但是知道你需要积极的元数据的能力。

• 现有的数据管理解决方案的工作。专注于他们一起工作。

• 掌握和安全集成、数据质量、数据不消失。

Gartner的调查发现,46%的人工智能项目从未投入生产。“问题是,许多人工智能项目碰了壁。我们经常做一些好的初始人工智能项目进展,但随着时间的流逝我们触及性能障碍。”

“当我们询问组织他们的主要障碍是什么对于人工智能实现,测量和理解业务价值是正确的。”

不要混淆模型性能与业务性能。模型作出预测,但捕获业务价值要求你采取行动。我们需要重新设计过程和测量的因素驱动的商业价值。”

Gartner公司开发了一个AI罗盘集中在四个方位,策略,数据,建模和测试和基础设施和操作化,帮助团队在广泛的策略来提高性能。

五个关键行为采取推动停滞的人工智能项目投入生产:

• 与团队分享AI罗盘,用它来优先考虑下一个行动

• 人工智能领域专家参与项目

• 数据收集内部和外部扩张

• 人工智能项目定义一个行动计划来捕捉价值

• 投资于人工智能工程,加快和提高AI值范围

“数据可观测性提供连续、整体和横断面可见性复杂数据景观和综合信号在基础设施、应用程序,和数据层提供全面了解各个组件,数据管道,和系统的性能。”

“它允许企业来衡量他们的数据的重要旅程,实验和适应,并实现数据的策略,结合业务策略和需求。”

数据可观测性主要集中在五个方面:观察数据;观察数据管道;观察数据基础设施;观察数据用户;和观察成本和金融影响。

“数据可观测性很强大,但有限制,比如只覆盖数据,数据在运动或不提供数据或解决数据问题。”

”与商业利益相关者合作评估和演示数据的业务价值可观测性实践通过跟踪改进的数据问题管理在数据管道实实在在的利益。”