🇸🇬新加坡·AI 新闻·2026年11月3日·来源： International Business Times

劣质数据的隐藏成本：企业在扩展AI前必须修复其架构的原因

英国数据科学家 David King 指出，不可靠的数据管道和非结构化信息是企业AI计划的重大瓶颈。他倡导“预测性数据架构”方法，优先建立稳健、可投入生产的数据基础设施，以确保数据在AI模型部署或扩展前已准备就绪且可靠，从而避免项目延迟和不可信的预测。

许多企业在部署人工智能时，没有充分解决其底层数据的质量问题，数据科学家 David King 强调了这一问题。他观察到，组织通常会收集大量的数字信息，但由于数据存在于不相关的系统中、以非结构化形式到达，并通过未为机器学习设计的管道传输，因此难以将其转化为可操作的洞察。这种基础性弱点可能会延迟AI项目，并导致缺乏可信度的预测。

King 的工作重点是，通过他所称的“预测性数据架构”来弥合这一鸿沟。这种方法涉及设计系统，在任何模型被要求从中学习之前，数据都经过系统性准备、结构化并使其可靠。他的服务包括自动化数据管道工程，以减少清理和处理中的手动工作，并从一开始就考虑到生产条件来构建预测模型。

King 论点的核心是，在有缺陷的数据基础上扩展AI并不能解决问题，反而会放大问题。通过“端到端工程”，将数据管道、预测模型和业务需求视为一个综合问题，组织可以以更严谨的方式采用AI。该策略强调可靠性是规模化的先决条件，旨在以更高的信心自动化决策，并解决技术驱动型企业中的运营瓶颈。