人工智能和機器學習這兩個術語通常被視為同一枚硬幣的兩面。盡管如此，雖然ML算法增強了AI功能，并使它們能夠進行更多的尖端和智能計算，但還有一層額外的感知不可穿透性，現在它掩蓋了機器推理和做出有影響力的決策的能力。
行業專家推測機器學習算法是潛在的“ 黑匣子”，這主要是因為人們對信任生態系統持懷疑態度，因為生態系統對數據合規性和決策過程的透明度有限。
全球數據分析師社區幫助設計了AI或ML驅動的半自動或全自動分析系統。但是，數據質量的核心和經常出現問題可能總是占上風。除此之外，各種各樣不同的數據源，巨大的數據量和非結構化數據類型增加了現有的數據管理問題，特別是與數據治理相關的問題。
隨著ML的發展勢頭并繼續處于改變組織運作方式的最前沿，謹慎行事可能是明智之舉。在缺乏強大的數據治理流程的情況下，允許ML完全接管決策流程的熱情有可能釋放出一些關鍵問題 - 不可靠和誤導性的信息以及意外的費用開銷。
那么我們如何有效地做到這一點：
建立，組織和實施有效且穩健的ML模型的必要性之間的差距是否應該彌合？
我們是否應該滿足指數級增長的需求，以及理解和解密這些模型如何工作的需要？
我們如何理解ML算法正在訪問和利用的數據？此外，長期持續且往往不可逆轉的后果是什么？
數據治理無疑是最合乎邏輯的答案。
作為框架的數據治理定義并幫助實現對任何生態系統中使用的數據的可獲得性，可用性，完整性，安全性和有效性的整體管理。
在當今競爭激烈的世界中，每個組織都需要一個精心設計和可持續的數據治理模型，在加強數據治理和不限制機器學習的深遠潛力之間取得適當的平衡。
那么數據治理如何影響ML和AI呢？
實施數據治理模型的最初步驟可能是最難的，并且面臨最大阻力。數據治理不僅僅是關于合規性，它也是一門可以加速ML工作并使AI成為一種力量的學科：
有什么優點？
數據治理提供了一種樸實無華的直接方法，用于跟蹤和保護正確數據的使用，但也可識別數據錯誤并及時引發危險信號并幫助消除這些錯誤。
它使組織能夠花更少的時間挖掘提供ML算法所需的準確數據源，并將更多時間用于創建和改進AI模型。
數據治理的最大好處是它可以證明數據是可靠且一致的。這是必要的，因為越來越多的組織現在依賴大量數據，做出業務決策，增加運營，創造新業務，并提高盈利能力。
有什么缺點？
? ? ? 太多的治理可能會受到限制，因為試圖控制大量數據的最大缺點之一是忽視業務需求和目標。組織最終可能浪費大量寶貴的時間和資源，通過不重要的數據進行過濾，并最終獲得具有重要價值的數據來為ML算法提供支持。
? ? ? 數據治理模型也可能對數據的處理方式施加限制，并且可能會引起爭議，并且通常會限制組織的進展。
ML算法可能發現數據過濾和策劃規則過于嚴格，并且約束可能限制其在現代和動態演進的數據環境中有效執行的固有能力。
? ? ? 隨著ML和AI的使用和范圍的發展，以及更新的技術的實施，數據治理將獲得更廣泛的應用和接受。最近發生的大量高安全性數據違規事件使數據安全成為數據治理工作的重要組成部分。歐盟（EU）關于通用數據保護法規（GDPR）的指令是數據治理措施的一個主要例子，并強化了建立更強大模型的必要性。
? ? ?? 我們還有很長的路要走，以發現ML和AI的完整潛力和企業真正的能力。在一天結束時，在破壞性數據，智能ML算法和快速發展的AI環境的世界中，數據治理是為瘋狂提供一些急需方法的唯一方法。
（部分內容來源網絡，如有侵權請聯系刪除）
