近年來人工智能的突然爆發，主要有兩個關鍵因素：一是大數據，為深度學習算法提供海量的訓練數據作支撐；二是高性能計算，尤其是通用計算GPU給予了神經網絡和深度學習強大的計算力支持，使得以前無法完成的計算或者無法在短時間內完成的計算成為了可能。正因為有了兩個關鍵因素作支撐，使得本輪人工智能呈現與以往不同的特征：在特定領域，學習的主體真正由人變成了機器，人工智能正式進入了2.0時代。
這也是試圖尋求借助人工智能實現自身轉型升級的傳統企業，最為關注的焦點：即如何借助人工智能技術，通過機器自主學習從海量的文本、視頻、圖像等大數據中每天24小時、永不停息地探尋規則、模式、預測、趨勢、關聯關系等隱性知識，實現知識創新服務與決策支持，釋放“智能紅利”，而使公司獲得更早的發展先機和更強的競爭力。因此，本文的關注重點并非研究某項具體的人工智能技術，而是探討如何在傳統企業內部建立從大數據到知識的一套工作機制或方法，即行業數據+AI元素，促成AI技術在行業知識轉化過程中更好地發揮創新引領作用。
企業大數據包括社交媒體數據、機器對機器數據、大體量交易數據、生物計量學數據和人工生成數據，分為文本、視頻、圖像、語音等承載形態。大數據到知識的轉化可以分為兩個階段：
在大數據深化應用階段，企業主要由數據科學家、
數據分析師等大數據專業人員運用機器學習、探索分析、實時數據服務等大數據深化應用技術，從大數據中提取出規則、趨勢、關聯關系等各類知識，基于相關的應用方向結合實際需求，構建應用場景，從而產生業務價值；這個階段的主要特征是以人為學習主體，大數據專業人員全程掌控，基于自身經驗去獲取所需的各類數據、選擇合適的算法、技術、工具平臺去發掘隱含在大數據中的隱性知識，完全離不開“人”。
在新一代人工智能應用階段，由數據科學家、數據分析師等大數據專業人員利用各種深度學習算法，放棄對結果的可解釋性、不限定問題假設、不訓練樣本、也不人工標記數據集，只追求學習的有效性，僅結合人類的先驗常識、隱性直覺等知識為引導，基于海量大數據，整體圍繞“以機器為學習主體”這一目標，建立注意力模型、記憶網絡、遷移學習、強化學習、半監督/無監督學習等算法模型，實現從淺層計算到深度神經推理，“永不停息”自主驅動學習，去發掘隱含在大數據中的隱性知識，最終使機器自身具備數據收集、整理、分析的能力，并自主對算法進行調整和優化，自主將大數據轉變為知識，實現高階人工智能，更好地支撐知識創新服務與各級決策。
大
數據治理
為了更好地支撐大數據到知識轉化過程，應將傳統數據治理升級到大數據治理，如同大數據是數據一樣，大數據治理本質上也是數據治理，數據治理方法論同樣也適用于大數據治理，但是考慮到大數據的特性，需要作出適當的調整，本文重點闡述大數據治理與傳統數據治理差異性較大的內容，以及大數據治理對于深化大
數據應用、支撐新一代人工智能落地的基石作用。
通過大數據治理，將推動“以人為學習主體”的大數據深化應用階段逐步向“以機器為學習主體”的新一代人工智能應用階段轉變，推進治理的數據類型由傳統的、占比不到15%的結構化數據向原生態格式、多結構、占比超過85%的非結構化數據轉變；推進治理的數據范圍由專注企業內部數據向行業上下游、跨行業、社會輿情等數據轉變；推進數據治理工作目標由體現間接價值向直接推動價值創造轉變。
（部分內容來源網絡，如有侵權請聯系刪除）
