David Bauer, Ph.D, Technical Founder & CTO, Axonis

解锁企业人工智能的最后一英里：基于数据的联邦智能

企业人工智能的采用范围广泛，但执行却不均衡。各个行业的组织都在尝试机器学习和生成模型，培训团队，并在有限的工作流中部署人工智能工具。然而，只有少数企业允许人工智能系统影响真正的运营决策。主要的限制不是模型性能，而是对数据的信任，这些数据告知这些决策。企业数据是分散的、敏感的，并且受到各种约束的管理。关键信号驻留在分析平台、运营系统、受监管的环境、合作伙伴生态系统和实时流中。这些数据的大部分不能被自由复制或集中化，因为这会增加安全风险或违反合规性要求。因此，许多人工智能计划仍然局限于试验、分析和辅助用例，对业务战略或具有可衡量影响的决策的影响有限。这种试验和影响之间的差距通常被描述为企业人工智能的最后一英里。它反映了一个更广泛的架构挑战：使人工智能能够安全地跨整个企业数据景观工作，而不仅仅是最容易访问的部分。企业数据是分布式的现代企业在一个复杂和分布式的数据环境中运营。仓库和湖仓支持分析和报告，而运营系统管理事务、物流和客户交互。边缘环境生成时间敏感的信号，受监管的系统对敏感信息施加严格的控制。合作伙伴和生态系统数据增加了进一步的复杂性。这些系统是为了满足不同的运营、监管和性能要求而设计的。因此，企业数据是出于必要而不是意外地分布式的。尝试将所有数据集中到一个平台上通常会引入延迟、重复、治理开销和安全风险。结果是人工智能系统通常是在部分代表企业现实的数据上进行训练和评估的。虽然这些模型在受控环境中可能表现良好，但当应用于真正的运营决策时，其有用性会降低，这些决策依赖于更广泛的信号。信任来自访问、治理和控制企业人工智能的信任是当组织对数据的访问、治理和使用有信心时发展起来的。决策者期望人工智能系统反映当前的运营状况，尊重安全性和隐私要求，并在既定的治理框架内运营。在实践中，这些期望很难满足，当数据访问被限制在集中或清理的子集时。敏感属性、受监管的记录和实时信号通常被排除，这降低了人工智能输出的相关性。随着时间的推移，这限制了组织对人工智能驱动的建议的信心。分析师研究 强化了这种模式。虽然人工智能的试验很常见，但组织经常引用数据准备、治理成熟度和安全约束作为人工智能计划未能超越有限部署的原因。为了使人工智能成为企业决策中的可信参与者，它必须能够在适当的控制下与所有相关数据进行交互，而不是在一个受限的子集上运行。联邦架构使人工智能能够到达所有企业数据联邦架构通过使人工智能执行与企业数据的分布性质相一致来解决这一挑战。与其将数据重新定位到一个集中系统，联邦方法允许计算直接在现有的环境中运行。在一个联邦模型中，数据保持在本地所有权和治理下。政策在数据驻留的地方执行，人工智能工作流在原地执行。这一方法减少了不必要的数据移动，保留了数据主权，并允许人工智能系统与更广泛的企业信号进行交互。联邦架构越来越被认为是对集中式人工智能系统局限性的一个实用回应。 Gartner 强调了联邦分析作为一种使半自治数据域之间实现互操作性和信息共享的模式，支持去中心化治理和域所有权，同时保持企业级标准。行业分析进一步强调了联邦方法与分布式数据环境的对齐，保留本地控制、治理和安全性，同时实现更广泛的人工智能访问。联邦学习 阐明了这一原则的实际应用，通过使得在去中心化数据集上进行协作模型训练而无需共享原始数据成为可能。虽然它代表了一种特定的技术，但它表明了如何在尊重本地控制的情况下跨环境推导出智能。更广泛地说，联邦架构为人工智能系统提供了一个基础，使其能够在不损害治理的情况下跨所有企业数据（包括分析、运营、受监管和实时数据）工作。数据级安全使联邦运营成为可能联邦执行扩大了人工智能的范围，而数据级安全确保这种范围保持受控。随着人工智能系统持续地跨域交互数据，安全性和治理必须以匹配数据敏感性的精度水平运营。数据级安全在个别数据元素的级别上执行政策，而不是仅仅依赖系统级或基于角色的控制。这允许人工智能工作流访问允许的属性，同时敏感字段保持受保护，即使在同一个数据集中。通过将安全性直接嵌入到数据使用中，组织可以在混合敏感度环境中应用人工智能，同时降低风险并保留合规性。行业研究，包括 Deloitte 的分析 人工智能采用障碍，强调了治理必须在人工智能生命周期中持续运营，因为系统越来越接近影响运营决策。从部分可见性到企业范围内的智能企业人工智能的承诺在于其能够纳入所有相关数据，而不仅仅是方便访问的数据。联邦架构与数据级安全相结合，能够使人工智能系统在整个企业数据资产中运营，同时保持信任、合规性和控制。这种方法允许组织： 将运营和实时信号纳入人工智能工作流 尊重监管和合同边界 减少重复和安全风险 在环境中保持一致的治理 随着人工智能能力的不断进步，数据访问和安全的架构决策将在决定企业结果方面发挥越来越重要的作用。为现有的企业设计人工智能企业人工智能成功时，它反映了运营现实。数据是分布式的，治理是细致的，安全期望很高。联邦、数据中心的架构承认这些条件，并为人工智能提供了一条超越受限试验的路径。通过使人工智能能够在数据驻留的地方运行，并在数据级执行控制，组织可以将智能扩展到整个数据景观。这一转变将人工智能从分析辅助工具转变为决策中的可信参与者。最后一英里是当人工智能可以安全、负责地与企业中的所有数据交互时实现的，无论数据驻留在哪里。