Enterprises face data challenges, not just AI problems

•自主系統的興起和跨境數據流動限制，使數據主權成為關鍵挑戰，影響數據儲存地點及 AI 生成新數據的所有權歸屬，企業需從「數據租用」轉向「數據自持」策略。
•AI 並非取代數據治理，而是放大現有流程的優缺點；在 DevOps 基礎不成熟的企業中，數據衛生和治理不善將導致問題以機器速度擴大，特別是當 AI 智能體開始自主行動時。
•企業需從「模型中心化 AI」轉向「數據中心化 AI」，建議在專案啟動初期將高達 70% 的預算與人力投入數據基礎設施與特徵工程，僅保留 30% 於模型研發，以確保數據管道的穩定性。
•大型語言模型 (LLM) 和生成式 AI 的複雜性，促使對數據可觀測性工具的需求增加，以監控數據品質、模型漂移、響應品質及負責任 AI 指標，超越傳統監控範疇。
•AI 系統不僅是數據消費者，也是生成者（例如合成文本、圖像），這些機器生成的新數據需要新的治理框架來處理來源、同意、版權和潛在的「模型崩潰」問題。

MLOps 整合： MLOps (機器學習運營) 是一套實踐方法，旨在自動化和簡化機器學習工作流程，將數據準備、模型訓練、驗證、部署、監控和再訓練納入其中，強調自動化、版本控制和數據與模型的持續整合/持續交付 (CI/CD)。
數據品質維度： 數據品質管理框架，如麻省理工學院的全面數據品質管理 (TDQM)，定義了數據品質的四大維度：固有數據品質（可信度、準確度、客觀性、信譽度）、上下文數據品質（數據增值、相關性、時效性、完整性、適量性）、可呈現數據品質（可解釋性）。
數據可觀測性工具： 這些工具專注於監控 AI 系統中的數據品質、模型漂移、響應品質及負責任 AI 指標，透過分析指標、事件、日誌和追蹤等遙測數據，並常與 OpenTelemetry 標準整合。
自動化數據輸入與清理工具： AI 驅動的工具可自動執行數據輸入、網頁爬蟲和文件解析，將數據處理準確性提升至 99.95% 以上，大幅減少人工錯誤和數據清理時間。
FAIR-R 原則： 將 FAIR (可查找、可訪問、可互操作、可重用) 原則擴展至 FAIR-R (為 AI 準備就緒)，強調機器可解釋的結構化元數據、更完善的數據血緣記錄、偏見和代表性評估，以及符合負責任 AI 實踐。

全球對 AI 的監管審查將日益嚴格，企業需將合規性內建於 AI 開發流程中。

各國政府正積極制定 AI 治理框架（如歐盟《人工智能法案》），要求 AI 系統在數據隱私、倫理和透明度方面達到更高標準，以降低法律風險並建立信任。

企業將大幅增加對數據基礎設施和數據治理的投資，視其為 AI 成功的核心競爭力。

隨著 AI 專案失敗率居高不下，企業將意識到數據品質和治理是 AI 價值的基石，並將資源從單純的模型開發轉向建立強健的數據基礎。

針對數據主權和 AI 生成數據所有權的解決方案將加速發展。

面對數據跨境流動限制、第三方模型黑箱特性以及 AI 生成數據歸屬不明等挑戰，企業將尋求數據本地化、安全數據共享技術（如聯邦學習）和可編程信任等創新方案。

1988

麻省理工學院啟動全面數據品質管理 (TDQM) 計劃，為數據品質管理奠定早期系統化基礎。

2010年代後期

MLOps (機器學習運營) 作為一套實踐方法興起，旨在自動化和簡化機器學習工作流程，並將數據管理納入其中。

2023-2024

多份研究報告指出，高達 80% 至 95% 的 AI 專案因數據品質不佳、期望不切實際及缺乏治理而失敗。

2025-2026

業界日益強調「數據中心化 AI」策略，將更多資源投入數據基礎設施和特徵工程，並關注 AI 生成數據的治理與數據主權議題。

企業面臨的是數據問題，而非單純的 AI 問題