大數據的商業化進程在互聯網項目中比人工智慧更難評估

相對於人工智慧的傳統行業和硬體設備的介入，大數據來自各種各樣的來源，從企業傳統遺留應用程序和交易系統到由機器、移動設備、網路日誌和社交媒體生成的數據。這使得預測所需容量變得更加困難和低效。單個事件可能會導致數據量和工作量的突然變化。例如，一家金融服務機構在任何一天都可能會經歷10倍的數量波動，而具體的波動則取決於市場狀況，是很難預測的。

企業受到大數據對存儲容量/基礎設施日益增長的需求的挑戰。企業不僅需要規劃基礎架構，還必須確定如何輕鬆擴展，以滿足不斷變化的存儲和計算要求。對於幾乎任何企業來說，將其基礎架構容量規模擴展10倍來支持峰值需求，讓這些額外的容量在90%的時間內均處於閑置狀態，無疑是非常低效且不符合成本效益的。其他問題包括由於數據的增長所導致的基礎設施和維護成本不斷升高，還需通過實驗來確保足夠的帶寬來支持創新，以及數據採集和分析的成本。

藉助雲服務，企業無需為最大容量調整其基礎架構的規模大小。其彈性屬性使企業可以根據需要實現動態擴展或縮減基礎架構。隨意的市場波動，以及互聯網項目的繁雜和多樣性決定在商業進程的縮進和難以進步。

人工智慧思考

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！