导言
人工智能正迅速成为一种普及技术。如今，每个组织都能使用到功能日益强大的AI模型，这些模型正以惊人的速度不断进步。. 竞争优势不会来自模型本身, ，而是取决于他们能够获取的企业情报的质量。.
企业智能不仅限于“data”。正是业务含义、治理、关联关系、政策和机构知识的结合，使人工智能能够理解企业的实际运作方式。如果没有这些要素，即便是最强大的AI模型，也很难产出值得信赖、可解释且可付诸行动的结果。.
挑战并不在于从头开始构建企业智能，而在于 将分散的业务知识整合到一个受管控的层中, ，并随着业务的变化不断优化它。这正是许多人工智能转型陷入停滞的原因。 试想一家银行对“高风险客户”的定义：合规部门因其可疑活动将其标记，信贷部门因其可能违约将其标记，反欺诈部门因其异常交易将其标记。每个团队依据自身的规则都认为自己是对的，但这些定义并不一致，而治理正是通过为每个系统和AI代理提供一个统一的答案，来弥合这一差距。.
本文提出了一份企业人工智能蓝图。 Starburst 展示了组织如何在分布式 data 和 metadata 环境中构建值得信赖的企业智能。Artefact 则展示了能够实现该智能持续发现、认证、复用和优化的运营模式。二者共同提供了在企业级规模上实现人工智能运营所需的技术基础和组织模型。.
为何在多次成功试点后，data对话式智能代理仍无法实现规模化
大多数组织已经证明， 对话式人工智能 确实可行。它们打造了令人印象深刻的试点项目，展现了切实的商业价值，并在整个组织内引发了热烈反响。然而，能将这些成功经验扩展为企业级能力的却寥寥无几。.
面临的挑战在于企业就绪性。在对话式 data 智能客服能够大规模稳定运行之前，企业必须回答以下三个根本性问题：
- 谁来定义人工智能应运行的业务环境？
- 我们如何确保人工智能的推荐结果既可靠又可解释，并能与组织的问责制挂钩？
- 随着业务的不断发展，该系统是如何持续学习和改进的？
企业智能层：您现有的data foundations正是您最宝贵的人工智能资产
人工智能只能生成 值得信赖的业务成果 当以下三件事依次发生时：必须能够访问企业 data，必须梳理业务含义，并且在任何决策制定过程中都必须激活可信情报。.
企业上下文层通过一个简单的执行模型构建了这一基础：
连接。. Enterprise data 和 metadata 已广泛存在于各运营系统、cloud 平台、data 数据湖、目录、语义模型、商业智能（BI）工具以及文档中。.
Starburst 并非要求企业将这些资产集中管理，而是通过 data 和 metadata 实现联邦化，从而使 AI 项目能够立即启动，无需等待迁移或整合项目。企业可以利用现有的智能资源立即开展工作。.
整理. 互联的 data 将转变为可重复利用的企业智能。企业上下文层将联合的 data 组织成符合业务运营方式的、支持人工智能的 data 产品——包括客户、产品、政策、账户、风险、供应商及其他核心业务实体。.
每款 data 产品都融合了以下四个要素：
- 可信 data
- 商业含义
- 业务逻辑
- 嵌入式治理
这些要素共同构成了可重用的企业智能单元，可在分析、应用程序和人工智能之间共享。企业无需为每个仪表板或代理重新构建业务背景，只需构建一次，即可在任何地方重复使用。.
激活。. 支持人工智能的 data 产品已成为仪表盘、应用程序、AIDA 以及经过批准的人工智能代理的通用智能基础。由于每款 data 产品都已包含可信的业务含义、关联关系、治理机制和可复用的业务逻辑，因此人工智能能够基于企业智能进行推理，而非直接基于原始的 data 数据。.
随着人工智能模型的不断改进，企业上下文层的价值也随之提升。更智能的模型提升了值得信赖的企业智能的价值。.
乘数是： 模型 × 企业智能
连接。组织。行动。.
为企业人工智能奠定技术基础。.
要将这一基础付诸实践，还需要一项额外的能力： 持续改进。.
在金融服务领域，这一基础比大多数组织意识到的要近得多。虽然金融机构最初投资于治理是为了满足监管要求，但这一被迫采取的举措却为情境层奠定了核心基石：
- Data 管理员 对一线业务定义有深入了解的人员
- Data 结构域 拥有成熟的所有权结构和清晰的传承脉络
- 商业术语表 是在监管审查下开发的，其中已预先嵌入了人工智能助手为确保可信运行所需的逻辑
在金融服务领域部署会话式 Data 智能代理并非一项全新的转型，而是一种自然而然的 演变 在已实施的data governance项目中，此次举措不仅是为了满足监管要求。.
示例——客户是谁？
试想一下，在一家大型银行中，有一个看似简单的问题：谁是客户？这听起来很简单，但却是金融服务领域最复杂的data挑战之一。.
这个问题取决于提问者是谁。零售银行业将客户定义为账户持有人；商业银行业则以法律实体或企业集团为单位；财富管理行业则以家庭为单位；反洗钱（AML）和了解你的客户（KYC）团队将客户定义为经过风险评估、并具有筛查和监控名单状态的个人；而市场营销部门则将客户视为基于行为和交易信号构建的可定位用户画像。.
现在向每个团队提出同一个问题： 我们有多少活跃客户？ 每个都返回不同的数字，因为每个都采用了不同的、但同样有效的业务定义。如果没有业务背景，这些答案就无法协调一致。一个对每个查询都应用单一定义的Data对话式智能代理，不可避免地会导致响应不一致，并削弱用户的信任。.
解决之道并非另一个AI模型。. 这就是治理。.
业务职能部门负责制定并验证其定义，data 管理员将其转化为受管控的业务规则，而语义层则保留了该上下文。 随后，对话式 Data 代理会根据用户的角色、业务职能和意图，选择合适的定义。此外，它现在能够识别提问者身份、了解用户所处的上下文，并据此确定应调用哪个 data 产品。.
企业智能运营模式
“连接。组织。行动。” 为企业人工智能奠定了技术基础。.
要在企业层面实现人工智能的实际应用，还需要具备一项额外的能力： 改进。.
企业智能并非静态资产。业务定义在不断演变，产品在不断更新，法规也在不断变化，人工智能能力也在不断提升。每一次交互都为强化企业的智能基础创造了新的机遇。.
持续改进是通过一个简单的运作循环实现的。.
发现
应利用人工智能不断发掘提升企业智能的机遇。.
通过观察 元 data, 查询模式、业务规则的使用情况、data产品之间的关联以及消费者行为，该平台能够识别出强化业务逻辑、推荐新 支持人工智能的 data 产品, 改进 metadata，并在不同领域扩展可复用的智能。.
每一次互动都成为新的学习机会。.
认证
人工智能发现，人们建立信任。.
值得信赖的AI需要明确的责任归属，而非更多的治理措施。业务团队和技术团队各自发挥着不同的作用，以确保AI在正确的业务背景下运行，并随着组织的演进而持续改进。.
- 上下文域所有者 通过界定术语的使用方式、使用对象以及适用于哪些决策，来规范商业含义。.
- 场景赋能团队（Data 和 AI 架构师） 将业务定义的上下文转化为受管控且支持人工智能的data产品。.
- 上下文控制与协调团队 对上下文层进行版本控制、管理和审计，以确保每项 AI 输出都能追溯到已记录的业务决策
再利用
经过认证的情报可立即在分析、应用程序等场景中重复使用，, AIDA, ，以及经过批准的AI代理。每一位新用户都会产生反馈，从而完善企业智能基础架构。.
随着每次迭代，企业智能变得更加值得信赖、更加全面、也更有价值。.
这种运营模式无需建立新的组织架构，而是拓展了现有岗位的职责范围。技术与人员相辅相成，共同构建了一个持续智能系统。.
Starburst 提供了技术基础。该运营模式确保企业智能能够随着业务的发展而持续演进。.
如果没有运营模式，可能会出现什么问题？
如果没有一个智能的运营模式，人工智能就无法获得提供一致、可靠答案所需的可信业务背景。试想一家银行在尚未对业务定义、政策和规则进行治理和认证的情况下就部署了人工智能助手。当高管询问活跃客户数量时，不同的人工智能助手和仪表盘会给出不同的答案。.
这个问题远不止于数据不一致。如果对业务背景本身没有明确的责任归属，就没人能解释清楚采用了哪种定义、为何选择该定义，以及是谁批准将其作为政策。一旦出现问题，责任归咎就沦为“AI是这么说的”，而这绝不是高管、监管机构或客户所能接受的答案。 随着人工智能日益融入日常决策，组织绝不能容忍那种无人负责的智能系统。.
领先的企业都认识到，挑战并不在于开发更多的人工智能代理，而在于明确每个代理所依据的业务背景归谁所有，从而确保信任和问责制能够随着业务规模的扩大而同步扩展。.
Artefact对此采取的处理方式
在 Artefact，评估作为一项核心工作流被纳入了我们的“AI Factory”方法论之中。. 每次智能代理部署都包含一个评估框架设计阶段，该阶段与智能代理的开发工作并行进行。我们会定义轨迹级评估标准，构建针对具体用例量身定制的情景库，并在智能代理上线前建立持续监控机制。.
其背后的思路很简单： 一个可以衡量的代理，才是值得信赖、可以改进并能实现规模化的代理。. 我们合作的那批早早采用这一方法的组织，总能更快地投入生产，并赢得利益相关者更大的信任。.
人工智能领域的领军人物不仅仅是在打造更优秀的智能体。他们正在 构建智能运营模式 现在，因为他们既将其视为…… 既是立竿见影的推动力，也是长期的竞争优势。.
一个由明确的管理者拥有和维护的、受监管的智能层，能够同时加速所有人工智能项目的推进。. 治理机制已内置其中，因此团队无需在后期另行添加。该层可与团队选择构建的任何代理配合使用，因此每个新项目都能基于同一可信基础启动，而非从头开始重建。而且，由于业务用户可以从可信来源自助获取服务，他们不再需要为了得到一个答案而等待IT部门的响应。 总体而言，团队无需为每个新用例重新定义术语、规则和上下文，因为这些工作早已有人完成，并且有人负责确保其内容始终保持最新。.
组织应该从哪里着手？ 通往可信人工智能的道路始于聚焦具体应用场景，而非全公司范围的大规模改造。领先的企业会确定业务场景中哪些领域能产生最大影响，从一开始就为这些场景明确指定负责人，并利用这些早期经验，随着时间的推移不断完善其运营模式。.
随着人工智能模型的不断演进，那些拥有值得信赖的企业智能和明确责任归属的组织，将实现更快的规模化发展，并在竞争中建立持久的竞争优势，而那些受制于分散的“data”架构和缺乏明确归属的业务背景的组织则将难以企及。.
如今做好智能准备，不仅仅是为了迎接人工智能的未来。这是为明天赢得的战略优势，而这一切首先要明确由谁来确保其正确实施。.
如果您想了解我们是如何帮助其他客户应对这一情况的，请联系 Artefact 和 Starburst 团队：
Artefact： 阿基莱什·卡莱（akhilesh.kale@artefact.com） | 尼维塔·阿拉文丹（nivetha.aravindan@artefact.com）
《星爆》： 阿德兰·埃斯塔拉（adrian.estala@starburstdata.com) | 克里斯蒂安·维莱斯 (christian.velez@starburstdata.com) | 埃文·史密斯 (evan.smith@starburstdata.com)
