IBM透露，与采用人工智能相关的挑战中，近一半集中在数据复杂性(24%)和集成和扩展项目的难度(24%)上。虽然营销人员“给它加上一个GPT后缀并称之为人工智能”可能是权宜之计，但努力真正实施和整合人工智能和机器学习的企业面临着双重挑战:首先，这很困难且昂贵，其次，因为它很困难且昂贵，很难找到“沙盒”，这是实现实验和证明“绿芽”价值所必需的，这将保证进一步的投资。简而言之，AI和ML是不可接近的。
数据，数据，无处不在e
历史表明，大多数业务转型一开始似乎都很困难，成本也很高。然而，在这些努力上花费的时间和资源已经为创新者带来了回报。企业识别新的资产，并使用新的流程来实现新的目标——有时是崇高的、意想不到的目标。人工智能热潮的核心资产是数据。
世界正在经历数据爆炸。根据希捷和IDC的2020年报告，未来两年，企业数据预计将以42.2%的年增长率增长。然而，目前只有32%的数据被投入使用。
有效的数据管理——存储、标记、编目、保护、连接和查询——不乏挑战。一旦克服了这些挑战，企业将需要确定用户不仅在技术上足够精通访问和利用这些数据，而且能够以全面的方式这样做。
如今，企业发现自己给普通分析师布置了有针对性的、假设驱动的工作。这种简写可以概括为一句老生常谈:“我通常让分析师拉出数据子集，并在其上运行数据透视表。”
为了避免狭隘的视野并更全面地使用数据，这种假设驱动的分析得到了商业智能(BI)的补充，其中大规模的数据被处理成报告、仪表板和可视化。但即便如此，令人眼花缭乱的图表规模也要求阅读者对重要的东西和需要寻找的东西有强烈的意识——再次强调，要以假设为导向——以便理解世界。否则人类根本无法处理认知超载。
这是人工智能和机器学习的大好时机。理想情况下，这意味着大量的数据科学家、数据工程师和机器学习工程师团队可以提供这样的解决方案，而价格正好可以折叠到IT预算中。此外，理想情况下，企业已经准备好了适当数量的技术;gpu、计算和编排基础设施，用于大规模构建和部署AI和ML解决方案。但就像过去的商业革命一样，情况并非如此。
无法访问解决方案
市场提供了大量基于两种方法的解决方案:为现有的BI工具添加更多的智能和洞察力;并使开发和部署机器学习解决方案变得越来越容易，在不断增长的机器学习操作领域，或mlop。
