传统观点认为，在成功使用人工智能之前，你需要解决你的数据管理缺陷。但据一些技术高管称，这可能不再是唯一途径，他们看到了在构建人工智能应用程序的同时应用生成式人工智能（GenAI）掌握语言和解决数据管理问题的潜力。

AWS负责数据和人工智能市场的副总裁Rahul Pathak认为自己是一个老派的数据专家，他从不建议为了在纸面上展示成功而走捷径。因此，当他建议GenAI可以让你在数据管理能力上领先并更快地获得结果时，你可能会注意到。

Pathak说：“在我们的世界里，必须采用序列化方式，你必须把数据库整理好，然后你必须构建一个基于数据的应用程序。”“我认为你实际上可以稍微改变一下这个过程，在这个过程中，你可以使用管理良好、安全的模型上下文协议（MCP）端点和最先进的模型，几乎立即开始为人工智能解锁数据。[它们]真的可以帮助你几乎就地解锁数据，然后开始帮助你点亮人工智能应用程序。”

显然，并非所有的AI用例都是一样的。某些用例可能需要在数据接触人工智能算法之前收集、清理和准备数据。但是，当涉及到在预训练的模型上运行推理工作负载时，可能无法对数据进行分级。好消息是，MCP绕过了许多以前可能需要的大量数据（更不用说数据管理的痛苦和花费的金钱了）。

Pathak说：“你可以把MCP服务器看作是一个联合查询。”“该模型允许您获取数据。它具有一定的模式弹性。然后知识库和索引几乎就像一个物化视图。因此，在这种组合中，您可以更快地获取数据。模型中的智能确实增强了数据工程师和数据科学家的能力，使他们能够比我们以前更快地移动。”

Pathak有一个现实世界的例子，一家制造公司希望使用生成式人工智能来加速生产。该公司已经收集了大量的遥测数据，但事实证明，从遥测数据中提取知识并将其应用于工厂生产线是困难而耗时的。

解决方案是使用GenAI的自然语言处理（NLP）功能从遥测数据中提取相关数据。然后，这些见解被输入到传统的机器学习优化模型中。在后端，GenAI再次被用来生成指令，告诉操作员如何修改他们的流程以加快生产。

Pathak说：“正是这种整合使我们能够比以前更快地行动。”“否则，你将面临一个大数据、ETL和数据整理项目，你必须这样做才能让遥测数据快速可用。我们现在可以做得更快。所以这是一个很大的突破。”

PromptQL是另一个跳过大数据管理项目直接进入GenAI项目的支持者。该公司开发了一种基于GenAI的查询工具，允许用户立即开始查询他们的数据，而无需经历构建语义层的耗时过程。

PromptQL的人员表示，语义层仍然很重要，因为它用于将业务的特定术语和指标转换为工具所需的技术表名称，以提供准确的查询。但最大的区别在于，PromptQL提倡在使用过程中构建语义层，并随着时间的推移根据用户的反馈进行定制。他们说，在一个大爆炸式的数据管理项目上花费数月或数年的时间，会导致无休止的POC（概念）并最终失败。

早期人工智能项目的高失败率就像房间里的大象。麻省理工学院最近的一项研究发现，95%的GenAI项目从未走出试验阶段，这让人们感到紧张。随着数万亿美元被投资于购买快速GPU、大规模存储阵列和大型AI数据中心，一些非常富有的机构正在对AI进行一些大赌注。

资源较少的小公司必须更加明智地利用人工智能机会。好消息是，GenAI掌握语言的能力可以以多种方式使用，包括使用它来理解数据是如何建模的，这可能会让你，如果不是跳过数据管理阶段，至少可以在构建第一个人工智能项目的同时解决它。

“这些不再是连续的步骤，”Pathak说。“我认为，对于许多正在应对遗留数据挑战的公司来说，这是一个巨大的范式转变，坦率地说，自从数据库中有多个表以来，我们一直在处理遗留数据挑战。”

他说：“我认为生成式人工智能所做的和现在的不同之处在于，它真的给了我们一些超能力来实现这些事情。”

与 Ai 时代前沿合作，将大门向更多普通用户敞开！免费课程限时领，还有好礼相送！无论你是对新技术充满好奇心的爱好者，还是希望提升自己技能的职场人士，这里都有适合你的课程和资源。欢迎扫码加入我们！

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.