2025年与AI相关的数据管理趋势

从数据管理的角度来看，随着人工智能继续成为业务策略的核心组成部分，公司需要复杂的系统，这些系统可以在大型和非结构化的数据集中建立连接。

与组织估计的在2024年，平均在AI上花费2100万美元，对AI技术进行有效整合和合作的需求从未如此关键。将点和上下文化数据与图形技术连接在一起是在AI时代执行数据驱动策略的关键推动力。基于图的方法可通过大量成本节省增强和简化数据管理。他们还大大提高了从数据中提取价值和见解的能力，并将其纳入业务决策和流程中。 

从数据管理的角度来看，随着AI继续成为业务策略的核心组成部分，公司需要复杂的系统，这些系统可以在法律分析，财务或客户互动中建立大型和非结构化数据集的连接。

通过加速对数据的访问，业务用户和数据负责人都将继续采用解决方案，例如知识图，以简化和改善数据筒仓之间的数据集成和治理，进行快速准确地进行搜索，并扩展数据集成，同时保持可定制性以满足特定工作流程和业务需求。

前2025年与AI相关的数据管理趋势

结果，在2025年，希望看到数据负责人利用以下数据管理趋势：

1）组织将寻求企业AI准备，以使数据再次出色

即使在AI的曙光中，组织仍然面临诸如孤立的异质数据，治理问题和数据质量差的问题；所有这些都阻止了企业AI项目。但是，很明显，AI将成为推动更好的数据质量和治理前进的胡萝卜。在2025年，数据负责人将不再能够否认主要障碍不是模型，但是缺乏AI-Ready数据充满了商业环境，信任和丰富的元数据。因此，数据负责人将采用一种积极主动的整体方法来在新的一年中为AI的企业数据准备就绪。

组织将在2025年更加仔细地研究数据结构模式，以在整个企业中创建统一的数据访问，将结构化和非结构化数据与元数据集成为连接胶。企业还将意识到，要获得更好的AI治理，他们必须使用其专有知识和数据资产来帮助其Genai应用程序带来更可靠的结果。在来年，对企业数据和知识管理计划的重新调整至关重要，对于使数据再次出色。

2）AI（ROAI）的治理和返回将在数据负责人的头脑中脱颖而出

随着AI的普及，风险也随之而来。在2025年，组织将加倍强大的治理来解决数据偏见，道德隐私和幻觉。采用战略性的AI采用方法，对AI治理的深刻承诺对于在AI种族中取得胜利至关重要。要在明年取得成功，组织将在任何AI努力中不断访问潜在的投资回报率，并在开始之前问自己关键问题，例如：这些因素和用例是否需要为AI项目分配预算？和AI计划中的Roai，我们如何衡量这些投资的成功？如果需要，我们可以迅速适应不断变化的技术景观吗？我们如何在AI投资中平衡创新与相关风险？投资回报率在哪里，关键指标是什么？具体来说，哪个区域将主持我们的AI计划，以及我们将对什么指标负责？

3）企业IT团队将外包Genai的实施风险，并在短暂的迭代中运行价值项目证明

在整个2023年和2024年，许多企业都在Genai Pilot项目中挣扎，未能提供有形价值，其中一些企业在Genai的第三轮计划中没有获得生产质量的成绩。在2025年，我们预测企业Genai策略的转变：外包实施风险：企业将将Genai实施外包给顾问，以加速价值和减轻风险。7月，NYTIMES和FT报道说，埃森哲和BCG从生成的AI中赚取的钱比Openai和人为合并的更多。

将Genai与2025年的数据管理保持一致意味着企业将将Genai项目与数据管理计划集成，以确保数据质量，可访问性和合规性。通过采用这些策略，企业可以利用Genai的力量，同时最大程度地减少潜在的陷阱。” 

参见：建造有效抹布系统的关键课程

4）RAG将演变为多方法框架，这些框架协调检索代理以回答复杂的问题并优化成本和性能

检索增强发电（RAG）通过合并外部知识来增强LLM。尽管矮胖的ragâ（检索文件块）很受欢迎，但它限制了查询的复杂性。在2025年，组织将认识到RAG并不是一个神奇地帮助LLMS利用外部信息来源的黑匣子。他们将需要一种更全面的抹布方法，该方法可以灵活地为不同的子任务，包括文档块检索，实体检索和知识图检索，并根据相关的文本和数据回答NL问题。

企业架构师将认识到LLM仅是其中的最后一个任务。对于其他所有人，他们的表现几乎总是不差一点，回答更复杂的问题通常需要多重检索。 

支持各种查询方法和灵活检索工作流程的下一代抹布平台将在2025年统治市场。他们还将被认为使代理商能够在各种查询中进行各种查询，从确定相关概念到分析广泛的数据集进行动态解释和反应。同样重要的是，解决方案架构师将能够评估替代检索工具以优化成本和性能。

5）使用标准数据模式和开放知识将带来更聪明，可靠和准确的会话AI，而不会增加成本和复杂性 

由于LLM在理解数据架构时的限制，对话性AI在复杂的问题上挣扎。使用具有语义数据架构和域知识的知识图的图形抹布提供了解决方案。通过利用语义Web标准和Wikidata和schema.org等公开可用的资源，组织可以轻松构建知识图，并避免需要进行其他微调。这种插件的方法使LLM具有语义上下文和事实数据，从而使复杂的提问和数据自助服务应用程序成为2025年的现实。

随着企业将数百万美元投入AI投资，组织将寻求实施关键的知识图基础架构，以确保企业能够实现该技术的全部潜力，可以信任数据，并且可以大规模实施。

知识图和语义AI技术的结合将使企业能够从可扩展的AI解决方案中优化其回报，这些解决方案可以提供更深入的见解，自动化过程并改善决策，从而为进一步的创新创造基本的基础。