在过去的几年里，企业需要快速创建新的商业模式和营销渠道，这加速了人工智能的采用。在医疗保健领域尤其如此，数据分析加速了新冠疫苗的开发。在消费包装商品方面，哈佛商业评论报道称，Frito-Lay公司在短短30天内创建了一个电子商务平台Snacks.com。

新冠疫情还加速了人工智能在教育中的采用，因为学校被迫在一夜之间启用在线学习。只要有可能，世界就会转向“非接触式”交易，彻底改变银行业。

新冠疫情期间的三项技术发展加速了人工智能的采用：

• 持续廉价的计算能力和存储
• 新的数据架构
• 新数据源的可用性

人工智能发展的利弊

以下了解这些发展对IT领导者的利弊。

1.持续廉价的计算能力

即使在摩尔定律之后的60年，计算能力也在不断提高，通过NVidia等公司的新芯片，有了更强大的机器和更多的处理能力。AIImpacts报告称，“在过去的25年中，每美元可用的计算能力可能大约每四年增加十倍（以FLOPS或MIPS衡量）。”然而，在过去的6-8年中，这一速度有所放缓。

优点：事半功倍

廉价计算为IT领导者提供了更多选择，使他们能够事半功倍。

缺点：太多的选择会导致浪费时间和金钱

考虑大数据。借助廉价的计算，IT专业人员希望发挥其强大功能。人们希望开始摄取和分析所有可用数据，从而获得更好的洞察力、分析和决策。

但是如果不小心，最终可能会得到巨大的计算能力，而没有足够的实际业务应用程序。

随着网络、存储和计算成本的下降，人类倾向于更多地使用它们。但它们不一定能为所有事物带来商业价值。

2.新的数据架构

在新冠疫情之前，“数据仓库”和“数据湖”这两个术语是标准的此。但是像“数据结构”和“数据网格”这样的新数据架构几乎不存在。DataFabric支持人工智能采用，因为它使企业能够通过自动化数据发现、治理和消费来使用数据来最大化其价值链。无论数据位于何处，企业都可以在正确的时间提供正确的数据。

优点：IT领导者将有机会重新思考数据模型和数据治理

它提供了一个逆向集中式数据存储库或数据湖的趋势的机会。这可能意味着在最相关的地方有更多的边缘计算和数据可用。这些进步导致适当的数据可以自动用于决策——这对人工智能的可操作性至关重要。

缺点：不了解业务需求

IT领导者需要了解新数据架构的业务和人工智能方面。如果他们不知道业务的每个部分需要什么——包括数据的类型以及数据的使用地点和方式——他们可能无法创建正确类型的数据架构和数据消费以获得适当的支持。IT对业务需求以及与该数据架构配套的业务模型的理解至关重要。

3.新的数据源

Statista研究强调了数据的增长：2020年，全球创建、捕获、复制和使用的数据总量为64.2泽字节，预计到2025年将达到180泽字节以上。2022年5月的Statista研究报告称，“增长是由于新冠疫情导致需求增加，因此高于之前的预期。”大数据源包括媒体、云计算、物联网、网络和数据库。

优点：数据很强大

每个决策和事务都可以追溯到数据源。如果IT领导者可以使用AIOps/MLOps将数据源归零以进行分析和决策，那么他们就获得了授权。适当的数据可以提供即时的业务分析，并为预测分析提供深刻的见解。

缺点：怎么知道要使用哪些数据？

被来自物联网、边缘计算、格式化和非格式化、智能和难以理解的数据所包围——IT领导者正在处理80/20规则：提供80%业务价值的20%可信数据源是什么？您如何使用AI/ML操作来确定可信的数据源，以及应该使用哪些数据源进行分析和决策？每个企业都需要找到这些问题的答案。

核心人工智能技术正在自行进化　　

人工智能正变得无处不在，由新算法和越来越丰富且廉价的计算能力提供支持。70多年来，人工智能技术一直走在进化的道路上。新冠疫情并没有加速人工智能的发展；它加速了它的采用。