原文：
www.kdnuggets.com/2022/04/artificial-intelligence-transform-data-integration.html
由 vectorjuice 创建的部署向量 - www.freepik.com
数据集成的世界已经变化多年。特别是考虑到全球越来越多的员工远程工作，企业现在比以往任何时候都更需要实时访问数据。借助人工智能（AI），组织可以更有效地分析大量信息，并在整个业务中共享其分析结果。
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析能力
3. Google IT 支持专业证书 - 支持你的组织在 IT 领域
人工智能（AI）和机器学习（ML）现在使企业能够创建数据集成平台，从而减少做出数据驱动的组织决策所需的时间。通过这些平台，企业还可以更好地保护敏感用户数据，防止恶意行为者的泄露。人工智能和机器学习还使公司更容易遵守重要的数据隐私和使用规定，例如 GDPR 和 HIPAA。
为了最大化人工智能和机器学习分析大量数据的潜力，企业必须利用其数据智能能力来创建和扩展数据集成平台。让我们来看看创建企业级数据智能基础所涉及的内容，以及人工智能和机器学习如何永久性地改变数据集成。
人工智能已被证明能够加快业务执行特定操作序列以为业务参与者创造价值的过程。这种 流程自动化，虽然只是人工智能在利用数据智能提供一致、可靠结果时众多好处之一；人工智能还可以大大提高数据质量，解决基于数据质量的问题。
人工智能使组织能够提高数据的一致性，从而最终提升其全企业的数据管理能力。借助 AI 和 ML，组织可以主动应对数据质量相关的问题，而不是以临时、无结构的方式做出反应。例如，一个组织可以不断将大量数据写入用户设备，并利用 AI 更好地预测用户何时会将设备断开网络，从而使自己易受不良行为者的攻击。
此外，AI 还允许企业监控用户设备——即使是离线的设备——以提醒他们何时停止向这些设备发送数据。企业的 AI 系统能够监控的设备越多，它就能越好地预测用户在设备使用方面的模式，以预期用户何时会离线，知道何时停止数据传输，从而降低整体维修成本。这种监控策略还为企业提供了检测异常的保护，考虑到数据隐私法规限制了他们对用户如何与设备互动的控制。
实时数据驱动决策的一个重要部分是客户数据映射。借助 AI，企业现在可以比以往更快地进行数据映射。更快的客户数据映射加快了组织转化数据和做出相应数据驱动决策的速度。
工具如 AI 映射系统允许用户概述复杂的客户数据映射，这些映射依赖于 ML 算法。这些 AI 驱动的工具使得商业领袖能够指导更准确的过程，通过这些过程他们可以绘制客户数据图谱——即使是非技术用户也可以使用这些创新工具来绘制客户数据图谱，而他们的信息技术同事则可以从事其他更技术性的任务。
AI 还可以加快企业处理大量数据的速度。ML 算法使得数据分析更快，即使这种分析涉及企业级的大数据。这种改进的数据处理最常应用于传统解决方案，但它也可以用于解析更现代的商业解决方案，如商业短信；改进的 AI 驱动的大数据处理甚至可以在应用于组织的大数据内部结构时，利用 ML 算法创建数据模型。
不久之前，大多数企业处理大量数据都是手动操作的。现代的大数据来源通常来自物联网（IoT）和流数据——简单来说，来自这些来源的大量数据无法通过传统的数据整合过程处理。幸运的是，依赖于机器学习（ML）技术的人工智能可以在应用于如物联网和流数据等来源时，改善数据整合的流动性。
人工智能和机器学习还提供了其他几个好处，解决了业务数据整合中的常见问题。例如，人工智能和机器学习降低了使用复杂度，同时使非技术专业人员更容易处理数据整合任务，而不需要寻求他人帮助。这种情况导致数据整合对用户的拥有成本降低。
此外，人工智能和机器学习技术提供了相对易于使用的数据整合（DI）模板，用于处理可配置数据。在人工智能的帮助下，这些数据整合模板变得适合提供直观的、逐步的过程，非技术专业人员可以按照这些步骤进行数据整合任务。
展望未来，值得注意的是，人工智能和机器学习技术将不可避免地增加对数据工程专业人员的高需求。企业应为未来的数据工程角色做好准备，这些角色将需要能够理解如何训练机器学习模型，以识别客户设备和数据使用中的数据质量相关异常的专业人员。
这意味着数据工程角色即将成为机器监督者的职位——数据工程师将负责训练机器，并确保它们准确地关联和分类属于大数据结构的资产。幸运的是，人工智能能够减少手动数据整合任务的时间，使数据工程师能够更好地监督机器训练背景下的数据分类任务。
Nahla Davies 是一位软件开发人员和技术作家。在全职从事技术写作之前，她曾担任 Inc. 5000 名录中的一家具体验品牌化公司的首席程序员，该公司的客户包括三星、时代华纳、Netflix 和索尼。