数据本身即产品，这是不少从事数字化工作者的直观逻辑。当数据治理完成后，能够看到这些数据并清楚地知道这些数据的真实业务含义，就已经相当不错了。
人工智能的应用，是数字化转型的未来趋势。近期的大模型产业之流行，也将这个趋势拉上了一个新的高度。
越来越多的企业开始认识到，人工智能技术正是数字化2.0的核心要义。
从数字化，到数智化，这是一个新赛道。很多传统的软件厂商都会面临挑战。传统的SaaS逻辑，ERP逻辑，本质上是以流程为中心进行方案设计和IT实施。
而在智能化的浪潮下，无论是甲方单位还是软件厂商，都应该关注数据本身的价值——从以流程为中心到以数据要素为中心。
数据的价值包含显性价值和隐性价值。显性价值，在“数据集成”和“数据贯通”完成的那一刻就已然实现了，而隐性价值则依赖于先进算法技术的加工和挖掘。
如果把数据比喻成食材。除了数据自身的质量很重要，加工数据的技术和手段同样重要(好的厨师)。云算力的普惠化和“低代码”的MaaS平台，把AI的门槛逐渐降低。
当企业可以轻便地接入AI能力的同时，接下来是一件非常关键的步骤，即构建专门针对AI应用落地的数据治理工作——这是数据治理的新方向!
在AI数据治理活动，除了需要不断完善基础的数据质量提升工作，还需要构建高质量的AI数据集。
例如，基于特定的策略筛选出对模型提升有重要价值的代表性数据样本，再或者，采用手动或半自动的方式构建符合训练过程范式的规整化数据集。
那么问题来了，基于AI的数字化应用，一般都有哪些具体的落地思路方向呢?
其实很简单，AI的本质，就是自动化，人工智能本身也是自动化技术的重要分支。
一是感知类应用。自动从多模态数据(图片、文本、视频、音频等)中，提炼有价值的业务信息，回答what now的问题。发生了什么。
例如，文本智能分析、语音特征识别、图像实时监控等。
二是认知类应用。利用上述信息，预测未知场景(当下不可知的场景或未来情况)，回答what future相关的问题。
例如，财务指标预测、自然灾害预警、设备风险评估等。
三是决策类(生成类)应用。基于what now和what future的答案，告知人或者机器应该如何去做，回答how的问题。
例如，内容自动推荐、智能文档生成、资源动态调度、检修计划制定等。
AI技术的智能属性来自于数据资源本身蕴含的业务知识和专家经验。
将数据要素以AI模型的方式进行构建和部署，可以快速复制业务产能，打造出高效率的知识型、智慧型组织!
