让人工智能（AI）更聪明的不是算法，是数据！(2)

一般而言，一个以数据为中心的 AI 战略包括以下步骤：

使用适当的标签并修复问题

摆脱冗长的数据实例

数据扩充

特征工程

错误分析

聘请领域专家来识别数据点的准确性或不准确性

比较以数据为中心的 AI 和以 AI 为中心的数据科学

在比较以数据为中心的AI和以AI为中心的AI时，存在一些关键区别 数据科学。 首先，以数据为中心的AI专注于使用数据来推动AI模型的开发。该数据用于通知 AI 模型的训练、测试和评估。相比之下，以AI为中心的数据科学侧重于AI模型如何使用数据进行学习和决策。它可以包括以下内容 预处理数据 、特征工程和模型选择。

此外，以数据为中心的 Al 还可以通过提供可愉快地格式化和清理以供使用的数据来帮助平滑 AIOP（AI 模型操作化过程）。清理数据可能非常耗时，但对于 AI 模型的成功非常重要。

优化和操作 AIOps 函数

随着企业努力将其AIOps功能完全实施，以数据为中心的AI已成为难题的关键部分。借助以数据为中心的 AI，一切都是为了使用数据来学习和改进算法和流程。换句话说，数据用于“训练”AI系统，以便它可以做出更好的决策并采取行动来优化和改进AIOps功能。

以数据为中心的 AI 对 AIOps 如此重要的原因有以下几个：

机器学习模型需要大量的数据才能有效;输入系统的数据越多，它就越善于做出预测和采取行动。存储技术和 云计算 已经使得存储和处理大量数据成为可能，有助于以前所未有的规模训练机器学习模型。

AIOps 功能在不断变化和发展。随着新数据的生成，能够将这些数据合并到AIOps系统中非常重要，这样它就可以提高其性能。以数据为中心的AI允许这种不断的学习和演变，以便AIOps系统始终尽可能有效。

以数据为中心的AI有助于识别模式和关系，否则通过分析大量数据很难识别这些模式和关系。被识别出的这些信息可用于改进AIOps系统，以更有效地识别和解决问题。

以数据为中心的AI可用于识别异常值和异常行为模式。然后，此信息可用于进一步调查并在必要时采取纠正措施。