當資料數據成為驅動 AI 應用的重要燃料，企業具備哪些概念、採取哪些行動，才能真正釋放資料潛能、提高生產力？Google Cloud 於 3 月 25 日舉行「Let’s Talk AI: Data Analytics」媒體聚會，深入探討 AI 時代下企業資料應用的改變，以及如何透過 Google Cloud 資料分析解決方案推動轉型創新。
「74% 的企業在導入生成式 AI 第一年內已獲得投資回報，其中 86% 更看到至少 6% 的營收增長，」Google Cloud 資料分析專家黃介榮指出，企業 AI 成功仰賴於數據運用，然而 70% 的企業在資料治理、資料整合至 AI 模型，及訓練資料量不足方面遇到困難，另外在企業內部 80% 的資料為非結構化存在，如語音對話、圖片、影音，是過去資料平台系統較不擅長處理的資料類型。
建立 AI-First 的資料策略
黃介榮表示，為助力企業以 AI 及數據開創新可能，Google Cloud 提出「AI 關鍵：建立資料基礎的 5 大步驟」，分析如何將資料從單純的儲存和管理，轉化為實際的商業價值。
步驟一是「制定 AI-First 的資料策略」。過往企業大量非文字化敘述儲存在內部 NAS，或是同仁的硬碟分享平台上，可能無法整合 IT 系統、快速尋找資訊，「但使用 AI 模型就能立刻分析照片、影片，因此企業的資料策略並非僅限儲存，更要確保資料的動態延展性，以適應不斷演進的 AI 應用需求，並且建立協作式資料生態系統，讓員工能在不同情境跨部門下靈活運用資料，從而產生深刻的商業洞察、將數據轉化為實質的商業價值。」
步驟二是「連結資料與 AI 以驅動洞察」。企業需要建立資料流通性，使其能被有效分析與用於機器學習，「我們可以建立統一的資料平台，例如發展開放式資料方法，支援結構化、半結構化及非結構化資料，再整合來自各系統的資料，建立企業級資料視圖，不僅打破數據孤島困境，更藉由即時資料串流賦能策略的制定。」
步驟三是「運用 AI 代理提升生產力」。過去資料整理需仰賴大量人工介入，現在透過 AI 代理可實現流程自動化、降低人為錯誤、加速資料處理，同時提供精確解答並產出具價值洞察，「AI 代理不僅能處理跨語言的資料翻譯，還能依據文化背景進行語境理解。此外，即時資料處理能力也可以從消費者行為迅速提供個人化建議，例如在電子商務場景，AI 可分析購物車內商品類型及使用者過往購買行為，進而給予精準行銷建議，提升轉換率。」
步驟四是「確保資料安全與數據治理」。隨著資料量和複雜性的增長，企業必須確保敏感資訊受到保護並符合相關法規，健全的資料安全與治理框架除了可以降低風險並建立與客戶和利益相關者的信任，還可以實現負責任和符合道德的 AI 開發，「企業應評估資料品質、法規遵循與安全性，例如是否有機制確保資料的準確性、完整性和一致性？平台是否提供工具和功能來協助組織遵守資料隱私法規？以及平台是否提供加密、存取控制和威脅偵測等強大安全措施，以保護敏感資料免受未經授權的存取和網路攻擊？」
步驟五是「提升效率以降低資料成本並實現規模化」。當企業資料量增長及 AI 專案擴展，就凸顯效率優化與成本控制的關鍵性，「面對這樣的挑戰，企業可以從資料平台支援工作負載自動化、成本優化工具、無縫擴展的三個面向評估，讓資料平台的性能足以協助企業擴展 AI 工作負載。」
助力企業實現「AI Ready」的 Data Platform
Google Cloud 看見業界對於「AI Ready」的 Data Platform 需求，也在今年發展三個技術創新。黃介榮表示，在多模態資料部分，Google Cloud 支援企業在同一個資料分析平台，能夠大幅簡化多模態資料的擷取與管理。
在 AI 協同處理部分，Google Cloud 全新的 AI 查詢引擎將 SQL 查詢與大型語言模型處理深度整合，運用 LLM 的上下文理解能力與真實世界知識，能夠提供具備情境感知且即時的查詢，一般員工即使不熟悉演算法，也可以透過 AI 助理獲得數據洞察。
在即時資料與檢索增強生成部分，BigQuery 將透過向量嵌入的檢索增強生成技術並整合其他類型資料庫，使 LLM 能夠即時存取企業資料。
另外，Google Cloud 在 3 月還推出全新的 Data Science Agent，黃介榮說明，「大家可以想像，當企業行銷人員在活動中尋找廣告投放的精準 TA，需要協同內部 IT 團隊或對應系統設定篩選條件，但行銷活動往往會發生動態改變，從過去資料分析系統就能圈出以前從來沒有被標籤的潛在使用者；另外對於資料相對分散的醫療產業而言，運用 Data Science Agent 即可完成資料清洗、整合，並且應用於疾病模型的研究。」
黃介榮強調，Google Cloud 致力透過資料，協助企業展開數據驅動文化的轉型，並且落實下一世代的資料平台，滿足更多元的 AI 應用需求。
