伴随着业务的快速变化,零售行业对技术痛点的感受较其它行业更为深刻,变化的意愿也更加强烈。其中,在数据使用上面临“多”与“快”的问题。
AI不是万能的,数据不是万能的,没有数据是万万不能的。我们对于世界的认识和认知,进行抽象提取,而后成为知识。数据是这一切的基础。数据失之毫厘,AI的结果差之千里。数据工程师和AI算法工程师是背靠背的一对兄弟,相辅相成,谁也离不开谁。
AI不能代替人类的创造性思维,但工具可以解决重复低效的体力密集型开发与维护,加快数据的流通。当设备、应用和数据随时随地可获取时,连接将促进价值的裂变。
之前我们探讨的话题始终围绕在上层建筑层面(理念、组织架构),没有向下延伸到实践落地。鉴于此,本篇将在前三篇文章的基础上详谈DataOps落地所需考虑的技术点。
让数据快速从负债变成资产,绝不仅仅是某种软件或者工具就可以做到的,我们需要构建相应的文化。
数据出现问题并不仅仅是数据部门的原因,更多是组织架构及配合的问题。相较于追责某些工具,反而应该思考该用何种理念和方法来面对背后的“元问题”。基于此,我们提出应从DataOps入手。