AI 数据管理的复杂真相（以及应对之道）

Tue, 12 May 2026 16:23:42 Z

数据永远不可能完全干净，只是程度不同而已。

在我攻读数据科学硕士的第一天，一位教授就提醒我们，大约 80% 的时间会花在预处理和清洗上，而不是构建模型。这一点让我印象深刻。

多年后，作为 Ivanti 负责 AI、机器学习和分析的首席产品经理，我发现这条建议在实践中依然非常适用。

随着我和团队努力将 AI 从实验室带入 IT 和安全团队的生产环境，AI 数据管理变得比以往任何时候都更加重要。Ivanti 2025 年工作中的技术报告发现，42% 的办公室员工在工作中使用生成式 AI 工具，较上一年上升 16 个百分点。在 IT 专业人员中，采用率达到 74%。

需求已经存在，顾虑也同样存在。许多 IT 领导者知道自己的数据并不干净，系统相互割裂，治理也尚未跟上。但好消息是：采用 AI 并不需要完美数据。

您需要的是一项清晰的 AI 数据管理策略，并以现有数据为基础来构建。

为什么 IT 数据永远不可能完美

在企业 IT 中，数据质量问题并不是异常情况，而是 AI 与数据管理的基本现实。工单分类不一致，资产清单不完整，关键信息分散在各个系统的数据孤岛中。支持工单和调查回复中的非结构化文本也难以进行整齐划一的分类。

Ivanti 的研究证实了这一问题的严重程度。我们的2026 年自主端点管理优势报告发现，89% 的 IT 专业人员表示，孤岛化数据会对运营产生负面影响，其中 39% 表示数据孤岛会导致资源使用效率低下。

我们的工作中的技术报告也呈现了类似情况：

38% 的 IT 专业人员认为技术复杂性是高效运营的重大障碍，同比上升 4 个百分点。
近一半（46%）的人表示，新的软件部署实际上会推高工单量，而不是减少干扰。

再加上 48% 的组织仍在运行已停止生命周期支持的软件，图景就很清楚了：这是一个天然就很复杂混乱的数据环境。

正如 Ivanti 产品营销总监 David Pickering 对我所说：当不同系统中的数据格式各异、录入方式不一致、按部门形成孤岛，并且受到多年并购历史的影响时，跨越这些系统的智能体 AI 工作流很快就会遇到问题。如果您自己都不知道该信任哪些数据，就无法告诉 AI 应该信任哪些数据。没有这个基础，即使设计良好的自动化也会在关键环节出现问题。

换言之，“垃圾进，垃圾出”依然适用。但高质量无瑕的数据短期内不会出现。任何严肃的主数据管理和机器学习方法，都必须正视这种混乱，而不是等待它自行消失。

决策框架：选择您的数据管理策略

在 IT 领域，面向 AI 的数据管理主要有两条路径。两者都可行，也各有取舍，许多组织会针对不同用例同时采用这两种方法。

路径 1：手动/程序化清洗

当我的团队为Ivanti 的 ITSM 系统引入工单分类时，我们正在训练一个模型来对服务请求进行分类。这需要干净且标注完善的训练数据。因此，我们在工作流中加入了一个步骤，让管理员有机会在数据输入模型之前进行审核和清洗。事实证明，这种人工审核显著提升了准确性。

当您训练或微调自定义模型、将数据摄取到知识库，或处理可定义质量标准的结构化数据集时，这一路径最为适用。其取舍在于时间和资源投入，带来的结果则是高准确性和完全控制。

它也最适合已具备基础数据卫生能力的情况。许多组织尚未达到这一水平：只有35% 会跟踪设备使用年限或位置，只有 37% 会跟踪补丁状态。

路径 2：生成式 AI 处理

有时，手动清洗并不可行。我在处理 Ivanti 的调查分析时对此深有体会。调查回复是任何 IT 团队都会遇到的最混乱数据之一：自由文本、格式不一致、细节差异极大。要在规模化场景下手动清洗这些数据并不现实。

因此，我们使用大语言模型来识别不完整、非结构化输入中的主题、模式和情绪。我们能够快速汇总整份调查，标记满意度驱动因素，并呈现可执行的洞察。

这一路径非常适合高容量非结构化数据、手动清洗根本不可行的情况，或任何清洗成本高于输出价值的场景。它确实需要访问能力足够的大语言模型，并验证该用例是否适配。

如何在两种策略之间做出选择

决策取决于数据量和数据类型多样性、时间限制、准确性要求，以及您需要对数据流向和处理方式拥有多大控制权。

正在微调一个对精度要求极高的模型？那就投入数据清洗。正在处理大量非结构化输入且速度至关重要？那就充分利用生成式 AI。目标是有意识地做出选择，而不是因为数据不完美就停滞不前。

构建面向数据管理的 AI 就绪基础设施

云服务在这里至关重要，我这么说并不夸张。当我的团队构建数字体验评分，用于衡量、量化并改善数字化员工体验时，云是关键推动因素。它充当了我们的集成枢纽，将服务工单、设备遥测数据、应用性能和安全信号汇聚在一起。

没有云基础设施，就无法规模化实现这种多来源集成。云还使我们能够运行一种混合 AI 模型，同时处理文本和数值遥测数据。要在这种复杂度下支持数千台设备和用户，本地部署并不可行。

除了计算能力之外，AI 就绪基础设施还意味着要解决面向机器学习的主数据管理问题。组织需要在各系统之间建立单一可信数据源。数据格式需要标准化，尤其是在通过并购实现增长、引入采用不同规范的旧平台时更是如此。

数据治理让情况更加复杂。GDPR 和 CCPA 等法规对个人数据的处理方式以及可传输位置提出了严格要求。对于全球性组织而言，这意味着 AI 管道需要考虑不同地区司法管辖要求的差异，尤其是在评估是否使用外部 AI 服务或将处理保留在内部时。

我们的自主端点管理研究发现，只有 32% 的 IT 专业人员使用统一端点管理系统。没有统一整合的可见性，AI 和自动化就无法充分发挥潜力。有效的 AI 数据管理始于可见性：看不见，就无法自动化。

IT 团队实施 AI 的最佳实践

在 AI 数据管理方面，我看到的最常见错误之一，就是采用了工具，却没有建立支持这些工具的流程。

建立知识管理实践

Ivanti 的 ITSM 平台利用 AI 生成知识文章，来源是过去的工单和事件解决记录。生产力提升是真实存在的，但这并不意味着可以不再需要管理规范。

文章仍然需要审核和批准节奏、版本控制以及明确的所有权。

尽管86% 的 IT 专业人员同意 AI 对高效运营至关重要，但用于预测性维护或自动化事件响应等高价值场景的人还不到一半。AI 与数据管理之间的差距不在技术，而在流程成熟度。

验证与治理

输出端的验证与输入端的数据质量同样重要。AI 生成的结果需要接受检查，尤其是当组织迈向智能体 AI 时，自主系统会实时根据决策采取行动。问题不只是返回的数据看起来是否正确，而是系统是否在采取正确的行动。

衡量 AI 性能同样重要：使用频率如何、准确性如何，以及在哪里出现问题。Ivanti 2026 年网络安全现状报告发现，92% 的安全专业人员表示，自动化能有效缩短平均响应时间。不过，这种有效性取决于持续监控和调优。

将 AI 作为改进数据实践的催化剂

AI 不只是消耗良好的数据实践，它也会推动这些实践的发展。通过降低内容创建和分析的门槛，AI 让团队有余力构建此前被推迟的治理框架。当生成一篇知识文章从数小时缩短到数分钟，团队就可以把这段时间投入到审批工作流和质量保证中。

当初级技术人员获得实时 AI 指导时，这一点尤其有价值；他们可以在更高水平上做出贡献，而资深员工则能专注于战略工作。

我们的自主端点管理优势报告发现，62% 的 IT 专业人员感到日常运营不堪重负，四分之一的人表示有同事因职业倦怠而离职。能够增强人类专业能力的 AI，可帮助团队在不付出这种代价的情况下扩大能力。

路径并不总是清晰，但策略可以清晰

完美数据只是一个神话，但这不应阻止您前进。

针对结构化、高精度用例进行手动清洗。针对非结构化、高容量场景使用生成式 AI。两者都需要有意识地投入云基础设施、治理和流程建设。

随着 AI 模型持续发展，不仅融入统计模式识别，还纳入明确规则和结构化推理，实现 AI 就绪数据管理的门槛将持续降低。那些现在就行动、清醒认识自身数据缺陷并配备策略加以管理的组织，将获得最大价值。

利用人工智能衡量数字体验

Thu, 21 Apr 2022 15:25:10 Z

随着远程和混合办公员工队伍不断扩大，技术环境也日益复杂，管理数字化员工体验比以往任何时候都更加重要。但我们该如何衡量数字化员工体验？最常见的方法之一是使用调查，例如事件处理后的调查或年度客户满意度调查。但这些调查本身可能具有被动性、滞后性，并且范围有限。是否有一种方法，能够持续、自动地衡量涵盖更广泛 IT 职能领域的数字体验？

答案是肯定的！在 Ivanti Neurons Workspace 2022.2 版本中，我们推出了 Digital Experience Score（简称 DEX Score，数字体验评分）。我们从一组经过精心筛选、会影响数字体验的指标入手，将其输入我们的专有评分引擎，并生成 0 到 100 之间的 DEX Score。

首先，让我们来看评分引擎的输入项——指标。指标可以是硬盘存储空间等度量数据、防病毒保护等布尔标记，以及扫描发生时间等事件。我们希望构建一个评分系统，能够反映 IT 职能关键方面丰富的数字体验，因此从服务管理、应用、设备和安全等领域选取了指标。

显然，对于我们的评分引擎，我们无法透露太多核心方法细节，但可以说明的是，我们采用的是混合模型，也就是说，我们会使用多种统计和机器学习技术来计算评分。

我们的评分引擎不需要系统管理员手动调整用于判断指标好坏的阈值。对于硬盘存储空间等某些设备类指标，我们会分析历史读数，并使用统计模型推断正常行为范围。一旦确定了正常范围，就可以计算新的数据点与正常行为之间的差异或相似程度。量化正常与异常之间的关系，正是我们评分引擎的核心。

但对于事件主题和描述等文本类指标，又该如何处理？我们如何识别其中潜在的情绪，并将其转化为定性衡量结果？我们决定对与设备关联的未关闭事件应用情绪分析。我们的情绪分析模型是一个深度神经网络，可将事件文本分类为正面、负面和中性情绪。该模型已经过预训练，因此客户无需进行额外训练。

最后，我们并不只是单独分析各项指标；相反，我们使用一种数据挖掘算法，能够巧妙地将这些指标之间的相互作用纳入考量。这意味着，即使单个指标可能出现波动或峰值，或单独来看并不能说明太多问题，它们结合在一起后，就能告诉我们设备行为偏离正常状态的程度。该数据挖掘算法的另一项优势在于，它能够找出哪些指标导致了异常行为，因此我们会将其呈现为潜在问题。

如果不使用那些复杂的数据科学术语，我们所做的就是对不同时点的指标以及指标之间的关系进行比较和关联，然后将其汇总为一个单一、全面的评分。无需手动进行机器学习训练，也无需设置阈值，您是否已准备好以前所未有的方式洞察跨 IT 职能领域的数字体验？

Ivanti 博客: 作者