文章强调了数据质量、多样性和治理对于AI驱动系统的重要性，尤其是在事件管理中。高质量的事件起始和解决数据能够帮助AI系统更准确地分类事件，推荐解决方案，最终实现自动化决策。数据治理的关键在于数据完整性、安全、合规性和存储效率。
译自：Smarter AI for Critical Operations: Why Data Matters
作者：Scott Bastek
老生常谈：垃圾进，垃圾出。 这直接适用于 AI 驱动的系统。
如果进入系统的数据不准确或不完整，那么从该数据得出的推论将存在缺陷。
数据多样性也是如此。 如果 AI 系统只看到环境的一个有限子集，它最终会产生偏差。 它不会对系统的其余部分做出有力的推论，因为它学习的例子不能代表完整的图景。
在事件管理中尤其如此。 当您可以有效地收集事件数据时，您可以开始绘制不同属性之间的相关性，同时深入了解事件的细微差别，而这正是 AI 真正变得有价值的地方。
事件态势的 360 度视图
有许多因素会影响事件的性质以及应该如何解决。
例如，源集成会为您提供有关受影响的底层系统的线索。 环境会告诉您它的关键程度，无论是测试系统还是生产环境。 甚至事件发生的时间也很重要。 如果一个事件在另一个事件之后立即发生，团队可以使用它作为信号来确定它是否是某种模式的一部分或是一个孤立的问题。
然后是解决方案方面。 用于诊断或修复事件的自动化具有极高的指导意义。 您还可以使用状态更新和事件注释等来源，这些来源通常会解释问题发生的原因或如何解决。
当您拥有深入而广泛的数据时，您可以描绘出事件态势，甚至更广泛的技术态势的完整 360 度图景。 基本上，需要查看两个大的属性类别：事件如何发生以及如何解决。
AI 系统在这些属性上具有的可见性越高，它就越强大。 它可以灵活地对事件以及类似的事件进行分类，并确定更强大的解决方案。 这种灵活性使系统变得强大。
强大的事件数据是什么样的
一般来说，您需要两种类型的数据：
- 事件起始数据：提供对以下方面的洞察的数据：哪个系统受到影响、它所处的环境、哪个规则触发了警报、它的时间戳和受影响的服务。
- 事件解决数据：显示运行了哪些自动化、用户注释（如注释或状态更新）、Slack 对话和 Zoom 记录的数据。
事件起始和解决数据共同描绘了事件的丰富 360 度概况。 完整的图景有助于确保事件被正确分类。 分类后，可以显示历史解决策略，甚至可以使用代理 AI 自动执行，以加速响应。
当 AI 能够自信地对团队的事件进行聚类时，它通常会减少噪音并加速解决。 想象一下，一个团队的事件可以分为可以忽略的 A 类、只需要自动化的 B 类和需要人工干预的 C 类。 C 类成为主要关注点。 以这种方式管理事件有助于团队随着其技术堆栈的增长而扩展，而事件量不会以相同的速度增长。
通过自动化实现速度和信心
假设一个团队已经创建了脚本来运行诊断或修复操作。 发生事件时，响应者可以单击一个按钮，运行自动化并查看结果。 但是这些自动化通常是由开发人员编写的，新的响应者可能不知道使用哪一个，或者如何使用。
这就是 AI 真正有用的地方。 该系统会查看可用的自动化，并标记对该特定事件最有用的自动化，并且在该推荐的集合中，它会优先考虑响应者应首先采取的操作。 不熟悉可用自动化的响应者可以更快、更自信地选择正确的操作。
从数据驱动到数据生产
企业一直使用数据来为决策提供信息，但是现在以及在不久的将来，将会发生一个转变，即数据不仅会为决策提供信息。 它将产生它们。
随着代理 AI 的兴起，系统开始具有真正的自主性。 这些代理已经在世界各地做出决策，并且他们做出的决策完全由他们获得的数据提供信息。 数据正在从后座顾问转变为坐在前座驾驶。
这是一个很大的转变，这意味着公司需要确保他们用来支持客户以及为这些决策系统提供支持的数据是坚如磐石且高质量的。
构建正确的基础：数据治理
确保正确的数据产生正确的决策的最佳方法是围绕数据治理建立强大的能力。 有几个关键支柱：
- 数据完整性：确保数据干净、准确和标准化。 使用一致的格式和命名约定。 构建可以报告数据质量分数的监视器，以便持续检查数据健康状况。
- 数据安全：慢慢建立信任，但会立即失去它。 应尽可能严格控制和加密数据。 创建审核报告，记录谁在何时访问了数据，并设置警报。
- 合规性：组织需要遵守您运营的市场中的法规，但也需要提前考虑。 即使目前未在欧盟开展业务，也值得为 GDPR 或欧盟 AI 法案做好准备，以便组织做好扩张的准备。
- 存储：数据存储成本可能会迅速膨胀。 在一个组织收集越来越多的数据的世界中，提高效率以避免不必要的开销是值得的。
最重要的是：明天做出决策的系统正在接受您今天管理的数据的培训。
