Google Cloud今日（3/25）分析，企業擁抱生成式AI前，得先創建集成的數據基礎，包括制定AI優先的數據策略、構建統一的數據平臺、運用AI將流程自動化、確保數據安全和數據治理，以及提高數據平臺效率並降低數據成本等5步驟。尤其，企業得要有套集成式的數據分析平臺，來彙集整理數據源、與其他包括AI在內的系統串聯，才能發揮AI效用。Google Cloud也觀察到，台灣企業大都有成熟的數據搜集模式，但將這些數據實際用於GenAI應用仍有段距離。

步驟1：制定AI優先的數據策略

要讓AI發揮效益，首先得要制定AI優先的數據策略，包括創建數據策略、創建數據擁有權和使用藍圖，以及形成數據生態系，來支援跨部門、跨場景的AI應用。

Google Cloud數據分析專家黃介榮解釋，就好比企業內不同部門的員工，都有其運用數據和AI來解決問題的場景，比如人資單位可將自己的數據，如員工會議次數、進辦公室的時長、工作績效等，來運用AI模型預測其離職率，並儘早應對。

此時，企業就可根據這些需求和場景來制定數據策略，解決以往發展AI時，必須經歷的數據收集、數據清洗、創建數據分析模型並落地的冗長階段。

步驟2：構建統一的數據平臺，連接數據與AI

有了策略，下一步是構建集成式的數據平臺，來連接數據和AI。黃介榮指出，常見的企業情況是許多資料庫和系統獨立，有些可能為了許可權管理，有些為了業務方便。但到了大數據和AI分析時代，需處理的數據量和數據類型（模態）大幅增加，數據平臺就得重新設計，需構建一套統一的數據平臺。

這種數據平臺，要能支持結構化、半結構化和非結構化數據，比如零售業的多維度客戶數據，來優化營銷與庫存管理。這套平台還要能集成各系統數據，以及有能力快速分析即時數據串流媒體並反應。

Google Cloud的自家數據平台產品BigQuery，也針對這類需求，在今年提供新功能，如支援多模態表格和自動探索、編目，來簡化多模態數據的截取與管理；集成大型語言模型（LLM）與SQL查詢的AI查詢引擎；以及即時RAG功能，來讓LLM提供能精確的回答。

步驟3：運用AI將流程自動化

有了統一的數據平臺，企業就可用來發展AI代理來自動化數據整理流程、產出洞察，來提高員工生產力。比如，運用AI代理來處理數據翻譯、提供個人化建議，或是用於電子商務的商品分析、提供精準營銷建議等。

不過，AI代理還能扮演一種數據分析角色，能協助使用者分析數據，打破以往數據分析的高門檻。這種代理又稱為數據代理。Google Cloud自己也在3月推出一套數據科學代理Data Science Agent，使用Gemini模型來為開發協作平臺Collab用戶簡化數據分析流程。

步驟4：確保數據安全和數據治理

另一方面，為發展AI，尤其是生成式AI應用，企業也要做好數據治理和安全管理。Google Cloud建議，企業可從數據品質、法規遵循和安全性下手，比如數據品質部分，需設置機制確保數據的正確性、完整性和一致性，安全性部分則需查看，數據平臺是否具備加密、訪問控制和威脅偵測等安全措施。

黃介榮指出，Google Cloud和財團法人人工智慧科技基金會在去年做了項《台灣企業AI準備度調查報告》，並發現，在發展AI所需的數據準備度中，超過半數的台灣企業具備良好的數據搜集能力，但是，只有17.8%的企業擁有集成的數據平臺或明確定義的數據管理解決方案，來快速處理多個來源的數據，顯示台灣企業從搜集到實例還有段距離。

他也表示，有些高機密敏感性的產業，如金融、特定製造業，在發展AI數據治理上步調較慢，因為得先創建規範，才能進一步實例。

步驟5：提高數據平臺效率並降低數據成本

最後一步隨著AI應用的規模擴大，企業使用的數據平臺，也要能夠擴展這些AI工作負載、極小化非必要成本，比如簡化數據處理流程、提高資源利用率。

Google Cloud也建議，這個階段的企業應考慮將工作負載自動化，比如數據平臺來自動化數據管理任務（配置、擴展和備份等）；另也需考量平臺是否有自動化工具或功能，來監控、分析或優化數據存儲狀況和運算成本；以及考慮平臺能否無縫擴展，來處理不斷增長的數據量和AI工作負載，且兼顧性能和成本。