北京
对于数据和人工智能（AI）领导者而言，来自高层的指令很明确：利用AI推动创新和提升效率。然而，这一战略要求与落地现实之间存在显著差距。大多数企业AI项目受阻的原因并非缺乏强大的模型，而是不可靠的数据流程。
85%的公司承认存在数据问题，早期AI部署往往依赖碎片化的数据管道、混乱的手写脚本拼凑和定时作业，导致频繁且难以诊断的故障。这种"数据混乱"制造运营风险、削弱对AI生成结果的信心、阻碍进展。
核心挑战已从单纯获取数据转向管控数据。要向前推进，企业需要系统化管理整个数据生命周期。正是这一认识，促使Broadcom实施了两阶段战略，将其AI愿景转化为可投入生产的现实。通过将自动化和编排作为前提条件，他们构建了一个可扩展且安全的"私有AI工厂"，为面临类似障碍的任何组织提供了蓝图。
第一阶段：构建受治理的数据基础
首要目标是对喂给AI模型的数据建立完全管控。用手动脚本集合替换为Broadcom公司的Automic® Automation，创建了统一的编排系统。该平台现在管理整个数据生命周期——从多样企业数据的摄取和清洗，到关键的向量化过程。这一新的受治理数据基础确保所有AI模型由安全、可追溯、可重复的数据管道提供支撑。
借助Automic Automation，团队可以对工作流进行参数化和模块化，使其能够为各类数据源复用核心管道逻辑，同时确保正确的执行频率、质量检查和审计追踪到位。这提供了集中化的实时视图，用于跟踪作业状态、识别瓶颈并发现整个管道中的异常。最终结果是为开发专有模型提供了可信、一致的数据源。
第二阶段：用自主智能体AI自动化业务功能
一旦建立了可靠的数据基础，组织便进入第二阶段：通过自主智能体工作流（agentic workflows）使用AI自动化复杂业务功能。这些AI驱动的流程编排跨多个步骤的智能分析，以实现特定业务成果。两个关键用例突显了这种方法的威力：
按需客户情报： 开发了一个自助服务目录，允许用户生成详细的情报报告。由Automic编排的系统自动收集和分析内部数据（如支持工单历史和销售互动记录），以及公开信息（如新闻稿）。该工作流在数分钟内生成一份全面的定制化报告——而此前这项任务需要一名员工花费数天时间。
自动化AI服务监控： 为确保系统健康，服务保障工作流持续监控公司的AI智能体。如果某个智能体停止响应或其响应质量下降，系统会自动创建事件工单，使用AI进行根因分析，并向技术人员发送详细通知。这种主动式方法使管理员往往能在用户察觉之前就解决问题。
成果：从数天缩短至数分钟，SLA提升90%
通过实施以Automic Automation为核心的两阶段战略，施行后的组织取得了变革性成果。从混乱脚本到统一编排系统的转变消除了频繁的管道故障，将手动排障时间减少约70%。此外，复杂任务的自动化对速度和服务水平产生了显著影响：按需情报报告将信息交付从数天加速至数分钟；主动式AI服务监控通过预测性告警和自动化修复，助力SLA性能提升超过90%。
关键的是，该系统建立了全面的可审计性——为每个数据流程和智能体操作提供完整、不可更改的日志，最大限度降低项目风险并确保合规。
对于数据和AI领导者和从业者而言，这个案例研究提供了清晰的启示：AI不能是在脆弱基础设施上事后加装的东西。通过在稳健编排的基础上构建私有AI工厂，组织可以从数据混乱走向受控、受治理且可扩展的AI。这使其能够建立对系统的信心、提升效率，并充分实现AI投资的价值。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
