如今大数据的作用在很大程度上已成为“神话”导致一些公司甚至产生了误解：大数据必然会导致业务运营的改善和决策的改善。数据量越大这种增加就越明显。事实上大数据并不一定意味着数据价值的增加。如果不注意数据的质量，价值和多样性，并对大数据做出更明智的见解，那么大数据只会意味着基础设施的压力并增加企业成本。

大数据应用的一个主要挑战是来自终端或应用程序的数据正在经历指数级增长，并且它还包含大量复杂数据，如图片和视频，这些对于大数据分析当然非常有用。意义重大，但由于计算机视觉等关键技术尚未打破，其当前的应用价值非常有限。此外，更大的数据集并不意味着更好的数据准确性。一方面，分析的准确性不随数据量的增加而线性增加，而是无限的收敛曲线。大多数企业都在实际经营。它不一定是限制;另一方面，大数据通常包含噪声数据，错误的数据和过时的数据比比皆是。这些噪声数据将对大数据分析产生非常不利的影响。

公司还需要关注基础设施上大数据的压力，基于TB级数据构建模型所需的时间比建立GB级数据模型要花费数千甚至数千倍。如果您想存储和处理这些数据，它将不可避免地给存储和计算等基础设施带来巨大压力，企业也将消耗大量的IT成本。因此大数据时代并不意味着不需要整理数据。相反我们需要适度地丢弃低价值数据，并根据数据的类型和价值对数据进行分类。

其次深度数据智能和大数据的结合非常重要人工智能的应用为传统大数据解决方案无法解决的问题带来了新的曙光，例如大数据只能反映趋势，不能回答因果问题，因为真正的答案通常隐藏在因果关系中。在成千上万的分支中，很难判断真正的相关性，但通过蒙特卡罗等人工智能算法，可以修剪大量的因果关系分支，以做出更准确的决策。

对于大多数企业而言，更合理的数据应用途径是将大数据与深度数据智能相结合，以建立与业务需求相对应的数据模型。应该注意的是，虽然使用更多数据来促进高精度模型的建立，但现有算法和基础设施可能导致模型运行缓慢。在实际部署中，企业能够基于相对较少但高质量的数据更好地运行和加速企业应用程序。如果数据集具有良好的随机抽样能力，那么我们可以使用来自大型数据集的小样本来构建模型并进行准确的预测。小样本使模型迭代更新更快，然后使用整个数据库构建最终模型。这不仅节省了存储和计算资源，加速了人工智能培训的过程，还推动了决策制定。

随着企业数字化加速进入人工智能和大数据时代，商业智能（BI）似乎不再是热门话题。在可预见的未来人们是决策的主体，而不是机器，这使得我们必须注意前端的分析和数据的显示。当今的大多数大数据或人工智能数据分析解决方案都面向IT技术人员或数据工程师。他们有很高的职业门槛。无论是构建数据模型还是最终结果，对决策者来说都是非常不友好的。 自助分析模式允许非专业人员快速生成数据可视化图表。与深度数据智能的结合可以解决公司今天面临的一些问题。公司可以通过深度数据智能构建数据模型，为销售预测等重要信息提供决策参考，并且可以通过BI实现其他统计和报告类型数据以更好地协助做决定。