企业级数据与AI项目成功之道

只有在可以一致地提供预测性的业务见解并在整个组织范围内扩展时，数据分析和AI才能产生价值。这也是众多企业所面临的巨大挑战。本书概述了有效且实用的组织、管理和评估数据的方法，因此有助于建立信息体系结构以更好地推动AI和数据科学的发展。本书主要包括以下内容：简化数据管理，使数据随时随地可用；缩短实现AI用例的价值实现时间；使整个企业都可以访问AI和数据洞察力；动态、实时地扩展复杂的AI场景；开发可带来可预测的、可重复的价值的信息体系结构。本书可以使包括架构师、开发人员、产品所有者和业务主管在内的各种角色受益。

尼尔·菲什曼（Neal Fishman）是IBM的杰出工程师，并且是IBM全球业务服务组织内基于数据的病理学的首席技术官。尼尔也是Open Group认证的杰出IT架构师。<br>科尔·斯特莱克（Cole Stryker）是一名常驻洛杉矶的作家和记者。他是Epic Win for Anonymous和Hacking the Future的作者。<br><br>

题记<br/>本书赞誉<br/>序言<br/>前言<br/>致谢<br/>关于作者<br/>第1章　攀登人工智能阶梯1<br/>1.1　人工智能的数据准备2<br/>1.2　重点技术领域2<br/>1.3　一步一个脚印地攀登阶梯3<br/>1.4　不断适应以保持组织的相关性6<br/>1.5　基于数据的推理在现代业务中至关重要8<br/>1.6　朝着以人工智能为中心的组织迈进11<br/>1.7　本章小结12<br/>第2章　框架部分I：使用人工智能的注意事项14<br/>2.1　数据驱动决策制定15<br/>2.1.1　通过询问来获得洞见15<br/>2.1.2　信任矩阵16<br/>2.1.3　衡量标准和人类洞见的重要性18<br/>2.2　使数据与数据科学民主化18<br/>2.3　是的，先决条件：组织数据必须有先见之明20<br/>2.4　促进变革之风：有组织的数据如何缩短反应时间23<br/>2.5　质疑一切24<br/>2.6　本章小结26<br/>第3章　框架部分II：使用数据和人工智能的注意事项27<br/>3.1　个性化每个用户的数据体验28<br/>3.2　上下文的影响：选择正确的数据显示方式29<br/>3.3　民族志研究：通过专业数据增进理解32<br/>3.4　数据治理和数据质量33<br/>3.4.1　分解数据的价值34<br/>3.4.2　通过数据治理提供结构34<br/>3.4.3　为训练进行数据策管35<br/>3.4.4　创造价值的其他注意事项35<br/>3.5　本体论：封装知识的手段36<br/>3.6　人工智能成果的公平、信任和透明度38<br/>3.7　可访问的、准确的、经过策管的和经过组织的数据41<br/>3.8　本章小结42<br/>第4章　分析回顾：不只是个锤子44<br/>4.1　曾经的情况：回顾企业数据仓库44<br/>4.2　传统数据仓库的缺点49<br/>4.3　范式转变52<br/>4.4　现代分析环境：数据湖53<br/>4.4.1　两者对比55<br/>4.4.2　本地数据56<br/>4.4.3　差异属性56<br/>4.5　数据湖的要素58<br/>4.6　新常态：大数据即普通数据60<br/>4.6.1　从单一数据模型的刚性中解放出来60<br/>4.6.2　流数据61<br/>4.6.3　适合任务的工具61<br/>4.6.4　易访问性61<br/>4.6.5　降低成本61<br/>4.6.6　可扩展性62<br/>4.6.7　人工智能的数据管理和数据治理62<br/>4.7　Schema-On-Read与Schema-On-Write63<br/>4.8　本章小结65<br/>第5章　分析前瞻：不是所有事物都是钉子67<br/>5.1　组织的需求67<br/>5.1.1　暂存区域69<br/>5.1.2　原始区域70<br/>5.1.3　发现与探索区域71<br/>5.1.4　对齐区域71<br/>5.1.5　协调区域76<br/>5.1.6　策管区域77<br/>5.2　数据拓扑78<br/>5.2.1　区域地图80<br/>5.2.2　数据管道81<br/>5.2.3　数据地形81<br/>5.3　扩展、添加、移动和删除区域83<br/>5.4　启用区域84<br/>5.4.1　摄入84<br/>5.4.2　数据治理86<br/>5.4.3　数据存储和保留87<br/>5.4.4　数据处理89<br/>5.4.5　数据访问90<br/>5.4.6　管理和监控91<br/>5.4.7　元数据91<br/>5.5　本章小结92<br/>第6章　人工智能阶梯的运营准则93<br/>6.1　时光流逝94<br/>6.2　创建98<br/>6.2.1　稳定性99<br/>6.2.2　障碍99<br/>6.2.3　复杂性99<br/>6.3　执行100<br/>6.3.1　摄入101<br/>6.3.2　可见性102<br/>6.3.3　合规性102<br/>6.4　运行102<br/>6.4.1　质量103<br/>6.4.2　依赖104<br/>6.4.3　可复用性104<br/>6.5　xOps三重奏：DevOps/MLOps、DataOps和AIOps105<br/>6.5.1　DevOps/MLOps105<br/>6.5.2　DataOps107<br/>6.5.3　AIOps109<br/>6.6　本章小结111<br/>第7章　最大化运用数据：以价值为导向112<br/>7.1　迈向价值链113<br/>7.1.1　通过关联链接116<br/>7.1.2　启用操作117<br/>7.1.3　扩大行动手段118<br/>7.2　策管119<br/>7.3　数据治理121<br/>7.4　集成数据管理123<br/>7.4.1　载入125<br/>7.4.2　组织125<br/>7.4.3　编目126<br/>7.4.4　元数据127<br/>7.4.5　准备128<br/>7.4.6　预配129<br/>7.4.7　多租户129<br/>7.5　本章小结132<br/>第8章　通过统计分析评估数据并启用有意义的访问133<br/>8.1　派生价值：将数据当作资产进行管理133<br/>8.2　数据可访问性：并非所有用户都是平等的139<br/>8.3　向数据提供自助服务140<br/>8.4　访问：添加控件的重要性141<br/>8.5　为了数据治理，使用自底向上的方法对数据集进行排序142<br/>8.6　各行业如何使用数据和人工智能143<br/>8.7　受益于统计数字144<br/>8.8　本章小结151<br/>第9章　长期构建152<br/>9.1　改变习惯的需要：避免硬编码152<br/>9.1.1　过载153<br/>9.1.2　锁定154<br/>9.1.3　所有权和分解156<br/>9.1.4　避免变化的设计156<br/>9.2　通过人工智能扩展数据的价值157<br/>9.3　混合持久化159<br/>9.4　受益于数据素养163<br/>9.4.1　理解主题165<br/>9.4.2　技能集165<br/>9.4.3　全部都是元数据167<br/>9.4.4　正确的数据，在正确的上下文<br/>　中，使用正确的接口168<br/>9.5　本章小结170<br/>第10章　终章：人工智能的信息架构171<br/>10.1　人工智能开发工作172<br/>10.2　基本要素：基于云的计算、数据和分析175<br/>10.2.1　交集：计算容量和存储容量180<br/>10.2.2　分析强度181<br/>10.2.3　跨要素的互操作性183<br/>10.2.4　数据管道飞行路径：飞行前、飞行中、飞行后186<br/>10.2.5　数据水坑、数据池和数据湖的数据管理187<br/>10.3　驱动行动：上下文、内容和决策者188<br/>10.4　保持简单190<br/>10.5　筒仓已死，筒仓长存192<br/>10.6　分类：组织数据区域194<br/>10.7　开放平台的功能197<br/>10.8　本章小结200<br/>附录　缩略语对照表203