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。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。

题记本书赞誉序言前言致谢关于作者第1章  攀登人工智能阶梯11.1  人工智能的数据准备21.2  重点技术领域21.3  一步一个脚印地攀登阶梯31.4  不断适应以保持组织的相关性61.5  基于数据的推理在现代业务中至关重要81.6  朝着以人工智能为中心的组织迈进111.7  本章小结12第2章  框架部分I：使用人工智能的注意事项142.1  数据驱动决策制定152.1.1  通过询问来获得洞见152.1.2  信任矩阵162.1.3  衡量标准和人类洞见的重要性182.2  使数据与数据科学民主化182.3  是的，先决条件：组织数据必须有先见之明202.4  促进变革之风：有组织的数据如何缩短反应时间232.5  质疑一切242.6  本章小结26第3章  框架部分II：使用数据和人工智能的注意事项273.1  个性化每个用户的数据体验283.2  上下文的影响：选择正确的数据显示方式293.3  民族志研究：通过专业数据增进理解323.4  数据治理和数据质量333.4.1  分解数据的价值343.4.2  通过数据治理提供结构343.4.3  为训练进行数据策管353.4.4  创造价值的其他注意事项353.5  本体论：封装知识的手段363.6  人工智能成果的公平、信任和透明度383.7  可访问的、准确的、经过策管的和经过组织的数据413.8  本章小结42第4章  分析回顾：不只是个锤子444.1  曾经的情况：回顾企业数据仓库444.2  传统数据仓库的缺点494.3  范式转变524.4  现代分析环境：数据湖534.4.1  两者对比554.4.2  本地数据564.4.3  差异属性564.5  数据湖的要素584.6  新常态：大数据即普通数据604.6.1  从单一数据模型的刚性中解放出来604.6.2  流数据614.6.3  适合任务的工具614.6.4  易访问性614.6.5  降低成本614.6.6  可扩展性624.6.7  人工智能的数据管理和数据治理624.7  Schema-On-Read与Schema-On-Write634.8  本章小结65第5章  分析前瞻：不是所有事物都是钉子675.1  组织的需求675.1.1  暂存区域695.1.2  原始区域705.1.3  发现与探索区域715.1.4  对齐区域715.1.5  协调区域765.1.6  策管区域775.2  数据拓扑785.2.1  区域地图805.2.2  数据管道815.2.3  数据地形815.3  扩展、添加、移动和删除区域835.4  启用区域845.4.1  摄入845.4.2  数据治理865.4.3  数据存储和保留875.4.4  数据处理895.4.5  数据访问905.4.6  管理和监控915.4.7  元数据915.5  本章小结92第6章  人工智能阶梯的运营准则936.1  时光流逝946.2  创建986.2.1  稳定性996.2.2  障碍996.2.3  复杂性996.3  执行1006.3.1  摄入1016.3.2  可见性1026.3.3  合规性1026.4  运行1026.4.1  质量1036.4.2  依赖1046.4.3  可复用性1046.5  xOps三重奏：DevOps/MLOps、DataOps和AIOps1056.5.1  DevOps/MLOps1056.5.2  DataOps1076.5.3  AIOps1096.6  本章小结111第7章  优选化运用数据：以价值为导向1127.1  迈向价值链1137.1.1  通过关联链接1167.1.2  启用操作1177.1.3  扩大行动手段1187.2  策管1197.3  数据治理1217.4  集成数据管理1237.4.1  载入1257.4.2  组织1257.4.3  编目1267.4.4  元数据1277.4.5  准备1287.4.6  预配1297.4.7  多租户1297.5  本章小结132第8章  通过统计分析评估数据并启用有意义的访问1338.1  派生价值：将数据当作资产进行管理1338.2  数据可访问性：并非所有用户都是平等的1398.3  向数据提供自助服务1408.4  访问：添加控件的重要性1418.5  为了数据治理，使用自底向上的方法对数据集进行排序1428.6  各行业如何使用数据和人工智能1438.7  受益于统计数字1448.8  本章小结151第9章  长期构建1529.1  改变习惯的需要：避免硬编码1529.1.1  过载1539.1.2  锁定1549.1.3  所有权和分解1569.1.4  避免变化的设计1569.2  通过人工智能扩展数据的价值1579.3  混合持久化1599.4  受益于数据素养1639.4.1  理解主题1659.4.2  技能集1659.4.3  全部都是元数据1679.4.4  正确的数据，在正确的上下文  中，使用正确的接口1689.5  本章小结170第10章  终章：人工智能的信息架构17110.1  人工智能开发工作17210.2  基本要素：基于云的计算、数据和分析17510.2.1  交集：计算容量和存储容量18010.2.2  分析强度18110.2.3  跨要素的互操作性18310.2.4  数据管道飞行路径：飞行前、飞行中、飞行后18610.2.5  数据水坑、数据池和数据