企业数字化转型人工智能技术落地指南

·注重技术落地。本书从战略制定、应用体系设计、应用点研发三个层次，完整地描述了运用人工智能技术助力企业数字化转型的方法。其中，尽量回避对概念、愿景、原则等抽象内容的空泛讨论，而是详细讨论各种操作层面的问题，并提出一系列可以落地的切实举措。 ·加强理论探讨。本书在讨论各种问题时尽量保证每项结论的产出都带有思路清晰、论证充分的理论探讨。相比于常见的直接下定义、给出结论的一些书目，本书观点丰富且易于理解，同时分析问题的思想可能被读者迁移复用至其他场景指导行动。 ·观点新颖。本书讨论了许多与人工智能技术落地密切相关的问题，如需求从抽象到具体的不同层次、模型在不同应用研发阶段的含义、对建模效果进行预估的方法等提出了一些新观念新认识。这些问题实际上对于人工智能技术落地较为重要却较少得到讨论，在这方面本书应具有一定创新性。

本书首先从企业支持人工智能技术发展的视角出发，讲解如何认识数字化转型、数字化转型战略主要包含的方面、支持数字化转型的应用体系设计方法等。其次，承接对应用体系设计的讨论，详细讲解如何研发并落地实施定制化的人工智能应用，内容包括对人工智能应用研发的整体认识，业务需求和业务知识的梳理，数据收集、数据处理与建模分析，模型上线运行和持续迭代等。最后，基于相关讨论，分析人工智能应用研发的特点，探讨人工智能领域在应用研发模式与策略、专业技能人才培养等方面可能产生的一些新变化，以及领域内各种业态可能出现的发展趋势。
本书适合企业技术总监、规划与计划人员、人工智能应用研发管理者与研发技术人员，以及对企业数字化转型和人工智能技术落地感兴趣的读者阅读。

金玮，北京大学信息管理系情报学专业硕士毕业，现任昆仑数智科技有限责任公司大数据技术部副经理，从事人工智能前沿技术跟踪、油气行业人工智能应用及通用人工智能平台研发工作。在建模方案设计、模型落地与产品化等方面有丰富经验。

第1章全面理解数字化转型1
1．1数字化转型：数据成为价值提升的推动力1
1．2数据与数字化转型的重要性3
1．3数字化转型的直接关注对象：业务、数据与技术4
1．4数字化转型的必需基础条件：思想认识、发展政策、人才及资源投入7
1．5数字化转型的工作步骤9
1．6数字化转型与人工智能技术的相互选择10
1．6．1数字化转型与人工智能技术联系密切10
1．6．2人工智能技术可能带来的价值12
1．7补充：人工智能相关概念辨析15
1．7．1人工智能15
1．7．2人工智能技术17
1．7．3大数据18
1．7．4机器学习19
1．7．5几组概念辨析23
第2章结合人工智能技术特性制定数字化转型战略25
2．1数字化转型战略的制定原则25
2．2建立必须开展数字化转型工作的共识27
2．2．1在管理团队形成正确共识28
2．2．2使思想深入各级员工29
2．3梳理整合对内与对外的服务场景29
2．3．1提供满足员工角色需求的服务30
2．3．2寻找提升企业竞争力的技术方案30
2．3．3梳理需求并启动应用体系的设计与建设31
2．4实现数据采集、存储与管理过程的标准化32
2．4．1制定数据采集范围和采集标准规范32
2．4．2制定数据标准规范34
2．4．3设计数据权限体系并加强数据掌控能力37
2．5培育适应数字化转型需求的技术能力40
2．5．1建设扎实的硬件基础40
2．5．2建设统一数字技术平台41
2．5．3建设核心数据能力43
2．5．4开展应用研发与整合45
2．5．5实现技术的开放融合共享46
2．6完善组织与人才保障48
2．6．1管理层亲自承担数字化转型重任48
2．6．2建设中心和业务部门专属的两级数据科学团队49
2．6．3保持复合型人才培养与对外交流合作52
第3章开展支撑数字化转型的应用体系设计与建设55
3．1建设一个应用体系而非一批应用的原因55
3．2应用体系的建设原则：围绕业务需求56
3．2．1应用与应用体系以业务需求为核心56
3．2．2辨析业务需求从抽象到具体的不同层次57
3．2．3应用体系的各级组成及其与不同需求层次的对应58
3．2．4补充：部分问题探讨59
3．3开展应用体系设计62
3．3．1梳理业务流62
3．3．2规划并组织功能集合63
3．3．3组织功能点形成应用65
3．3．4组织应用形成应用体系67
3．4争取来自各类人员的支持70
3．4．1企业领导71
3．4．2职能部门领导72
3．4．3业务部门领导73
3．4．4业务专家和一线业务人员75
3．4．5项目组技术人员76
3．4．6所需争取的各类资源79
3．5计划并执行应用体系建设81
3．5．1综合资源、价值和技术难度来制订建设计划81
3．5．2应用体系建设与迭代完善87
第4章人工智能应用研发总述91
4．1人工智能应用研发遵循的基本理念92
4．2人工智能应用研发的3项重要基础条件：业务、数据、技术92
4．2．1业务需求与业务知识93
4．2．2高质量的真实数据94
4．2．3建模分析与应用开发技术95
4．3人工智能应用研发涉及的各类人员96
4．3．1业务人员96
4．3．2设计人员97
4．3．3建模分析人员98
4．3．4开发人员98
4．3．5管理人员和模型维护人员99
4．4人工智能应用研发的主要流程及相应交付物100
4．4．1价值与可行性评估100
4．4．2研发目标与研发周期确定101
4．4．3业务需求与业务知识梳理102
4．4．4数据收集102
4．4．5数据处理与建模分析103
4．4．6模型上线试运行与迭代104
4．4．7应用开发及生产环境部署105
4．4．8应用的产品化（可选）105
4．4．9重要补充：模型的多重含义辨析107
4．5人工智能应用研发常见的技术与管理问题109
4．5．1常见的技术问题109
4．5．2常见的管理问题110
第5章业务梳理和建模数据收集112
5．1业务需求梳理112
5．1．1业务需求梳理的意义112
5．1．2业务需求梳理的主要过程113
5．2业务知识梳理119
5．2．1业务知识梳理的意义119
5．2．2业务知识梳理的主要过程121
5．3建模数据收集123
5．3．1建模数据收集的意义和参与对象123
5．3．2建模数据收集的主要过程124
5．3．3面向数据分析与应用研发的数据建设方向129
第6章数据处理、建模分析与模型上线运行131
6．1对数据处理与建模分析的基本认识131
6．1．1主要涉及对象131
6．1．2数据处理与建模分析的主要过程132
6．1．3建模分析的特点135
6．1．4预估建模效果时的可参考因素137
6．2数据处理138
6．2．1主要内容和基本要求139
6．2．2数据的拼接与整合140
6．2．3异常值和缺失值处理141
6．2．4特征维度建立143
6．2．5标准化151
6．2．6特征选择和降维155
6．2．7过采样和降采样157
6．2．8标签调整159
6．3模型训练、测试及评价160
6．3．1模型的超参数设置160
6．3．2模型的训练与测试162
6．3．3多模型的集成165
6．3．4常用的模型评价指标166
6．3．5几类主要的模型评价标准170
6．4模型的上线运行与持续迭代174
6．4．1主要工作内容174
6．4．2业务数据接入176
6．4．3模型上线试运行176
6．4．4模型分析结果处理与交互性改善178
6．4．5模型线上持续迭代179
6．4．6关于模型自动迭代的简要探讨181
第7章人工智能领域发展趋势分析185
7．1人工智能应用的研发特点及价值185
7．2人工智能技术及应用的发展现状186
7．2．1机器学习理论的主要研究课题186
7．2．2技术落地方面的主要发展趋势188
7．2．3暗示的现象和问题189
7．3人工智能应用研发的组织变革192
7．3．1业务组织外技术团队承担应用研发的问题192
7．3．2业务组织内引入人工智能技术人员的优势194
7．4人工智能应用研发的管理变革196
7．4．1基础环境的统一建设与集中管控196
7．4．2研发流程的标准化196
7．4．3建模方法迁移变得更为普遍197
7．5人工智能技术人才的培养方式转变198
7．6人工智能应用研发工具的持续改进199
7．7人工智能技术服务的业态发展200
7．7．1提供计算设备与算力201
7．7．2提供模型的研发环境202
7．7．3提供定制化的研究协助204
7．7．4提供标准化的应用和产品205
7．7．5提供作为第三方的咨询、测试及保险服务207
7．7．6提供培训与资格认证208
7．7．7补充：企业拓展人工智能业务的适宜形式209
7．8人工智能领域法律法规的完善211
结束语213