企業(yè)級數(shù)據(jù)與AI項目成功之道

定　價：￥89.00

作　者：	[美] 尼爾·菲什曼，[美] 科爾·斯特萊克著，張虹宇，陳小林譯
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111684763	出版時間：	2021-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	224	字數(shù)：

內(nèi)容簡介

　　只有在可以一致地提供預(yù)測性的業(yè)務(wù)見解并在整個組織范圍內(nèi)擴展時-數(shù)據(jù)分析和AI才能產(chǎn)生價值。這也是眾多企業(yè)所面臨的巨大挑戰(zhàn)。本書概述了有效且實用的組織、管理和評估數(shù)據(jù)的方法-因此有助于建立信息體系結(jié)構(gòu)以更好地推動AI和數(shù)據(jù)科學(xué)的發(fā)展。本書主要包括以下內(nèi)容：簡化數(shù)據(jù)管理-使數(shù)據(jù)隨時隨地可用；縮短實現(xiàn)AI用例的價值實現(xiàn)時間；使整個企業(yè)都可以訪問AI和數(shù)據(jù)洞察力；動態(tài)、實時地擴展復(fù)雜的AI場景；開發(fā)可帶來可預(yù)測的、可重復(fù)的價值的信息體系結(jié)構(gòu)。本書可以使包括架構(gòu)師、開發(fā)人員、產(chǎn)品所有者和業(yè)務(wù)主管在內(nèi)的各種角色受益。

作者簡介

　　尼爾·菲什曼（Neal Fishman）是IBM的杰出工程師-并且是IBM全球業(yè)務(wù)服務(wù)組織內(nèi)基于數(shù)據(jù)的病理學(xué)的首席技術(shù)官。尼爾也是Open Group認證的杰出IT架構(gòu)師。科爾·斯特萊克（Cole Stryker）是一名常駐洛杉磯的作家和記者。他是Epic Win for Anonymous和Hacking the Future的作者。

圖書目錄

題記
本書贊譽
序言
前言
致謝
關(guān)于作者
第1章　攀登人工智能階梯1
11　人工智能的數(shù)據(jù)準(zhǔn)備2
12　重點技術(shù)領(lǐng)域2
13　一步一個腳印地攀登階梯3
14　不斷適應(yīng)以保持組織的相關(guān)性6
15　基于數(shù)據(jù)的推理在現(xiàn)代業(yè)務(wù)中至關(guān)重要8
16　朝著以人工智能為中心的組織邁進11
17　本章小結(jié)12
第2章　框架部分I：使用人工智能的注意事項14
21　數(shù)據(jù)驅(qū)動決策制定15
211　通過詢問來獲得洞見15
212　信任矩陣16
213　衡量標(biāo)準(zhǔn)和人類洞見的重要性18
22　使數(shù)據(jù)與數(shù)據(jù)科學(xué)民主化18
23　是的-先決條件：組織數(shù)據(jù)必須有先見之明20
24　促進變革之風(fēng)：有組織的數(shù)據(jù)如何縮短反應(yīng)時間23
25　質(zhì)疑一切24
26　本章小結(jié)26
第3章　框架部分II：使用數(shù)據(jù)和人工智能的注意事項27
31　個性化每個用戶的數(shù)據(jù)體驗28
32　上下文的影響：選擇正確的數(shù)據(jù)顯示方式29
33　民族志研究：通過專業(yè)數(shù)據(jù)增進理解32
34　數(shù)據(jù)治理和數(shù)據(jù)質(zhì)量33
341　分解數(shù)據(jù)的價值34
342　通過數(shù)據(jù)治理提供結(jié)構(gòu)34
343　為訓(xùn)練進行數(shù)據(jù)策管35
344　創(chuàng)造價值的其他注意事項35
35　本體論：封裝知識的手段36
36　人工智能成果的公平、信任和透明度38
37　可訪問的、準(zhǔn)確的、經(jīng)過策管的和經(jīng)過組織的數(shù)據(jù)41
38　本章小結(jié)42
第4章　分析回顧：不只是個錘子44
41　曾經(jīng)的情況：回顧企業(yè)數(shù)據(jù)倉庫44
42　傳統(tǒng)數(shù)據(jù)倉庫的缺點49
43　范式轉(zhuǎn)變52
44　現(xiàn)代分析環(huán)境：數(shù)據(jù)湖53
441　兩者對比55
442　本地數(shù)據(jù)56
443　差異屬性56
45　數(shù)據(jù)湖的要素58
46　新常態(tài)：大數(shù)據(jù)即普通數(shù)據(jù)60
461　從單一數(shù)據(jù)模型的剛性中解放出來60
462　流數(shù)據(jù)61
463　適合任務(wù)的工具61
464　易訪問性61
465　降低成本61
466　可擴展性62
467　人工智能的數(shù)據(jù)管理和數(shù)據(jù)治理62
47　Schema-On-Read與Schema-On-Write63
48　本章小結(jié)65
第5章　分析前瞻：不是所有事物都是釘子67
51　組織的需求67
511　暫存區(qū)域69
512　原始區(qū)域70
513　發(fā)現(xiàn)與探索區(qū)域71
514　對齊區(qū)域71
515　協(xié)調(diào)區(qū)域76
516　策管區(qū)域77
52　數(shù)據(jù)拓撲78
521　區(qū)域地圖80
522　數(shù)據(jù)管道81
523　數(shù)據(jù)地形81
53　擴展、添加、移動和刪除區(qū)域83
54　啟用區(qū)域84
541　攝入84
542　數(shù)據(jù)治理86
543　數(shù)據(jù)存儲和保留87
544　數(shù)據(jù)處理89
545　數(shù)據(jù)訪問90
546　管理和監(jiān)控91
547　元數(shù)據(jù)91
55　本章小結(jié)92
第6章　人工智能階梯的運營準(zhǔn)則93
61　時光流逝94
62　創(chuàng)建98
621　穩(wěn)定性99
622　障礙99
623　復(fù)雜性99
63　執(zhí)行100
631　攝入101
632　可見性102
633　合規(guī)性102
64　運行102
641　質(zhì)量103
642　依賴104
643　可復(fù)用性104
65　xOps三重奏：DevOps MLOps、DataOps和AIOps105
651　DevOps MLOps105
652　DataOps107
653　AIOps109
66　本章小結(jié)111
第7章　最大化運用數(shù)據(jù)：以價值為導(dǎo)向112
71　邁向價值鏈113
711　通過關(guān)聯(lián)鏈接116
712　啟用操作117
713　擴大行動手段118
72　策管119
73　數(shù)據(jù)治理121
74　集成數(shù)據(jù)管理123
741　載入125
742　組織125
743　編目126
744　元數(shù)據(jù)127
745　準(zhǔn)備128
746　預(yù)配129
747　多租戶129
75　本章小結(jié)132
第8章　通過統(tǒng)計分析評估數(shù)據(jù)并啟用有意義的訪問133
81　派生價值：將數(shù)據(jù)當(dāng)作資產(chǎn)進行管理133
82　數(shù)據(jù)可訪問性：并非所有用戶都是平等的139
83　向數(shù)據(jù)提供自助服務(wù)140
84　訪問：添加控件的重要性141
85　為了數(shù)據(jù)治理-使用自底向上的方法對數(shù)據(jù)集進行排序142
86　各行業(yè)如何使用數(shù)據(jù)和人工智能143
87　受益于統(tǒng)計數(shù)字144
88　本章小結(jié)151
第9章　長期構(gòu)建152
91　改變習(xí)慣的需要：避免硬編碼152
911　過載153
912　鎖定154
913　所有權(quán)和分解156
914　避免變化的設(shè)計156
92　通過人工智能擴展數(shù)據(jù)的價值157
93　混合持久化159
94　受益于數(shù)據(jù)素養(yǎng)163
941　理解主題165
942　技能集165
943　全部都是元數(shù)據(jù)167
944　正確的數(shù)據(jù)-在正確的上下文
　中-使用正確的接口168
95　本章小結(jié)170
第10章　終章：人工智能的信息架構(gòu)171
101　人工智能開發(fā)工作172
102　基本要素：基于云的計算、數(shù)據(jù)和分析175
1021　交集：計算容量和存儲容量180
1022　分析強度181
1023　跨要素的互操作性183
1024　數(shù)據(jù)管道飛行路徑：飛行前、飛行中、飛行后186
1025　數(shù)據(jù)水坑、數(shù)據(jù)池和數(shù)據(jù)