作品简介

大型组织正在竞相实施先进的数据科学。大多数时候,我们的人工智能尝试变成了走进死胡同的科学项目,从来没有提供可持续的商业价值。我们错过了什么?在本书中,你将发现必须理解和实现的信息架构支柱。只有当数据分析和人工智能能够在整个组织内以可预测和一致的方式提供业务洞见时,它们才能增加价值。本书概述了一种组织、管理和评估数据的有效且实用的方法,这样你就可以建立一个信息架构来更好地推动人工智能和数据科学的发展。通过阅读本书,你将学到:简化数据管理,随时随地提供数据;缩短可运转的AI用例的价值实现时间;使各个企业都能访问AI和数据洞见;动态地实时缩放复杂AI场景;开发能够带来可预测的、可重复的价值的信息架构。

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。

作品目录

  • 题记
  • 本书赞誉
  • 序言
  • 前言
  • 致谢
  • 关于作者
  • 推荐语
  • 第1章 攀登人工智能阶梯
  • 1.1 人工智能的数据准备
  • 1.2 重点技术领域
  • 1.3 一步一个脚印地攀登阶梯
  • 1.4 不断适应以保持组织的相关性
  • 1.5 基于数据的推理在现代业务中至关重要
  • 1.6 朝着以人工智能为中心的组织迈进
  • 1.7 本章小结
  • 第2章 框架部分I:使用人工智能的注意事项
  • 2.1 数据驱动决策制定
  • 2.2 使数据与数据科学民主化
  • 2.3 是的,先决条件:组织数据必须有先见之明
  • 2.4 促进变革之风:有组织的数据如何缩短反应时间
  • 2.5 质疑一切
  • 2.6 本章小结
  • 第3章 框架部分II:使用数据和人工智能的注意事项
  • 3.1 个性化每个用户的数据体验
  • 3.2 上下文的影响:选择正确的数据显示方式
  • 3.3 民族志研究:通过专业数据增进理解
  • 3.4 数据治理和数据质量
  • 3.5 本体论:封装知识的手段
  • 3.6 人工智能成果的公平、信任和透明度
  • 3.7 可访问的、准确的、经过策管的和经过组织的数据
  • 3.8 本章小结
  • 第4章 分析回顾:不只是个锤子
  • 4.1 曾经的情况:回顾企业数据仓库
  • 4.2 传统数据仓库的缺点
  • 4.3 范式转变
  • 4.4 现代分析环境:数据湖
  • 4.5 数据湖的要素
  • 4.6 新常态:大数据即普通数据
  • 4.7 Schema-On-Read与Schema-On-Write
  • 4.8 本章小结
  • 第5章 分析前瞻:不是所有事物都是钉子
  • 5.1 组织的需求
  • 5.2 数据拓扑
  • 5.3 扩展、添加、移动和删除区域
  • 5.4 启用区域
  • 5.5 本章小结
  • 第6章 人工智能阶梯的运营准则
  • 6.1 时光流逝
  • 6.2 创建
  • 6.3 执行
  • 6.4 运行
  • 6.5 xOps三重奏:DevOps/MLOps、DataOps和AIOps
  • 6.6 本章小结
  • 第7章 最大化运用数据:以价值为导向
  • 7.1 迈向价值链
  • 7.2 策管
  • 7.3 数据治理
  • 7.4 集成数据管理
  • 7.5 本章小结
  • 第8章 通过统计分析评估数据并启用有意义的访问
  • 8.1 派生价值:将数据当作资产进行管理
  • 8.2 数据可访问性:并非所有用户都是平等的
  • 8.3 向数据提供自助服务
  • 8.4 访问:添加控件的重要性
  • 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
  • 8.6 各行业如何使用数据和人工智能
  • 8.7 受益于统计数字
  • 8.8 本章小结
  • 第9章 长期构建
  • 9.1 改变习惯的需要:避免硬编码
  • 9.2 通过人工智能扩展数据的价值
  • 9.3 混合持久化
  • 9.4 受益于数据素养
  • 9.5 本章小结
  • 第10章 终章:人工智能的信息架构
  • 10.1 人工智能开发工作
  • 10.2 基本要素:基于云的计算、数据和分析
  • 10.3 驱动行动:上下文、内容和决策者
  • 10.4 保持简单
  • 10.5 筒仓已死,筒仓长存
  • 10.6 分类:组织数据区域
  • 10.7 开放平台的功能
  • 10.8 本章小结
  • 附录 缩略语对照表
展开全部