作者：[美]尼尔·菲什曼(Neal Fishm
页数：224
出版社：机械工业出版社
出版日期：2021
ISBN：9787111684763
电子书格式：pdf/epub/txt
内容简介
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。
作者简介
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。
本书特色
UML联合作者、IBM Watson/M首席科学家Grady Booch作序推荐，构建可扩展并交付长期价值的企业级信息架构
目录
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1
11 人工智能的数据准备2
12 重点技术领域2
13 一步一个脚印地攀登阶梯3
14 不断适应以保持组织的相关性6
15 基于数据的推理在现代业务中至关重要8
16 朝着以人工智能为中心的组织迈进11
17 本章小结12
第2章 框架部分I：使用人工智能的注意事项14
21 数据驱动决策制定15
211 通过询问来获得洞见15
212 信任矩阵16
213 衡量标准和人类洞见的重要性18
22 使数据与数据科学民主化18
23 是的-先决条件：组织数据必须有先见之明20
24 促进变革之风：有组织的数据如何缩短反应时间23
25 质疑一切24
26 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27
31 个性化每个用户的数据体验28
32 上下文的影响：选择正确的数据显示方式29
33 民族志研究：通过专业数据增进理解32
34 数据治理和数据质量33
341 分解数据的价值34
342 通过数据治理提供结构34
343 为训练进行数据策管35
344 创造价值的其他注意事项35
35 本体论：封装知识的手段36
36 人工智能成果的公平、信任和透明度38
37 可访问的、准确的、经过策管的和经过组织的数据41
38 本章小结42
第4章 分析回顾：不只是个锤子44
41 曾经的情况：回顾企业数据仓库44
42 传统数据仓库的缺点49
43 范式转变52
44 现代分析环境：数据湖53
441 两者对比55
442 本地数据56
443 差异属性56
45 数据湖的要素58
46 新常态：大数据即普通数据60
461 从单一数据模型的刚性中解放出来60
462 流数据61
463 适合任务的工具61
464 易访问性61
465 降低成本61
466 可扩展性62
467 人工智能的数据管理和数据治理62
47 Schema-On-Read与Schema-On-Write63
48 本章小结65
第5章 分析前瞻：不是所有事物都是钉子67
51 组织的需求67
511 暂存区域69
512 原始区域70
513 发现与探索区域71
514 对齐区域71
515 协调区域76
516 策管区域77
52 数据拓扑78
521 区域地图80
522 数据管道81
523 数据地形81
53 扩展、添加、移动和删除区域83
54 启用区域84
541 摄入84
542 数据治理86
543 数据存储和保留87
544 数据处理89
545 数据访问90
546 管理和监控91
547 元数据91
55 本章小结92
第6章 人工智能阶梯的运营准则93
61 时光流逝94
62 创建98
621 稳定性99
622 障碍99
623 复杂性99
63 执行100
631 摄入101
632 可见性102
633 合规性102
64 运行102
641 质量103
642 依赖104
643 可复用性104
65 xOps三重奏：DevOps MLOps、DataOps和AIOps105
651 DevOps MLOps105
652 DataOps107
653 AIOps109
66 本章小结111
第7章 最大化运用数据：以价值为导向112
71 迈向价值链113
711 通过关联链接116
712 启用操作117
713 扩大行动手段118
72 策管119
73 数据治理121
74 集成数据管理123
741 载入125
742 组织125
743 编目126
744 元数据127
745 准备128
746 预配129
747 多租户129
75 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133
81 派生价值：将数据当作资产进行管理133
82 数据可访问性：并非所有用户都是平等的139
83 向数据提供自助服务140
84 访问：添加控件的重要性141
85 为了数据治理-使用自底向上的方法对数据集进行排序142
86 各行业如何使用数据和人工智能143
87 受益于统计数字144
88 本章小结151
第9章 长期构建152
91 改变习惯的需要：避免硬编码152
911 过载153
912 锁定154
913 所有权和分解156
914 避免变化的设计156
92 通过人工智能扩展数据的价值157
93 混合持久化159
94 受益于数据素养163
941 理解主题165
942 技能集165
943 全部都是元数据167
944 正确的数据-在正确的上下文
中-使用正确的接口168
95 本章小结170
第10章 终章：人工智能的信息架构171
101 人工智能开发工作172
102 基本要素：基于云的计算、数据和分析175
1021 交集：计算容量和存储容量180
1022 分析强度181
1023 跨要素的互操作性183
1024 数据管道飞行路径：飞行前、飞行中、飞行后186
1025 数据水坑、数据池和数据
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1
11 人工智能的数据准备2
12 重点技术领域2
13 一步一个脚印地攀登阶梯3
14 不断适应以保持组织的相关性6
15 基于数据的推理在现代业务中至关重要8
16 朝着以人工智能为中心的组织迈进11
17 本章小结12
第2章 框架部分I：使用人工智能的注意事项14
21 数据驱动决策制定15
211 通过询问来获得洞见15
212 信任矩阵16
213 衡量标准和人类洞见的重要性18
22 使数据与数据科学民主化18
23 是的-先决条件：组织数据必须有先见之明20
24 促进变革之风：有组织的数据如何缩短反应时间23
25 质疑一切24
26 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27
31 个性化每个用户的数据体验28
32 上下文的影响：选择正确的数据显示方式29
33 民族志研究：通过专业数据增进理解32
34 数据治理和数据质量33
341 分解数据的价值34
342 通过数据治理提供结构34
343 为训练进行数据策管35
344 创造价值的其他注意事项35
35 本体论：封装知识的手段36
36 人工智能成果的公平、信任和透明度38
37 可访问的、准确的、经过策管的和经过组织的数据41
38 本章小结42
第4章 分析回顾：不只是个锤子44
41 曾经的情况：回顾企业数据仓库44
42 传统数据仓库的缺点49
43 范式转变52
44 现代分析环境：数据湖53
441 两者对比55
442 本地数据56
443 差异属性56
45 数据湖的要素58
46 新常态：大数据即普通数据60
461 从单一数据模型的刚性中解放出来60
462 流数据61
463 适合任务的工具61
464 易访问性61
465 降低成本61
466 可扩展性62
467 人工智能的数据管理和数据治理62
47 Schema-On-Read与Schema-On-Write63
48 本章小结65
第5章 分析前瞻：不是所有事物都是钉子67
51 组织的需求67
511 暂存区域69
512 原始区域70
513 发现与探索区域71
514 对齐区域71
515 协调区域76
516 策管区域77
52 数据拓扑78
521 区域地图80
522 数据管道81
523 数据地形81
53 扩展、添加、移动和删除区域83
54 启用区域84
541 摄入84
542 数据治理86
543 数据存储和保留87
544 数据处理89
545 数据访问90
546 管理和监控91
547 元数据91
55 本章小结92
第6章 人工智能阶梯的运营准则93
61 时光流逝94
62 创建98
621 稳定性99
622 障碍99
623 复杂性99
63 执行100
631 摄入101
632 可见性102
633 合规性102
64 运行102
641 质量103
642 依赖104
643 可复用性104
65 xOps三重奏：DevOps MLOps、DataOps和AIOps105
651 DevOps MLOps105
652 DataOps107
653 AIOps109
66 本章小结111
第7章 最大化运用数据：以价值为导向112
71 迈向价值链113
711 通过关联链接116
712 启用操作117
713 扩大行动手段118
72 策管119
73 数据治理121
74 集成数据管理123
741 载入125
742 组织125
743 编目126
744 元数据127
745 准备128
746 预配129
747 多租户129
75 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133
81 派生价值：将数据当作资产进行管理133
82 数据可访问性：并非所有用户都是平等的139
83 向数据提供自助服务140
84 访问：添加控件的重要性141
85 为了数据治理-使用自底向上的方法对数据集进行排序142
86 各行业如何使用数据和人工智能143
87 受益于统计数字144
88 本章小结151
第9章 长期构建152
91 改变习惯的需要：避免硬编码152
911 过载153
912 锁定154
913 所有权和分解156
914 避免变化的设计156
92 通过人工智能扩展数据的价值157
93 混合持久化159
94 受益于数据素养163
941 理解主题165
942 技能集165
943 全部都是元数据167
944 正确的数据-在正确的上下文
中-使用正确的接口168
95 本章小结170
第10章 终章：人工智能的信息架构171
101 人工智能开发工作172
102 基本要素：基于云的计算、数据和分析175
1021 交集：计算容量和存储容量180
1022 分析强度181
1023 跨要素的互操作性183
1024 数据管道飞行路径：飞行前、飞行中、飞行后186
1025 数据水坑、数据池和数据
