●題記本書贊譽序言前言致謝關於作者第1章  攀登人工智能階梯11.1  人工智能的數據準備21.2  重點技術領域21.3  一步一個腳印地攀登階梯31.4  不斷適應以保持組織的相關性61.5  基於數據的推理在現代業務中至關重要81.6  朝著以人工智能為中心的組織邁進111.7  本章小結12第2章  框架部分I：使用人工智能的注意事項142.1  數據驅動決策制定152.1.1  通過詢問來獲得洞見152.1.2  信任矩陣162.1.3  衡量標準和人類洞見的重要性182.2  使數據與數據科學民主化182.3  是的，先決條件：組織數據必須有先見之明202.4  促進變革之風：有組織的數據如何縮短反應時間232.5  質疑一切242.6  本章小結26第3章  框架部分II：使用數據和人工智能的注意事項273.1  個性化每個用戶的數據體驗283.2  上下文的影響：選擇正確的數據顯示方式293.3  民族志研究：通過專業數據增進理解323.4  數據治理和數據質量333.4.1  分解數據的價值343.4.2  通過數據治理提供結構343.4.3  為訓練進行數據策管353.4.4  創造價值的其他注意事項353.5  本體論：封裝知識的手段363.6  人工智能成果的公平、信任和透明度383.7  可訪問的、準確的、經過策管的和經過組織的數據413.8  本章小結42第4章  分析回顧：不隻是個錘子444.1  曾經的情況：回顧企業數據倉庫444.2  傳統數據倉庫的缺點494.3  範式轉變524.4  現代分析環境：數據湖534.4.1  兩者對比554.4.2  本地數據564.4.3  差異屬性564.5  數據湖的要素584.6  新常態：大數據即普通數據604.6.1  從單一數據模型的剛性中解放出來604.6.2  流數據614.6.3  適合任務的工具614.6.4  易訪問性614.6.5  降低成本614.6.6  可擴展性624.6.7  人工智能的數據管理和數據治理624.7  Schema-On-Read與Schema-On-Write634.8  本章小結65第5章  分析前瞻：不是所有事物都是釘子675.1  組織的需求675.1.1  暫存區域695.1.2  原始區域705.1.3  發現與探索區域715.1.4  對齊區域715.1.5  協調區域765.1.6  策管區域775.2  數據拓撲785.2.1  區域地圖805.2.2  數據管道815.2.3  數據地形815.3  擴展、添加、移動和刪除區域835.4  啟用區域845.4.1  攝入845.4.2  數據治理865.4.3  數據存儲和保留875.4.4  數據處理895.4.5  數據訪問905.4.6  管理和監控915.4.7 &nb數據915.5  本章小結92第6章  人工智能階梯的運營準則936.1  時光流逝946.2  創建986.2.1  穩定性996.2.2  障礙996.2.3  復雜性996.3  執行1006.3.1  攝入1016.3.2  可見性1026.3.3  合規性1026.4  運行1026.4.1  質量1036.4.2  依賴1046.4.3  可復用性1046.5  xOps三重奏：DevOps/MLOps、DataOps和AIOps1056.5.1  DevOps/MLOps1056.5.2  DataOps1076.5.3  AIOps1096.6  本章小結111第7章  優選化運用數據：以價值為導向1127.1  邁向價值鏈1137.1.1  通過關聯鏈接1167.1.2  啟用操作1177.1.3  擴大行動手段1187.2  策管1197.3  數據治理1217.4  集成數據管理1237.4.1  載入1257.4.2  組織1257.4.3  編目1267.4.4 &nb數據1277.4.5  準備1287.4.6  預配1297.4.7  多租戶1297.5  本章小結132第8章  通過統計分析評估數據並啟用有意義的訪問1338.1  派生價值：將數據當作資產進行管理1338.2  數據可訪問性：並非所有用戶都是平等的1398.3  向數據提供自助服務1408.4  訪問：添加控件的重要性1418.5  為了數據治理，使用自底向上的方法對數據集進行排序1428.6  各行業如何使用數據和人工智能1438.7  受益於統計數字1448.8  本章小結151第9章  長期構建1529.1  改變習慣的需要：避免硬編碼1529.1.1  過載1539.1.2  鎖定1549.1.3  所有權和分解1569.1.4  避免變化的設計1569.2  通過人工智能擴展數據的價值1579.3  混合持久化1599.4  受益於數據素養1639.4.1  理解主題1659.4.2  技能集1659.4.3  全數據1679.4.4  正確的數據，在正確的上下文  中，使用正確的接口1689.5  本章小結170第10章  終章：人工智能的信息架構17110.1  人工智能開發工作17210.2  基本要素：基於雲的計算、數據和分析17510.2.1  交集：計算容量和存儲容量18010.2.2  分析強度18110.2.3  跨要素的互操作性18310.2.4  數據管道飛行路徑：飛行前、飛行中、飛行後18610.2.5  數據水坑、數據池和數據

隻有在可以一致地提供預測性的業務見解並在整個組織範圍內擴展時，數據分析和AI纔能產生價值。這也是眾多企業所面臨的巨大挑戰。本書概述了有效且實用的組織、管理和評估數據的方法，因此有助於建立信息體繫結構以更好地推動AI和數據科學的發展。本書主要包括以下內容：簡化數據管理，使數據隨時隨地可用；縮短實現AI用例的價值實現時間；使整個企業都可以訪問AI和數據洞察力；動態、實時地擴展復雜的AI場景；開發可帶來可預測的、可重復的價值的信息體繫結構。本書可以使包括架構師、開發人員、產品所有者和業務主管在內的各種角色受益。

[美]尼爾·菲什曼(Neal Fishman),[美]科爾·斯特萊克(Cole Stryker) 著 張虹宇 陳小林 譯 譯