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。

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。

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