本書首先從企業支持人工智能技術發展的視角出發，講解如何認識數字化轉型、數字化轉型戰略主要包含的方面、支持數字化轉型的應用體系設計方法等。其次，承接對應用體系設計的討論，詳細講解如何研發并落地實施定制化的人工智能應用，內容包括對人工智能應用研發的整體認識，業務需求和業務知識的梳理，數據收集、數據處理與建模分析，模型上線運行和持續迭代等。最后，基于相關討論，分析人工智能應用研發的特點，探討人工智能領域在應用研發模式與策略、專業技能人才培養等方面可能產生的一些新變化，以及領域內各種業態可能出現的發展趨勢。
本書適合企業技術總監、規劃與計劃人員、人工智能應用研發管理者與研發技術人員，以及對企業數字化轉型和人工智能技術落地感興趣的讀者閱讀。
·注重技術落地。本書從戰略制定、應用體系設計、應用點研發三個層次，完整地描述了運用人工智能技術助力企業數字化轉型的方法。其中，盡量回避對概念、愿景、原則等抽象內容的空泛討論，而是詳細討論各種操作層面的問題，并提出一系列可以落地的切實舉措。
·加強理論探討。本書在討論各種問題時盡量保證每項結論的產出都帶有思路清晰、論證充分的理論探討。相比于常見的直接下定義、給出結論的一些書目，本書觀點豐富且易于理解，同時分析問題的思想可能被讀者遷移復用至其他場景指導行動。
·觀點新穎。本書討論了許多與人工智能技術落地密切相關的問題，如需求從抽象到具體的不同層次、模型在不同應用研發階段的含義、對建模效果進行預估的方法等提出了一些新觀念新認識。這些問題實際上對于人工智能技術落地較為重要卻較少得到討論，在這方面本書應具有一定創新性。
金瑋，北京大學信息管理系情報學專業碩士畢業，現任昆侖數智科技有限責任公司大數據技術部副經理，從事人工智能前沿技術跟蹤、油氣行業人工智能應用及通用人工智能平臺研發工作。在建模方案設計、模型落地與產品化等方面有豐富經驗。
第 1章 全面理解數字化轉型 1
1.1 數字化轉型：數據成為價值提升的推動力 1
1.2 數據與數字化轉型的重要性 3
1.3 數字化轉型的直接關注對象：業務、數據與技術 4
1.4 數字化轉型的必需基礎條件：思想認識、發展政策、人才及資源投入 7
1.5 數字化轉型的工作步驟 9
1.6 數字化轉型與人工智能技術的相互選擇 10
1.6.1 數字化轉型與人工智能技術聯系密切 10
1.6.2 人工智能技術可能帶來的價值 12
1.7 補充：人工智能相關概念辨析 15
1.7.1 人工智能 15
1.7.2 人工智能技術 17
1.7.3 大數據 18
1.7.4 機器學習 19
1.7.5 幾組概念辨析 23
第 2章 結合人工智能技術特性制定數字化轉型戰略 25
2.1 數字化轉型戰略的制定原則 25
2.2 建立必須開展數字化轉型工作的共識 27
2.2.1 在管理團隊形成正確共識 28
2.2.2 使思想深入各級員工 29
2.3 梳理整合對內與對外的服務場景 29
2.3.1 提供滿足員工角色需求的服務 30
2.3.2 尋找提升企業競爭力的技術方案 30
2.3.3 梳理需求并啟動應用體系的設計與建設 31
2.4 實現數據采集、存儲與管理過程的標準化 32
2.4.1 制定數據采集范圍和采集標準規范 32
2.4.2 制定數據標準規范 34
2.4.3 設計數據權限體系并加強數據掌控能力 37
2.5 培育適應數字化轉型需求的技術能力 40
2.5.1 建設扎實的硬件基礎 40
2.5.2 建設統一數字技術平臺 41
2.5.3 建設核心數據能力 43
2.5.4 開展應用研發與整合 45
2.5.5 實現技術的開放融合共享 46
2.6 完善組織與人才保障 48
2.6.1 管理層親自承擔數字化轉型重任 48
2.6.2 建設中心和業務部門專屬的兩級數據科學團隊 49
2.6.3 保持復合型人才培養與對外交流合作 52
第3章 開展支撐數字化轉型的應用體系設計與建設 55
3.1 建設一個應用體系而非一批應用的原因 55
3.2 應用體系的建設原則：圍繞業務需求 56
3.2.1 應用與應用體系以業務需求為核心 56
3.2.2 辨析業務需求從抽象到具體的不同層次 57
3.2.3 應用體系的各級組成及其與不同需求層次的對應 58
3.2.4 補充：部分問題探討 59
3.3 開展應用體系設計 62
3.3.1 梳理業務流 62
3.3.2 規劃并組織功能集合 63
3.3.3 組織功能點形成應用 65
3.3.4 組織應用形成應用體系 67
3.4 爭取來自各類人員的支持 70
3.4.1 企業領導 71
3.4.2 職能部門領導 72
3.4.3 業務部門領導 73
3.4.4 業務專家和一線業務人員 75
3.4.5 項目組技術人員 76
3.4.6 所需爭取的各類資源 79
3.5 計劃并執行應用體系建設 81
3.5.1 綜合資源、價值和技術難度來制訂建設計劃 81
3.5.2 應用體系建設與迭代完善 87
第4章 人工智能應用研發總述 91
4.1 人工智能應用研發遵循的基本理念 92
4.2 人工智能應用研發的3項重要基礎條件：業務、數據、技術 92
4.2.1 業務需求與業務知識 93
4.2.2 高質量的真實數據 94
4.2.3 建模分析與應用開發技術 95
4.3 人工智能應用研發涉及的各類人員 96
4.3.1 業務人員 96
4.3.2 設計人員 97
4.3.3 建模分析人員 98
4.3.4 開發人員 98
4.3.5 管理人員和模型維護人員 99
4.4 人工智能應用研發的主要流程及相應交付物 100
4.4.1 價值與可行性評估 100
4.4.2 研發目標與研發周期確定 101
4.4.3 業務需求與業務知識梳理 102
4.4.4 數據收集 102
4.4.5 數據處理與建模分析 103
4.4.6 模型上線試運行與迭代 104
4.4.7 應用開發及生產環境部署 105
4.4.8 應用的產品化（可選） 105
4.4.9 重要補充：模型的多重含義辨析 107
4.5 人工智能應用研發常見的技術與管理問題 109
4.5.1 常見的技術問題 109
4.5.2 常見的管理問題 110
第5章 業務梳理和建模數據收集 112
5.1 業務需求梳理 112
5.1.1 業務需求梳理的意義 112
5.1.2 業務需求梳理的主要過程 113
5.2 業務知識梳理 119
5.2.1 業務知識梳理的意義 119
5.2.2 業務知識梳理的主要過程 121
5.3 建模數據收集 123
5.3.1 建模數據收集的意義和參與對象 123
5.3.2 建模數據收集的主要過程 124
5.3.3 面向數據分析與應用研發的數據建設方向 129
第6章 數據處理、建模分析與模型上線運行 131
6.1 對數據處理與建模分析的基本認識 131
6.1.1 主要涉及對象 131
6.1.2 數據處理與建模分析的主要過程 132
6.1.3 建模分析的特點 135
6.1.4 預估建模效果時的可參考因素 137
6.2 數據處理 138
6.2.1 主要內容和基本要求 139
6.2.2 數據的拼接與整合 140
6.2.3 異常值和缺失值處理 141
6.2.4 特征維度建立 143
6.2.5 標準化 151
6.2.6 特征選擇和降維 155
6.2.7 過采樣和降采樣 157
6.2.8 標簽調整 159
6.3 模型訓練、測試及評價 160
6.3.1 模型的超參數設置 160
6.3.2 模型的訓練與測試 162
6.3.3 多模型的集成 165
6.3.4 常用的模型評價指標 166
6.3.5 幾類主要的模型評價標準 170
6.4 模型的上線運行與持續迭代 174
6.4.1 主要工作內容 174
6.4.2 業務數據接入 176
6.4.3 模型上線試運行 176
6.4.4 模型分析結果處理與交互性改善 178
6.4.5 模型線上持續迭代 179
6.4.6 關于模型自動迭代的簡要探討 181
第7章 人工智能領域發展趨勢分析 185
7.1 人工智能應用的研發特點及價值 185
7.2 人工智能技術及應用的發展現狀 186
7.2.1 機器學習理論的主要研究課題 186
7.2.2 技術落地方面的主要發展趨勢 188
7.2.3 暗示的現象和問題 189
7.3 人工智能應用研發的組織變革 192
7.3.1 業務組織外技術團隊承擔應用研發的問題 192
7.3.2 業務組織內引入人工智能技術人員的優勢 194
7.4 人工智能應用研發的管理變革 196
7.4.1 基礎環境的統一建設與集中管控 196
7.4.2 研發流程的標準化 196
7.4.3 建模方法遷移變得更為普遍 197
7.5 人工智能技術人才的培養方式轉變 198
7.6 人工智能應用研發工具的持續改進 199
7.7 人工智能技術服務的業態發展 200
7.7.1 提供計算設備與算力 201
7.7.2 提供模型的研發環境 202
7.7.3 提供定制化的研究協助 204
7.7.4 提供標準化的應用和產品 205
7.7.5 提供作為第三方的咨詢、測試及保險服務 207
7.7.6 提供培訓與資格認證 208
7.7.7 補充：企業拓展人工智能業務的適宜形式 209
7.8 人工智能領域法律法規的完善 211
結束語 213
新書資訊