第 1章　數字化與信息化

1.1　數據與信息1

1.2　數據處理的起源2

1.3　數字化的數據處理3

1.3.1　從機械化到數字化4

1.3.2　從數據處理到信息系統(tǒng)7

1.3.3　面向記錄事務的數據管理9

1.4　數據管理與分析12

1.5　商業(yè)智能與數據科學14

1.6　數據可視化16

1.7　現代企業(yè)數據組織19

1.7.1　數據工程師20

1.7.2　數據分析師21

1.7.3　數據科學家22

1.7.4　數據管理人員23

第 2章　數據價值的創(chuàng)造路徑

2.1　數據分析創(chuàng)造價值24

2.1.1　企業(yè)數據價值創(chuàng)造的階段化路徑24

2.1.2　國內數字化的行業(yè)觀察27

2.2　數據價值：數字化決策30

2.2.1　運營管理的數字化30

2.2.2　風險管理的數字化32

2.2.3　營銷獲客的數字化34

2.3　數據價值：業(yè)務創(chuàng)新37

2.3.1　線下業(yè)務轉線上37

2.3.2　監(jiān)管的數字化39

2.4　數據價值：推動AI變革42

2.4.1　ImageNet42

2.4.2　數字療法43

2.5　數據價值創(chuàng)造的組織保障44

2.5.1　數據管理團隊能力建設47

2.5.2　數據產品團隊能力建設48

2.5.3　數據底座團隊能力建設49

第3章　數據管理的方法與技術

3.1　數據資產管理51

3.1.1　數據模型管理52

3.1.2　數據標準管理55

3.1.3　數據質量管理57

3.1.4　主數據管理59

3.1.5　元數據管理61

3.1.6　數據安全管理63

3.1.7　數據資產管理平臺65

3.2　數據資產運營69

3.2.1　數據可視化69

3.2.2　商業(yè)智能71

3.2.3　數據洞察73

3.2.4　數據標簽74

3.2.5　數據指標76

3.2.6　數據資產盤點與編目77

3.2.7　數據資產運營平臺80

3.3　數據平臺架構82

3.3.1　數據倉庫82

3.3.2　數據湖86

3.3.3　數據集市89

3.3.4　數據中臺90

3.4　中國聯通的數據運營體系93

3.4.1　數據運營體系的建設由來93

3.4.2　數據運營的規(guī)范統(tǒng)一94

3.4.3　統(tǒng)一工具支撐“一體化運營”94

3.4.4　“一套數據管理體系”

　　　保障數據供給95

第4章　數據要素價值化的路徑探索

4.1　數據要素：數據價值的產業(yè)化98

4.1.1　數據要素×醫(yī)療健康98

4.1.2　數據要素×金融服務101

4.1.3　數據要素×智慧農業(yè)103

4.1.4　數據要素×氣象服務104

4.2　數據要素的基礎體系106

4.2.1　數據基礎設施106

4.2.2　數據基礎制度108

4.3　可信數據流通技術110

4.3.1　數據空間110

4.3.2　其他技術路徑115

4.4　數據資產入表118

4.4.1　數據資產的確認118

4.4.2　數據資產的會計計量120

4.4.3　數據資源入表管理平臺121

第5章　數據底座的技術與實踐

5.1　數據底座的架構要求124

5.1.1　數據底座的能力要求124

5.1.2　數據底座的核心功能126

5.2　分布式存儲技術128

5.2.1　分布式文件存儲HDFS130

5.2.2　對象存儲Ceph131

5.2.3　寬表存儲HBase132

5.2.4　文檔搜索引擎Elasticsearch135

5.3　分布式計算技術137

5.3.1　MapReduce140

5.3.2　Spark142

5.3.3　Presto145

5.4　分布式資源管理技術147

5.5　分析型數據庫151

5.5.1　MPP數據庫152

5.5.2　分布式分析型數據庫155

5.5.3　分析型數據庫的評價158

5.6　數據聯邦162

5.7　湖倉一體架構165

5.7.1　Hudi166

5.7.2　Iceberg168

5.7.3　Delta Lake171

5.8　流批一體架構172

5.8.1　Lambda架構173

5.8.2　Kappa架構174

5.8.3　Flink176

5.9　存算分離架構177

5.9.1　基于云存儲的存算分離179

5.9.2　基于本地存儲的存算分離180

5.10　中國聯通集團的數據底座建設183

5.10.1　大數據技術架構183

5.10.2　數據平臺架構188

第6章　數據與AI的融合

6.1　推薦系統(tǒng)191

6.1.1　協(xié)同過濾192

6.1.2　內容過濾193

6.1.3　基于向量的近鄰召回的推薦系統(tǒng)193

6.1.4　基于點擊率預估模型的推薦系統(tǒng)194

6.2　基于LLM的數據治理與分析195

6.2.1　智能化數據治理195

6.2.2　基于LLM的數據分析199

6.3　數據標注200

6.4　向量數據庫202

6.4.1　特征與向量203

6.4.2　相似度的度量204

6.4.3　向量檢索的召回率與準確率205

6.4.4　向量檢索與索引技術206

6.5　知識圖譜211

6.5.1　知識的表示方法212

6.5.2　知識抽取與推理技術213

6.5.3　知識存儲與圖模型215

6.5.4　圖數據庫與圖計算技術216

6.6　AI數據安全的挑戰(zhàn)與防護技術217

6.6.1　對抗樣本攻擊與防御218

6.6.2　數據投毒攻擊與防御219

6.6.3　后門攻擊與防御220

6.6.4　預訓練大模型的數據風險221

第7章　企業(yè)AI應用的方法論與知識融合

7.1　通用模型、推理模型與智能體223

7.1.1　通用模型223

7.1.2　推理模型224

7.1.3　智能體224

7.1.4　典型案例：DeepSeek大模型226

7.2　企業(yè)AI應用落地方法論227

7.2.1　企業(yè)AI應用落地條件227

7.2.2　企業(yè)AI落地場景228

7.2.3　企業(yè)AI場景實踐案例229

7.3　大模型與企業(yè)知識融合229

7.3.1　大模型數據調優(yōu)難題：Demo與上線的差距229

7.3.2　LLM的知識機制230

7.3.3　企業(yè)AI應用的基礎設施只需要DeepSeek嗎231

7.4　知識工程中的大模型應用233

7.4.1　大模型參數差異與NER任務的影響233

7.4.2　知識增強對實體識別的優(yōu)化234

7.4.3　易混淆知識的識別策略236

7.4.4　知識長度與識別準確率的關系238

7.4.5　推理能力對大模型識別效果的影響240

7.4.6　大模型驅動的知識工程流水線242

第8章　數據領域技術趨勢與思考

8.1　數據技術的自主可控245

8.2　開源技術的發(fā)展與挑戰(zhàn)247

8.3　數據中臺的發(fā)展歷程與思考251

8.4　數據編織技術的原理與展望253