AI驅動的數據治理
申鎮 白佳喜 賴誌明 李昕
- 出版商: 機械工業
- 出版日期: 2026-04-01
- 售價: $594
- 語言: 簡體中文
- 頁數: 336
- ISBN: 7111806263
- ISBN-13: 9787111806264
-
相關分類:
Data-visualization
下單後立即進貨 (約4週~6週)
相關主題
商品描述
這是一本立足企業的真實痛點，以DeepSeek大模型為“智能大腦”，以Dify應用開發平臺為“敏捷工廠”，全景展示大模型賦能數據治理實戰路徑的工具書。本書5位作者覆蓋甲方和乙方，均有豐富的項目經驗，這本書是5位作者多年從業經驗的高度凝練。他們通過將一線業務訴求與前沿技術架構深度融合，致力於幫助廣大數字化決策者、數據管理者與技術開發者跨越落地鴻溝，將沈重的數據治理轉化為驅動企業創新與增長的核心競爭力，助力企業數據治理工作實現從“勞動密集型”向“敏捷智能化”的深刻蛻變。本書分為4篇，共17章。概念與挑戰篇：厘清與數據治理相關的概念與挑戰，直擊傳統數據治理規則固化、響應遲緩的痛點，系統梳理AI時代的數據管理新範式。深度解析通過DeepSeek核心能力如何破解現實困境，勾勒出一幅清晰的“AI+數據治理”融合框架與實施路線圖，全面奠定智能化轉型的認知基礎。理論與方法篇：深入數據治理的“深水區”，針對目標管理、元數據管理、數據標準管理、數據質量管理與數據安全管理五大核心領域，逐一拆解大模型的應用原理與場景。提供從核心價值到具體實踐的全套方法論，讓AI賦能數據治理有章可循。工具與實戰篇：拒 空洞說教，主打“手把手”實操演練。借助低代碼、可視化的Dify敏捷開發框架，從零開始構建數據治理智能基座。全鏈路演示需求分析、工作流設計、核心提示詞工程與部署應用，讓每一位數據從業者都能輕松駕馭AI工具。案例與展望篇：將理論付諸真實行業。深度剖析央國企指標體系構建、制造業物料主數據梳理、金融業數據分類分級以及半導體海量工藝數據治理四大標桿案例。為讀者提供 生命力與適應性的 化解決方法，並前瞻未來企業級數據戰略的演進方向。
作者簡介
申鎮<br /> 數據治理專家，現任百分點科技企業政企事業部咨詢總監/首席咨詢顧問，兼AI-DG與數據治理大模型主要負責人。深耕數據治理、主數據管理（MDM）及數據智能化領域多年，曾 並交付多個 政企、大型央國企及海外覆雜場景的標桿數字化項目。具備豐富的售前咨詢與大型項目實戰交付經驗，致力於將大語言模型（LLM）等前沿AI技術與企業數據資產管理深度融合，推動傳統數據治理向敏捷化、智能化範式轉型。<br />白佳喜<br /> 工程師， 數據治理專家，CICC大模型與決策智能、具身智能、情報與智能認知專委會委員。深耕集團型企業數據治理、供應鏈管理與智能決策領域多年，專註於AI技術在數據管理中的工程化落地，擅長以知識圖譜、大模型與智能決策能力賦能制造企業精益管理。<br />賴誌明<br /> 數據治理專家，大數據架構師，公眾號及視頻號“誌明與數據”的作者。擁有16年數據領域實戰經驗，專註金融監管、公共數據等領域的項目落地，擁有CDGP、CDAM等多項專業認證。<br />李昕<br /> 工程師， 數據安全專家，大模型架構師，深耕集團型企業數據安全治理、智能制造與智能化賦能領域多年。曾 10多家產業公司IT體系與數據安全體系的構建。擅長AI技術在數據安全、智能治理中的工程落地。持有CISSP、CDMP、TOGAF、PCA、AIDC等多項專業證書。<br />馬偉凱<br /> 數據治理專家，現任百分點科技企業政企事業部總經理，兼AI-DG產品及數據治理大模型牽頭人，長期專註於數據治理與AI技術在政企領域的應用，曾 交付多個政府及大型集團數字化項目。
目錄大綱
前言
概念與挑戰篇
第1章 數據治理的現狀與挑戰
1.1 數據治理的定義與重要性
1.1.1 傳統數據治理的定義
1.1.2 AI時代的數據治理定義
1.1.3 數據治理對AI時代企業的重要性
1.2 數據治理框架與方法論
1.2.1 數據治理框架
1.2.2 數據治理方法論
1.3 數據治理面臨的挑戰
1.3.1 傳統數據治理面臨的挑戰
1.3.2 AI時代數據治理面臨的挑戰
1.4 數據治理的困境及轉型方向
1.4.1 數據治理的困境
1.4.2 數據治理的轉型方向
第2章 DeepSeek核心能力賦能數據治理解析
2.1 DeepSeek核心能力概覽：賦能組織場景
2.1.1 DeepSeek核心能力
2.1.2 DeepSeek典型工作場景
2.1.3 DeepSeek能力結合場景
2.2 DeepSeek核心能力詳解：數據治理能力
2.2.1 組織場景中的數據生產與應用：治理需求的源頭
2.2.2 企業各類場景的數據治理核心需求
2.2.3 以AI能力應對核心數據治理需求
第3章 數據治理與DeepSeek融合的應用場景
3.1 深度融合的理論框架
3.1.1 融合模式分析
3.1.2 融合模式組合分析
3.1.3 融合模式發展分析
3.2 數據治理融合場景
3.2.1 AI融合後數據治理新場景
3.2.2 AI賦能數據治理路線圖
3.3 AI驅動的治理模式創新
3.3.1 從被動響應到主動智能
3.3.2 從人工密集到人機協同
3.3.3 從孤立工具到集成智能中樞
3.3.4 從合規驅動到價值驅動
3.3.5 數據治理的普及
3.4 融合應用的挑戰與實施策略建議
3.4.1 融合應用的挑戰
3.4.2 實施策略建議
理論與方法篇
第4章 企業數據治理目標與DeepSeek融合場景
4.1 企業數據治理的核心目標：平衡供給與需求
4.1.1 供給側視角：保障數據資產的健康與可用性
4.1.2 需求側視角：支撐業務戰略與價值創造
4.1.3 核心目標的平衡與整合
4.2 數據治理目標任務分解與資源評估
4.2.1 目標間的理解與依賴識別
4.2.2 將目標拆解為主要任務
4.2.3 估算目標任務所需資源
4.3 數據治理實施計劃與內部拉通
4.3.1 制定滾動式實施路線圖
4.3.2 內部溝通與協調策略制定
4.3.3 治理計劃宣貫與拉通確認
4.4 AI賦能數據治理任務
4.4.1 利用AI加速治理路線圖的實施
4.4.2 落地實踐建議與註意事項
第5章 企業元數據管理與DeepSeek融合場景
5.1 元數據管理的核心價值與實踐挑戰
5.2 DeepSeek在元數據管理中的應用
5.3 DeepSeek驅動的元數據管理智能化應用場景
5.3.1 智能化的元數據采集與豐富
5.3.2 智能化的元數據描述生成與標準化輔助
5.3.3 智能化的數據血緣與影響分析
5.3.4 智能化的元數據檢索、問答與應用
5.4 元數據融合DeepSeek的應用場景清單與實踐考量
5.4.1 DeepSeek賦能元數據管理的典型場景
第6章 企業數據標準管理與DeepSeek融合場景
6.1 數據標準管理的核心價值與實踐挑戰
6.2 DeepSeek在數據標準管理中的應用
6.3 DeepSeek驅動的數據標準管理智能化應用場景
6.3.1 智能化的數據標準發現與編制
6.3.2 智能化的數據標準校驗與合規檢查
6.3.3 智能化的數據標準問答與理解
6.3.4 智能化的數據標準運營與維護
6.4 數據標準融合DeepSeek的應用場景清單與實踐考量
6.4.1 DeepSeek賦能數據標準管理的典型場景
6.4.2 落地實踐的關鍵考量與註意事項
第7章 企業數據質量管理與DeepSeek融合場景
7.1 數據質量管理的核心價值與實踐挑戰
7.2 DeepSeek在數據質量管理中的應用
7.3 DeepSeek驅動的數據質量管理智能化應用場景
7.3.1 智能化的數據質量需求分析
7.3.2 智能化的數據質量規則生成與校驗
7.3.3 智能化的數據質量監控與預警
7.3.4 智能化的數據質量根因分析與改進
7.3.5 智能化的數據質量報告解讀與決策支持
7.4 數據質量融合DeepSeek的應用場景清單與實踐考量
7.4.1 DeepSeek賦能數據質量管理的典型場景
7.4.2 落地實踐的關鍵考量與註意事項
第8章 企業數據安全管理與DeepSeek融合場景
8.1 數據安全管理的核心價值與實踐挑戰
8.2 DeepSeek在數據安全管理中的應用
8.3 DeepSeek驅動的數據安全管理智能化應用場景
8.3.1 智能化的敏感數據發現與分類
8.3.2 智能化的內部數據泄露防控
8.3.3 智能化的數據跨境傳輸合規審查
8.3.4 智能化的權限管理與訪問監控
8.3.5 智能化的數據安全事件響應與調查
8.4 數據安全融合DeepSeek的應用場景清單與實踐考量
8.4.1 DeepSeek賦能數據安全管理的典型場景
8.4.2 落地實踐的關鍵考量與註意事項
工具與實戰篇
第9章 DeepSeek賦能數據治理知識庫的構建與應用
9.1 數據治理知識庫：貫穿始終的智能支撐
9.1.1 重新定義數據治理知識庫
9.1.2 數據治理知識庫的核心價值與目標
9.1.3 實戰目標與工具選擇
9
