来源书籍

AI图景:Sora时代的人工智能应用 ((美)阿莉莎·辛普森·罗赫韦格)

Skill 版本:v24 经典原理(高信息浓度 + 高稳定性) 65 张卡片

阿莉莎·辛普森·罗赫韦格;逄伟 · 葛晟嘉 译 · 中信出版集团 · ISBN 9787523605707

全书导读

这本书为业务负责人、产品人员和技术团队建立一套讨论 AI 落地的共同语言。它解释如何把目标、数据、组织和长期维护连成产品,而非提供具体模型的编程教程。文中的企业案例与数字属于原书叙述的历史语境,不用来描述这些公司的当前情况。

全书主线

首先明确业务问题和错误代价,选择范围适合的小任务;再准备持续可用的数据与跨职能团队,通过受控试点检验价值和生产条件。进入生产后,监控技术表现与业务结果,按变化刷新数据和模型。构建与购买的决策贯穿各环节,依据竞争价值、能力和资源逐项判断。

第00章 序言

模型在测试中表现很好,仍然可能既伤害用户,又无法为客户解决问题。这是本书用两段亲历建立的出发点。IBM 的图像识别系统提高了 F1 分数,却给轮椅使用者生成侮辱性标签。团队必须检查训练数据和标签、重新训练,才能继续发布。这里需要区分两个问题:模型是否完成了统计意义的分类,以及这种分类在业务和伦理上是否可接受。

修复不当标签后,产品仍没有明显收入。客户需要区分鸡胸和鸡腿、辨认特定品牌,而通用的“鸡肉”“冰激凌”标签太宽泛。转向客户能够使用自己数据训练的系统,才让技术能力贴近具体任务。eBay 则遇到另一种偏差:优化购买次数使便宜配件挤占搜索结果,损害用户找手机的意图和交易价值。改变衡量方法与模型输入后,才纠正了方向。两例共同说明,业务人员参与定义任务、数据和成功标准,是模型工作的组成部分。

进一步阅读:精确度之外;重塑业务问题;指标塑造行为。

原书依据 · 3 处

第01章 AI的基本原理与它的缺陷

人工智能是一组让机器执行智能任务的技术;机器学习从数据学习规律,深度学习是其中使用多层神经网络的一类方法。训练确定模型参数,推理用训练后的模型处理新输入。监督学习从有答案的例子学习,无监督学习发现数据中的结构,强化学习依据行动结果的奖励改进决策。部署后的监控和刷新由 MLOps 一类持续运营流程连接起来,不能把“模型训练完成”当作“产品完成”。

业务角色要回答什么输出才有用、哪些错误不可接受。病人记录匹配既可能把不同的人误合并,也可能漏掉同一人的关键病史,两种错误必须按后果权衡。信用评估删除性别字段仍可能通过地址等代理信息引入相关偏差;招聘和翻译模型还可能延续历史数据中的倾向。因此,不能把模型当作自动保证公平的黑盒,也不能把项目目标宽泛地写成“治疗癌症”。本章把后续战略讨论需要的技术基础,与责任和范围问题连接起来。

进一步阅读:代理变量偏见;业务定义阈值;错误代价分级;训练数据会遗传;AI与机器学习层次;训练与推理不同;三类学习的区别;MLOps连接模型运营;决策树按条件分支。

原书依据 · 9 处

第02章 制定一项AI战略

AI 战略首先说明要改善什么业务结果。发光礼服可以展示技术、获得注意,服装档案的视觉搜索则解决设计师难以复用历史图样的问题;同样用了 AI,价值来源却不同。沃尔玛货架机器人说明端到端流程同样重要:识别缺货只是中间结果,信息还要及时送到能够补货的人手中。书中也明确交代该机器人方案后来停止,不能据此把技术可用等同于整体方案长期成功。

跨职能团队把这些要求连起来:业务与产品人员定义目标,用户研究了解需求,数据人员核验数据,工程与基础设施人员提供运行条件,数据所有者保障来源。多个团队反复遇到同样的采买、数据访问和部署障碍时,共享平台可以降低重复成本,但仍应从可交付的小项目推进。成功指标必须提前明确;对极少发生的事件,始终预测“没有”也可能得到很高准确率,必须进一步区分漏报和误报。

进一步阅读:AI不是目标;平台化加速;跨职能战略;指标先于模型;假阳性与假阴性。

原书依据 · 5 处

第03章 选择“金发姑娘”问题

“金发姑娘”问题是对组织当前能力刚好合适的首个问题:边界窄、判断清楚、有相应数据、结果能够衡量,且失败风险可控。欧特克先识别密码重置请求,而没有立即覆盖所有客服问题。模型即使没有识别全部请求,也能通过改善一部分高频流程创造价值,再为更大的投入建立信任。

任务简单不只指类别少,还指人能较稳定地同意正确答案。数据也必须代表真正服务的对象;智利西班牙语语音数据并不自动适用于美国呼叫中心的口音和术语。可复用相近模型再用目标数据微调,但不能省略这一匹配。选题还须记录原流程的时间、成本或收益基线,否则无法估计改进是否值得。汽车警报案例提醒先判断问题是否需要 AI:车主无法辨认自己的报警声,可能需要的是声音设计,而非再提高模型准确率。

进一步阅读:金发姑娘问题;人类一致性;数据贴合场景;先算基线ROI;迁移学习需目标数据;先确认是否需要AI。

原书依据 · 6 处

第04章 你有正确的数据吗

数据问题包含能否取得、是否代表生产场景、来源是否可靠、标签是否正确以及如何保护它。自动驾驶的行人标注并不只是画框,轮椅、婴儿车、海报中的人等边界都需要明确。监督学习所需的标签,是业务判断进入训练过程的接口。

来源必须能持续提供新数据。短期合同结束、数据须删除时,模型也可能失去后续使用和训练的基础。数据进入仓库前的转换同样要追踪:若超过一定金额的费用走线下审批,仓库样本就不能代表全部费用。机器预标注能减少人工工作,但仍要人工纠正模型带来的错误。公开或匿名信息也可能暴露商业资产;安全不局限于个人身份。最后,把获取、清洗、注释、传输和刷新组织成可重复的数据管道,模型才有长期运行的条件。

进一步阅读:数据重于模型;数据源要续航;保管链不可猜;质量先于便宜;模型预标注仍需人审;非敏感数据也需保护。

补充理解:管道持续供给数据。

原书依据 · 7 处

第05章 你有合适的组织吗

组织拥有数据科学家,并不保证能够交付产品。书中公司原先按产品、前后端和机器学习分隔工作,计划不同步:模型完成时没有人集成,界面与后端也接不上。围绕同一业务问题建立横向团队,使不同技能共同承担交付,同时保留职能团队的技术交流,才改善这种脱节。

激励需要与协作相容。只奖励准确率、正常运行时间或各自发布量,会让团队优化不同目标;案例通过增加共同收入目标的权重促进合作,但具体比例不能照抄。集中式组织适合汇集早期稀缺人才,矩阵让专家贴近多个业务但增加权责复杂性,嵌入式使成熟领域拥有独立能力。这些是按条件选择的结构,不是必经阶段。产品角色的持续投入、运维和系统所有者的参与,以及好奇、谦逊和安全沟通环境,共同支持模型进入流程。

进一步阅读:横向团队产出;激励决定协作;组织随成熟度;谦逊也是能力。

补充理解:业务负责人需持续投入。

原书依据 · 5 处

第06章 创造一个成功的试点

试点是在限定时间、范围和规模的受控环境中验证价值。它需要让团队看清一个业务目标,而不是把“识别所有车辆损伤”这样的宽泛技术任务扔给多个供应商。正文中的工作表把目标和试点任务、受益者、衡量方法、技术适用性、投入及偏差风险,与数据、标注、人员和安全条件连成同一份计划。表中的人数、周数、数据量与一致率属于案例数值,不能作为通用验收阈值。

试点同时要预演生产。OmniEarth 的模型从一个县开始,但采用可供全州使用的公共卫星数据,而不是小范围才可用的无人机资料;识别结果还须与实际用水和账单信息连接,才能告诉工作人员应该联系哪些用户。扩大范围时定义和分布仍会变化,不能保证一个地方的模型直接通用。训练数据刷新、计算和标注会持续产生费用,试点应帮助估计这些生产成本。业务人员要进入标签和数据细节,避免“试点模型成功、整个项目失败”。

进一步阅读:业务痛点优先;试点要受控;试点预演规模;业务人懂数据;试点工作表连通交付。

原书依据 · 5 处

第07章 生产之旅

演示仅证明在有限条件下能够运行。IBM 视觉识别演示意外进入公开网站热门页面后,大量流量暴露了演示架构的问题;外部用户不会区分演示网页故障和核心模型能力。这说明发布前要估计流量、做规模测试、准备监控与处置流程。

生产要求包含可用性、响应性能和扩展能力;训练扩展与推理扩展也是不同的问题。若复杂模型没有带来明显效果增益,简单模型可能更适合资源约束。实际用户还会输入未预料的敏感数据,数据授权和业务要求也会变化,系统应能缩小范围、调整保护或更换模型。公共接口需要防范反复试探、模型窃取和恶意反馈:可限制访问速度、延迟反馈生效并进行验证,同时准备关闭或回到备用版本的流程和明确联系人。

进一步阅读:演示不是生产;简单模型优先;生产要能变;限制攻击面。

补充理解:生产三项运行要求。

原书依据 · 5 处

第08章 依靠AI为导向

组织的 AI 能力像肌肉,靠长期训练、投入和反馈形成。部门成员最了解自己的瓶颈,因此应让各部门学会识别合适的问题;单靠一个中心团队逐部门重新学习业务,很难持续扩展。

发现问题以后,还需能复用的数据管道、跨职能协作、预算和治理。治理负责决定收入、公平、安全和体验等竞争指标如何取舍,谁有资格批准模型上线,以及数据是否适合被如此使用。能力建设不必同时完成所有事项,可从问题识别能力推进,再根据实际用例安排下一项投入。跟踪模型数量还不够,要看是否真正被使用、维护和更新;一个大量调用却从不刷新的模型反而可能成为风险。

进一步阅读:AI是一种肌肉;用例识别下放;数据管道复用;治理权衡指标。

补充理解:模型数量不是能力。

原书依据 · 5 处

第09章 AI发育成熟

成熟 AI 的数据策略有五个相互补充的方面。质量是标签能否准确反映业务含义,运动夹克和语音意图中的歧义需要规范、示例、多样化意见及审核;完整性是关键场景是否有数据覆盖,尤其要记录少见但严重的异常和暂不支持的边界。异常还需要不依赖该模型的后备选项。

安全性同时保护隐私、信任和竞争信息;取得形式授权不等于使用一定恰当。治理记录从收集到转换的保管链,以及各阶段谁可读写,避免模型只是学到清洗过程的偶然痕迹。漂移则指真实输入或业务环境变化后,原模型不再适合;应由技术人员监控模型表现,业务人员监控真实结果,并安排审计、更新与重新训练。书中图示说明不更新可能退化、刷新能够帮助恢复,并非承诺某个固定更新周期适用于全部模型。

进一步阅读:注释规则定质量;边缘情况入册;能做不等于该做;漂移双层监控;异常要有独立后备。

补充理解:数据治理记录全链路。

原书依据 · 6 处

第10章 构建还是购买

AI 系统由一组能力组成:收集和标注数据、保存训练数据、训练与离线验证、部署和推理、获取实时特征,以及监控和更新。购买一个模型,不能自动替代这些环节。模型更新图把输出评估接回训练流程,说明生产使用与学习维护需要形成循环。

自建或购买要按组件判断其战略价值,而非对整个系统做一次二选一。支撑品牌承诺或竞争优势的部分,可能值得争取更深控制;通用基础设施可以购买或复用成熟工具。不过,即使某部分很核心,组织也要评估时间、预算、技术质量和可获得人才,不能把“核心”直接等同于“必然自建”。照片分类与身份解锁虽都涉及人脸识别,错误对品牌和安全的影响却不同。书中没有证实苹果具体采用了哪种采购路径,不能把这个说明性的比较写成已知事实。

进一步阅读:价值决定构买;AI系统不止模型;核心自建非核心买。

原书依据 · 3 处

第11章 结论

全书最后把路径收束到业务战略、合适组织、合适试点和生产扩展。贯穿它们的是持续的数据管理:取得正确数据、解释其来源与用途、减少不必要的偏见,并在世界变化后继续训练和维护。

非技术业务人员的参与不是外围审批。任务定义、标签边界、错误代价和成功指标会被模型规模化执行,因此这些决定既带来价值,也带来责任。结论主要重申前文,没有另造一套独立方法;阅读时可用它检查各环节是否连成一条可执行、可持续的链。

术语表

术语表汇总从数据、模型到运营的基础词汇。理解这些词时,应区分输入变量(特征)、训练中形成的模型,以及把模型用于新实例的推理;分类输出类别,聚类则按相似性发现分组。假阳性与假阴性分别是误报与漏报,不能用单一准确率代替两种后果的权衡。原表存在术语标注与定义混杂:置信阈值词条实际写成区间估计,OCR又错配为GDPR。本文不把它们当作正确对应关系;结构化不等于有监督标签,强化学习也不等于不用数据。

术语表概念的辨别

分类按给定标准区分类别,聚类按相似性形成分组;特征是模型输入变量,模型是从训练数据形成的表示。边界框用于表达图像对象范围,框选错误也会成为训练错误。整理数据结构与提供监督标签是不同工作。自然语言处理、语音识别和光学字符识别处理的语言媒介也不同,不能混用缩写。回归研究变量之间的关系,本书未展开其具体估计过程。

分类与聚类的区别;特征与模型不同;边界框给出对象范围;结构化与非结构化数据;回归研究变量关系;识别任务按输入区分。

原书依据 · 6 处

注释

注释补充“金发姑娘”的由来、支持工单含义,以及新闻、博客等出处。它们帮助回到案例语境,不证明案例在当前仍然成立。引用按注释登记于概览,未据书中新闻补造实时事实。

跨章综合

序言中的指标失配,在第二章变成预先定义成功的要求,在第八章变成跨部门治理的问题;它们讨论的是同一条从业务目标到模型优化的责任链。第四章的数据可持续性与第九章的漂移监控互为条件:没有持续来源就难以刷新,没有监控又不知道原数据何时不再代表现实。第五章的协作结构让第六、七章的试点与生产衔接成为可能;模型并非唯一交付物,因此组织也不能只围绕模型准确率组织工作。

发散与实践

以下是读者将原则用于当前笔记库的实践计划,尚未执行:用选题表比较首项自动化任务,为本地资料建立来源与持续性台账,用质量、完整性、安全、治理和漂移检查批量流程的生产条件。三张实践卡保留原路径,交付的是可执行计划,尚未开展现实实践。

生成进度与管理记录

AI图景:Sora时代的人工智能应用

Skill 版本:v6(2026-08-27 按 v6 规则续补;既有阶段一至三记录与卡片保留) 作者:(美)阿莉莎·辛普森·罗赫韦格 四象限评级:经典原理(高信息浓度 + 高稳定性) 评级理由:本书主要讨论 AI 项目为什么会成功或失败,而不是讲某个工具/API 的短期操作。序言中 IBM 视觉识别的 F1 分数很高却输出有害标签,说明“精确度”不能替代责任和业务语境;eBay 搜索把购买次数当目标导致配件污染,说明指标会改变模型行为;后续章节围绕“金发姑娘”问题、数据来源与质量、跨职能组织、试点到生产、治理和漂移建立了可迁移的判断框架。虽然案例涉及 IBM、eBay、沃尔玛、谷歌、亚马逊等具体公司,但抽象出的原则不依赖某个版本或界面,5-10 年后仍能用于评估 AI 落地项目。

历史 v6 章节筛选(已由本轮全读替代)

  • 第0章《序言》:精读。用 IBM 视觉识别和 eBay 搜索两个失败/转向案例建立全书核心:准确率、业务目标、责任和指标必须一致。
  • 第1章《AI的基本原理与它的缺陷》:精读。用苹果信用卡、谷歌翻译、亚马逊招聘、COMPAS 等案例说明模型偏见与业务参与的必要性。
  • 第2章《制定一项AI战略》:精读。讨论 AI 战略、平台化、跨职能团队与成功指标,是全书从技术转向业务落地的主轴。
  • 第3章《选择“金发姑娘”问题》:精读。提出首个 AI 项目的筛选标准:小而明确、有数据、有影响、可证明 ROI。
  • 第4章《你有正确的数据吗》:精读。系统展开数据可用性、来源、质量、安全和持续供给,是 AI 落地的高价值核心章。
  • 第5章《你有合适的组织吗》:精读。说明组织结构、激励和软技能如何决定机器学习成果能否进入产品与流程。
  • 第6章《创造一个成功的试点》:精读。围绕试点范围、受控环境、业务整合和可规模化设计,提供实践判断框架。
  • 第7章《生产之旅》:精读。从演示事故、可用性/性能/扩展性、对抗攻击说明试点到生产的风险转变。
  • 第8章《依靠AI为导向》:精读。把 AI 能力上升为组织肌肉,涵盖全员用例识别、数据管道、治理和资源分配。
  • 第9章《AI发育成熟》:精读。总结成熟 AI 的五个数据维度:质量、完整性、安全性、治理和漂移。
  • 第10章《构建还是购买》:精读。讨论构建/购买的战略边界和 AI 基础设施构成,适合产品与平台决策。
  • 第11章《结论》:略读。主要复述前文原则,新增信息有限,作为收束不单独制卡。

历史 v6 章节进度(保留)

章节号 章节标题 精读/略读 状态(pending/done) 卡片数
0 序言 精读 done 3
1 AI的基本原理与它的缺陷 精读 done 4
2 制定一项AI战略 精读 done 4
3 选择“金发姑娘”问题 精读 done 4
4 你有正确的数据吗 精读 done 4
5 你有合适的组织吗 精读 done 4
6 创造一个成功的试点 精读 done 4
7 生产之旅 精读 done 4
8 依靠AI为导向 精读 done 4
9 AI发育成熟 精读 done 4
10 构建还是购买 精读 done 3
11 结论 略读 done 0

历史实践卡进度(计划交付)

序号 实践标题 实践方式 状态(pending/done) 关联章节 产出
001 用金发姑娘表筛选首项任务 决策实践 done 03 一份任务影响与风险筛选表
002 为数据来源建立持续性检查 真实任务 done 04 一份数据来源与可持续性台账
003 用生产门槛审查试点输出 真实任务 done 07、09 一份试点—生产就绪清单

未采用的候选:照搬书中 IBM、沃尔玛或其他企业案例的具体组织与产品决策;其适用条件和外部环境需要单独核验,不能直接迁移。

本轮升级验收(2026-11-06)

执行模式:light

本次执行 Skill 版本:v24;首次生成版本 v6 保留。

建档进度:done

正文:整书笔记;证据:阅读覆盖。

历史 v6 章节进度(保留)表

章节号 章节标题 状态(pending/done) 卡片数
00 序言 done 3
01 AI的基本原理与它的缺陷 done 9
02 制定一项AI战略 done 5
03 选择“金发姑娘”问题 done 6
04 你有正确的数据吗 done 7
05 你有合适的组织吗 done 5
06 创造一个成功的试点 done 5
07 生产之旅 done 5
08 依靠AI为导向 done 5
09 AI发育成熟 done 6
10 构建还是购买 done 3
11 结论 done 0
12 术语表知识卡 done 6

非正文排除

spine项 类型 排除理由
cover.xhtml 封面 只有标题、图像与样式
copyright.xhtml 版权 用于出版元数据,不作知识正文
chapter01.xhtml、chapter65.xhtml 折页 宣传材料,不含独立论述
chapter64.xhtml 致谢 已读取,只有协作者和出版支持者名单

待关联术语

术语名 出现章节 一句话语境
置信区间 术语表 原词条与置信阈值混列,未展开估计方法,不采用该等同关系
GDPR 术语表、09 数据治理法规背景,未展开制度要求;OCR词条错标不沿用
HIPAA 04 医疗数据案例的使用背景,未展开合规操作
敏捷 05、08 横向团队与协作迭代背景,未展开独立流程

引用文献

标题 类型(书/论文/框架/源码项目) 出现章节 一句话语境
TensorFlow 框架 01、07、10、术语表 训练和分布式执行的示例工具,未展开框架实现
PyTorch 框架 01、10 预置训练模块示例,未展开框架机制
Kubeflow 框架 10 生命周期工具示例,不作为采购推荐
世界经济论坛数据治理模板和指南 框架 08 仅建议作为治理起点,未核验当前版本
艾伦人工智能研究所治理资料 框架 08 仅建议参考,没有展开具体材料
原书注释中的延伸出处(历史材料,未作当前事实核验)
  • 机器偏见|文章|01|ProPublica的COMPAS调查;仅原书引用登记,未展开为独立卡片。
  • 亚马逊抛弃了有利于男性从事技术工作的AI招聘工具|文章|01|招聘模型案例来源;仅原书引用登记,未展开为独立卡片。
  • 谷歌翻译现在为一些语言提供了性别特定的翻译|文章|01|翻译案例来源;仅原书引用登记,未展开为独立卡片。
  • 微软的AI聊天机器人泰从推特上了一堂种族主义的速成课|文章|01|Tay案例来源;仅原书引用登记,未展开为独立卡片。
  • 沃尔玛放弃了波萨诺瓦库存机器人项目——突出了零售机器人的挑战与机遇|文章|02|机器人方案结束的补充来源;仅原书引用登记,未展开为独立卡片。
  • 为什么约翰迪尔刚花了3.05亿美元在生菜种植机器人上?|文章|02|农业定向识别案例来源;仅原书引用登记,未展开为独立卡片。
  • 无国界译者与技术领导者合作开发COVID-19语言技术|文章|04|低资源语言数据案例来源;仅原书引用登记,未展开为独立卡片。
  • 如何停止数据质量对你业务的破坏|文章|04|数据质量代价来源;仅原书引用登记,未展开为独立卡片。
  • 算法能阻止自杀吗?|文章|04|敏感医疗数据案例来源;仅原书引用登记,未展开为独立卡片。
  • 亚马逊宕机,每分钟损失66240美元|文章|07|可用性历史案例来源;仅原书引用登记,未展开为独立卡片。
  • 加利福尼亚州消防队员利用AI在与野火的对抗中取得优势|文章|07|火灾数据边界案例来源;仅原书引用登记,未展开为独立卡片。
  • 不要被波音公司的自动飞行飞机吓坏了——机器人已经在空中飞行了|文章|07|内部系统访问控制案例来源;仅原书引用登记,未展开为独立卡片。
  • 《纽约时报》公司的网络收入首次超过印刷收入|文章|08|组织转型背景;仅原书引用登记,未展开为独立卡片。
  • 纽约时报:利用人工智能进行更好的对话|文章|08|评论审核案例来源;仅原书引用登记,未展开为独立卡片。

资金安全问题案例

问题标题 问题卡 解决方案卡(如有) 出现章节 一句话说明
无 — — — 信用额度、支付和欺诈只作模型业务背景;没有并发或幂等资金事故的具体机制

历史实践卡进度(计划交付)

序号 实践标题 实践方式 状态(pending/done) 关联章节 产出
001 用金发姑娘表筛选首项任务 决策实践 done 03 实践计划
002 为数据来源建立持续性检查 真实任务 done 04 实践计划
003 用生产门槛审查试点输出 真实任务 done 07、09 实践计划

实践候选筛选:done

  • 三个计划覆盖选题、数据来源和批量就绪,现实对象为当前笔记资料库;交付计划不代表实践已执行。
  • 未采用:复制原书企业的组织重组或供应商采购(缺现实组织授权与适用证据);重新实现学习框架(不服务当前业务问题);把历史市场数字外推为当前结论(未核验)。
  • 已阅读全文与实质图表;全文阅读记录、候选及原书差错处置见覆盖记录。轻量模式未执行生成后的笔记复核、独立审查或审查结果优化。

本轮升级验收(2026-11-06)

执行模式:light

本次执行 Skill 版本:v24;首次生成版本 v6 保留。

建档进度:done

正文:整书笔记;证据:阅读覆盖。

章节进度追踪表

章节号 章节标题 状态(pending/done) 卡片数
00 序言 done 3
01 AI的基本原理与它的缺陷 done 9
02 制定一项AI战略 done 5
03 选择“金发姑娘”问题 done 6
04 你有正确的数据吗 done 7
05 你有合适的组织吗 done 5
06 创造一个成功的试点 done 5
07 生产之旅 done 5
08 依靠AI为导向 done 5
09 AI发育成熟 done 6
10 构建还是购买 done 3
11 结论 done 0
12 术语表知识卡 done 6

非正文排除

spine项 类型 排除理由
cover.xhtml 封面 只有标题、图像与样式
copyright.xhtml 版权 用于出版元数据,不作知识正文
chapter01.xhtml、chapter65.xhtml 折页 宣传材料,不含独立论述
chapter64.xhtml 致谢 已读取,只有协作者和出版支持者名单

待关联术语

术语名 出现章节 一句话语境
置信区间 术语表 原词条与置信阈值混列,未展开估计方法,不采用该等同关系
GDPR 术语表、09 数据治理法规背景,未展开制度要求;OCR词条错标不沿用
HIPAA 04 医疗数据案例的使用背景,未展开合规操作
敏捷 05、08 横向团队与协作迭代背景,未展开独立流程

引用文献

标题 类型(书/论文/框架/源码项目) 出现章节 一句话语境
TensorFlow 框架 01、07、10、术语表 训练和分布式执行的示例工具,未展开框架实现
PyTorch 框架 01、10 预置训练模块示例,未展开框架机制
Kubeflow 框架 10 生命周期工具示例,不作为采购推荐
世界经济论坛数据治理模板和指南 框架 08 仅建议作为治理起点,未核验当前版本
艾伦人工智能研究所治理资料 框架 08 仅建议参考,没有展开具体材料
原书注释中的延伸出处(历史材料,未作当前事实核验)
  • 机器偏见|文章|01|ProPublica的COMPAS调查;仅原书引用登记,未展开为独立卡片。
  • 亚马逊抛弃了有利于男性从事技术工作的AI招聘工具|文章|01|招聘模型案例来源;仅原书引用登记,未展开为独立卡片。
  • 谷歌翻译现在为一些语言提供了性别特定的翻译|文章|01|翻译案例来源;仅原书引用登记,未展开为独立卡片。
  • 微软的AI聊天机器人泰从推特上了一堂种族主义的速成课|文章|01|Tay案例来源;仅原书引用登记,未展开为独立卡片。
  • 沃尔玛放弃了波萨诺瓦库存机器人项目——突出了零售机器人的挑战与机遇|文章|02|机器人方案结束的补充来源;仅原书引用登记,未展开为独立卡片。
  • 为什么约翰迪尔刚花了3.05亿美元在生菜种植机器人上?|文章|02|农业定向识别案例来源;仅原书引用登记,未展开为独立卡片。
  • 无国界译者与技术领导者合作开发COVID-19语言技术|文章|04|低资源语言数据案例来源;仅原书引用登记,未展开为独立卡片。
  • 如何停止数据质量对你业务的破坏|文章|04|数据质量代价来源;仅原书引用登记,未展开为独立卡片。
  • 算法能阻止自杀吗?|文章|04|敏感医疗数据案例来源;仅原书引用登记,未展开为独立卡片。
  • 亚马逊宕机,每分钟损失66240美元|文章|07|可用性历史案例来源;仅原书引用登记,未展开为独立卡片。
  • 加利福尼亚州消防队员利用AI在与野火的对抗中取得优势|文章|07|火灾数据边界案例来源;仅原书引用登记,未展开为独立卡片。
  • 不要被波音公司的自动飞行飞机吓坏了——机器人已经在空中飞行了|文章|07|内部系统访问控制案例来源;仅原书引用登记,未展开为独立卡片。
  • 《纽约时报》公司的网络收入首次超过印刷收入|文章|08|组织转型背景;仅原书引用登记,未展开为独立卡片。
  • 纽约时报:利用人工智能进行更好的对话|文章|08|评论审核案例来源;仅原书引用登记,未展开为独立卡片。

资金安全问题案例

问题标题 问题卡 解决方案卡(如有) 出现章节 一句话说明
无 — — — 信用额度、支付和欺诈只作模型业务背景;没有并发或幂等资金事故的具体机制

实践卡进度

序号 实践标题 实践方式 状态(pending/done) 关联章节 产出
001 用金发姑娘表筛选首项任务 决策实践 done 03 实践计划
002 为数据来源建立持续性检查 真实任务 done 04 实践计划
003 用生产门槛审查试点输出 真实任务 done 07、09 实践计划

实践候选筛选:done

  • 三个计划覆盖选题、数据来源和批量就绪,现实对象为当前笔记资料库;交付计划不代表实践已执行。
  • 未采用:复制原书企业的组织重组或供应商采购(缺现实组织授权与适用证据);重新实现学习框架(不服务当前业务问题);把历史市场数字外推为当前结论(未核验)。
  • 已阅读全文与实质图表;全文阅读记录、候选及原书差错处置见覆盖记录。轻量模式未执行生成后的笔记复核、独立审查或审查结果优化。

相关主题

从本书的主题进入跨书阅读,对照其他书籍的讲解。下方数量包含主题关联的全部卡片与书籍。

暂无公开主题。