人工智能B2B落地实战：基于云和Python的商用解决方案

《人工智能B2B落地实战：基于云和Python的商用解决方案》介绍了如何使用云服务，以较低的成本和较快的速度来开发与部署人工智能产品或服务。通过理论和详细的步骤讲解，书中介绍了数据分区、建模、数据推断和部署等主题，与此同时，还提供了丰富的Python范例代码，旨在帮助读者理解和掌握如何以更快的速度把想法变成上线的产品。
从内容上看，书中首先介绍当前AI生态系统的社会背景，然后进一步探索高层级的业务需求和最佳实践，最后还探讨了如何与干系人与敏捷团队展开合作。透过本书，读者可以探究数据管线的协同运作，探究机器学习和深度学习，同时掌握AutoML和AutoAI等人工神经网络的使用。本书包含AI应用开发、工业案例研究以及实用指南，可以帮助读者熟练应用NoLo UI。
《人工智能B2B落地实战：基于云和Python的商用解决方案》为云服务预算有限的读者提供高效的部署,帮助他们掌握看起来很难的AI解决方案开发和部署过程。
通过本书的学习，您将掌握：
在一个月的时间内部署和交付产品级的AI
以较低成本部署AI解决方案
与技术大牛一起共事并以较低的成本部署MVP
创建可以演示的解决方案，不需要使用过于繁复的Python脚本或者笔记本

《人工智能B2B落地实战：基于云和Python的商用解决方案》共10章。第1章介绍AI与AI生态，第2章阐述AI**实践和DataOps、第3章说明AI数据的获取，第4章谈到云与机器学习，第5章讨论神经网络与深度学习，第6章聊到AutoML、AutoAI以及NoLo UI的崛起，第7章讲到AI全栈应用开发，第8章通过案例学习来贯穿AI解决方案的整个实现过程，第9章说明如何部署AI解决方案（生产化与容器化），第10章讨论了自然语言处理。书中展示了高层级的业务需求和**实践，探讨了如何与干系人与敏捷团队展开合作。书中包含的AI应用开发、工业案例研究以及实用指南，可以帮助读者熟练应用NoLo UI。 《人工智能B2B落地实战：基于云和Python的商用解决方案》特别针对云服务预算有限的读者提供高效的解决方案，帮助他们开发和部署看似很难的AI商用解决方案。通过本书的学习和实践，读者有望以较低的成本快速部署和交付生产级AI方案。

巴瑞·沃尔什（Barry Walsh）就职于Pairview，是一名软件交付顾问和AI培训师。他经验丰富，主要运用复杂的业务数据为ABB/Ventyx、Infosys、E.ON、Centrica以及自己的创业公司ce.tech优化能源资产和降低风险。他是AzureAI认证工程师、数据科学家以及 AWS云计算专业人员，为能源、IT、金融科技、电信、零售和医疗保健等行业的企业提供数据科学、商业智能和商业分析等咨询服务，成果斐然。巴瑞在商业分析和AI解决方案交付领域深耕20余年，对企业级AI充满热情。

欧拉在校期间多次入选“优等生名单”，奉行深思笃行的做事原则，擅长于问题引导和拆解，曾经运用数据模型和R语言帮助某企业在半年内实现了十倍的增长。美食爱好者。有多部译著，翻译风格活泼而准确，有志于通过文字、技术和思维来探寻商业价值与人文精神的平衡。目前感兴趣的方向有机器学习和人工智能。

第1章 AI与AI生态系统简介
第2章 AI最佳实践和DataOps
第3章 AI的数据获取
第4章 云机器学习
第5章 神经网络与深度学习
第6章 AutoML、AutoAI与NoLo UI
第7章 AI全栈：应用开发
第8章 AI案例研究
第9章 部署AI解决方案（生产化与容器化）
第10章 自然语言处理

失败的数据科学项目处处可见，技术债日益增长甚至达到积重难返的程度，很多组织正在尝试正视AI，实施一种更广泛、更深思熟虑的设计/系统思维方法，以求揭开炒作的迷雾，去伪存真。这里的关键在于，需要确保一开始就建立有多用户（包括技术人员和非技术人员）参与的数据/AI解决方案，同时还要全面考虑整个系统的生态系统、企业数据中心、基础设施/集成和端到端的过程。
利用最新的技术，人工智能应用牢牢地占据着这个技术成熟度曲线的制高点。AI的生产力优势令人难以忽视，与此同时，新冠肺炎疫情和数字化转型加剧催生了一种恶性的颠覆式文化。这种快速变化使得一些相对脆弱的公司不得不构建或购买更便宜、更小、开源程度更高的解决方案。这些因素共同作用，导致人们对快速原型开发和加速AI解决方案交付的需求与日俱增。
然而，并不是每家公司都了解AI能做什么或者它意味着什么。这些公司往往受制于遗留工具和糟糕的创新实践。有些人担心就业会受到影响，有些人有道德顾虑。但对大多数C级别的高管来说，可以明确的一点是，AI的实施必须符合“企业级AI”的愿景，这个3 410亿美元的市场正在发展成为一个多样化但高度集成的Best-of-BreedAI解决方案组成的平台。
对我们这样职业生涯与就业市场、数据及数字化密不可分的人来说，这些有意义的、高价值的AI解决方案就是雇主所追求的目标。并且，持续关注提供投资回报率（Return On Investment，ROI），不仅要理解，还要使用AI（通常是机器学习和深度学习）来提供切实可见的成果，这是我们得以安身立命的根本。
对于企业领导者来说，一部分挑战在于，技术性强的技能往往无法为组织内的其他人提供非常直观的、可交流并且可理解的成果。大部分数据科学家并不擅长BI或者不是因为他们的软技能而被聘用的。如今的就业市场，雇主们越来越多地开始寻找更全面/更广泛的端到端技能，这些技能可以转化为更好的可视化成果、前端功能和集成方案。数据专业的相关人员的竞争优势在于通过解决技术债并拥有提供全栈数据解决方案。
这种机会在很大程度上依赖于云计算。AI或数据科学不仅涉及Python Notebook和活动挂图，还需要识别和获取合适的数据集，并利用云服务来从沙盒扩展到概念验证，再到原型，再到最简可行产品（Minimum Viable Product，MVP）。如今，大多数公司和组织的最终目标是企业级AI。但对于许多从事特定职位的个人和许多非企业单位，云是一个处处有坑的雷区，有相当多的歧义的、文档不全的工件和隐形成本。企业级AI并不是每个人都能负担得起的。
成功（并且负担得起）的企业级AI项目交付需要有足够高的情商，如敏捷思维、稳健的数据驱动管道以及大量的变通方法，以设计、涵盖和实现人员、流程和工具的整合。我们依赖于三个主要的超大规模云服务商（Hyperscaler）/云服务提供商（CSP）：亚马逊云计算服务（Amazon Web Services，AWS）、Microsoft Azure和谷歌云端平台（Google Cloud Platform），他们提供数据中心、可扩展存储空间和计算实例。
敏捷固然重要，但混合型/与敏捷无关的解决方案、多技能、T型能力和结果导向的交付也同样重要。最关键的是，如果处于高位的利益相关者/管理人员在制造混乱或推卸项目失败的责任，就不能说他们是在实施敏捷方法。只有遵循项目设计并达到符合整体项目愿景的交付标准，敏捷方法才能真正发挥作用，而不是金玉其外，败絮其中。
许多组织在AI（运维）上遇到了挑战。这本书的目标没有局限于写写简单的Python脚本，而是更进一步，解答当前数据科学实践的实际意义和价值。
这并不是说我们会忽视Python。事实上，相比以往任何时候，职场中对Python技能的需求更旺。截至2022年9月，Python在TIOBE编程社区指数中仍然排名第一。使用Python进行开发是本书的核心目标，但这里采用自上而下的“目标导向（goal-focused）”方法，更倾向于利用基于Python以及低代码框架来加速全栈开发流程，而不是代码的Python后端开发。本书的叙述也与DataOps的最佳实践相一致，并关注了如何满足各种KPI，比如需求变更、计划延期、提高灵活性以及客户留存等。
本书设计了很多动手实验，旨在展示实际操作，不只使用了Python代码，还关注了AI如何利用云服务以及如何针对无技术背景的关键利益相关者使用无/低代码的界面。这些利益相关者往往是决定启动、实施或扩展AI项目的关键决策人。
企业级AI的目标是将AI嵌入组织的数据策略中，全体员工需要对公司的有形（和无形或隐藏）的数据和AI资产有一致的了解并接受培训。每个人都应该能够理解并使用AI，并跟着本书的指导尝试开发一些解决方案，以此来进一步武装自己，实现公司的长远目标。