1、课程目标:
了解在AI模型快速发展下,工业企业AI应用和数据治理遇到挑战、机遇、应对策略、方法、数据治理框架体系及相关案例。了解AI应用与数据治理相关的依赖关系。
2、课程提纲:
1、AI与数据:企业数智化发展的双轮驱动
1.1工业企业数智化转型对数据和AI需求特点
清晰界定“三化”关系
自动化、信息化及数智化定义及之间的关系
共性的数据问题分享
数字化转型对数据能力提出的要求
大数据与云计算、人工智能的关系
数据管理对企业的核心价值
1.2国内外大模型产品、特点及发展特点
(1)人工智能发展现状
(2)大模型的概念
国外的大模型产品(ChatGPT、Sora、OpenAI)
国内的大模型产品(DeepSeek、字节跳动豆包、文心一言等)
某央企大模型建设情况-昆仑大模型
(3)大模型的特点
1.3数据治理与AI推动工业企业数智化转型典型案例和场景分享
物资领域应用场景
某企业生产层面等领域应用场景
某企业智能“问数”系统案例
2、AI快速发展对数据治理的新要求
2.1AI应用对大数据治理的需求
(1)AI大模型时代数据治理的难题
(2)面向人工智能的数据治理
面向人工智能数据治理的活动与对象
AI应用的高质量落地,需要高质量的数据集
大数据治理核心方向,需要借助AI工具提高效率
2.2数据多样性的挑战
(1)行业的数据类型
行业数据类型分类:结构化数据、非结构化数据(音频、视频、图片、文档)、时序数据、空间数据(GIS)等典型场景。
(2)数据管理的要求
自动化的要求。AI大模型可以通过学习和分析数据治理各项工作的特征和规则,自动化批量进行大规模数据的数据标准、元数据等数据治理任务,减少了人工处理的工作量
实时性要求。实时监控和分析数据的变化,并及时进行预警。
扩展性要求。通过学习和迭代,持续提升自己的能力,以适应变化。
2.3数据质量的挑战(准确性、实时性等)
数据质量和准确性对模型性能和结果的影响,通过数据质量六性特征(完整性、一致性、及时性、时效性、准确性及唯一性)讲解数据质量维度、数据质量管理原则、数据质量体系框架,数据质量提升案例,让学员达到数据质量对模型性能和结果的影响
3、数据治理:支撑AI应用的关键能力
3.1六种不同视角下的数据治理框架体系
从6种不同视角解读数据治理框架体系核心内容(管理者视角、技术的视角、工业企业视角、数据全生命周期视角、安全的视角及需求的视角),确保数据治理确保准确、一致性、安全和可用。
3.2某央企数据资产框架体系案例
3.2央企数据管控及数据资产管理框架案例
4、数据文化建设、素养提升及建议
4.1数据文化建设与数据素养提升
通过相关能源央企的案例介绍数据文化的建设、数据素养提升,数据人才培养、数据沟通等,数据驱动业务发展,赋能企业数智化转型。
4.2相关建议和互动交流
AI在工业行业应用展望的答疑和互动,针对讲解内容,总结、听取学员的疑问和反馈,有针对性答疑和互动
授课老师
蔡春久 原腾讯首席数据架构师、技术总监
常驻地:北京
邀请老师授课:13439064501 陈助理

