数据治理侧重于组织为数据的使用设置的策略。它还关注组织的各部门如何结合在一起，以确保数据得到正确使用。例如，美国一家主要的信用评级机构遭到黑客攻击，其治理政策很糟糕，导致数百万人的社保号码被泄露。
而组织如何管理他们保存的数据对人们的工作和生活有着巨大的影响。随着这项技术的成熟，数据治理这一概念将变得更加重要。随着时间的推移，将会提高计算能力和改进人工智能算法。这意味着它们将变得更加复杂，并且能够对人们造成更大的伤害。
数据是所有人工智能技术的核心。实际上，数据是一切与智能有关的核心。人工智能学习的方式是通过体验情境，然后模拟人类在头脑中做出的决定。
人类和人工智能的区别是人工智能可以更快地完成此任务。人工智能需要大量的数据才能做到这一点。它可以从外部源获取这些数据，也可以开始生成这些数据。
可观测性这个概念最早出现于20世纪70年代的电气工程，核心的定义是：
A system is said to be observable if, for any possible evolution of state and control vectors, the current state can be estimated using only the information from outputs.
古人云：“纸上得来终觉浅，绝知此事要躬行。” 学习领域有所谓721模型：个人的成长70%来自于岗位实践，20%来自向他人学习，10%来自于培训。虽然这种理论存在争议，但对于工程师们来说，按照实践、学习和培训的方式进行重要性排序，大致是不错的。所以重视实践，在实践中成长是最重要的学习原则。
书本知识主要是传道——讲述抽象原型，而对其具体应用场景的讲述往往含糊其辞，对抽象原型之间的关系也是浅尝辄止。采用同样精确的语言去描述应用场景和关联关系将会失去重点，让人摸不着头脑。所以，仅仅通过看书来获得成长就像是用一条腿走路。
人生就像一场旅途，不必在乎目的地，在乎的，应该是沿途的风景，以及看风景的心情。良好的心态是技术之旅最好的伴侣。期望通过这个解惑之旅，让大家拥有一个愉快的心情去感受漫长的学习旅途。
学无止境吗
必须要承认一个残酷的现实：人的生命是有限的，知识却是无限的。用有限的生命去学习无限的知识是不可能完成的任务。一想到此，有些工程师不免产生一些悲观情绪。如果方法得当并且足够勤奋，悲伤大可不必。
虽然，人类的整体知识体系一直在扩张。但是就很多重要的工程细分领域，基础理论并不高深。计算机的很多重要领域，工程师有能力在有限时间内抓住核心要害。
