本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 技術評估
<a name="technical-assessment"></a>

技術評估很重要，因為它為您提供公司現有的目前技術功能的映射。此評估涵蓋資料控管、資料擷取、資料轉換、資料共用、機器學習 (ML) 平台、程序和自動化。 

以下是您可以由團隊在技術評估期間提出的問題範例。您可以根據您的內容新增問題。

## 資料工程團隊
<a name="data-engineering"></a>
+ 目前與為您的團隊擷取資料相關的挑戰是什麼？ 
+ 您的團隊是否需要任何無法擷取的外部或內部資料來源？ 為什麼無法使用它們？
+ 您從中擷取哪些類型的資料來源 （例如 MySQL 資料庫、Salesforce API、收到的檔案、網站導覽資料）？
+ 從新資料來源擷取資料需要多長時間？
+ 從新來源擷取資料的程序是否自動化？
+ 開發團隊從其應用程式發佈交易資料進行分析有多容易？
+ 您是否有從資料來源進行完全載入或增量載入 （批次或微批次） 的工具？
+ 您是否有用於從資料庫持續載入的變更資料擷取 (CDC) 工具？
+ 您是否有資料擷取的資料串流選項？
+ 如何執行批次和即時資料的資料轉換？
+ 如何管理資料轉換工作流程的協調？
+ 您最常執行哪些活動：資料探索和分類、資料擷取、資料轉換、協助業務分析師、協助資料科學家、資料管理、訓練團隊和使用者？
+ 建立資料集時，如何分類資料隱私權？ 如何清理它，讓它對內部消費者很有意義？
+ 資料管控和資料管理是集中還是分散式？
+ 如何強制執行資料控管？ 您有自動化程序嗎？
+ 管道每個階段的資料擁有者和管理者是誰：資料擷取、資料處理、資料共用和資料使用？ 是否有決定擁有者和管理員的資料網域概念？
+ 使用存取控制在組織內共用資料集的主要挑戰是什麼？
+ 您是否使用基礎設施做為程式碼 (IaC) 來部署和管理資料管道？
+ 您是否有資料湖策略？ 
  + 您的資料湖是在整個組織中分佈還是集中？ 
+ 您的資料目錄如何組織？ 是全公司還是每個區域？
+ 您是否有適當的資料湖方案？
+ 您是否使用或計劃使用資料網格概念？

您可以使用 [AWS Well-Architected Framework Data Analytics Lens](https://docs.aws.amazon.com/wellarchitected/latest/analytics-lens/analytics-lens.html) 補充這些問題。

## 業務分析團隊
<a name="business-analysis"></a>
+ 您會如何描述可用於您工作之資料的下列特性：
  + 乾淨度
  + 品質
  + 分類
  + 中繼資料
  + 業務意義
+ 您的團隊是否參與您網域中資料集的業務詞彙表定義？
+ 沒有在您需要時執行任務所需的資料，會產生什麼影響？
+ 您是否有任何無法存取資料或取得資料所需時間過長的案例範例？ 取得您需要的資料需要多長時間？
+ 由於技術問題或處理時間，您使用比所需更小資料集的頻率為何？
+ 您是否有具有所需規模和工具的沙盒環境？
+ 您可以執行 A/B 測試來驗證假設嗎？
+ 您是否缺少執行任務所需的任何工具？
  + 哪些類型的工具？
  + 為什麼無法使用它們？
+ 是否有任何重要的活動您沒有時間執行？
+ 哪些活動最多耗用您的時間？
+ 如何重新整理您的業務檢視？
  + 它們是否會自動排程和管理？
+ 在哪些情況下，您需要比您取得的資料更新的資料？
+ 如何共用分析？ 您使用哪些工具和程序進行共用？
+ 您是否經常建立新的資料產品，並將其提供給其他團隊？
  + 您與其他業務領域或整個公司共用資料產品的程序為何？

## 資料科學團隊 （判斷模型部署）
<a name="data-science"></a>
+ 您會如何描述可用於您工作之資料的下列特性：
  + 乾淨度
  + 品質
  + 分類
  + 中繼資料
  + 意義
+ 您是否有任何自動化工具可用於訓練、測試和部署機器學習 (ML) 模型？
+ 在建立和部署 ML 模型時，您是否有執行每個步驟的機器大小選項？
+ ML 模型如何投入生產？
+ 部署新模型的步驟是什麼？ 它們的自動化程度如何？
+ 您是否有元件來訓練、測試和部署批次和即時資料的 ML 模型？ 
+ 您可以使用和處理夠大的資料集來代表建立模型所需的資料嗎？
+ 如何監控模型並採取動作來重新訓練模型？
+ 如何衡量模型對業務的影響？
+ 您可以執行 A/B 測試來驗證業務團隊的假設嗎？

如需其他問題，請參閱 [AWS Well-Architected Framework Machine Learning Lens](https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/machine-learning-lens.html)。