A：
在这大数据时代里，我们也必须跟上大数据的脚步，而相对于初入者以及初学者，当然得去知晓，然后深入了解，学习相关知识，了解大数据商业领域。那就去了解以下几点：
首先，知晓大数据 & AI
大数据 & AI 平台是企业级大数据集成、存储、查询、分析以及人工智能统一基础平台，为企业快速构建海量数据信息处理系统。通过实时和非实时的分析和挖掘，帮助企业从海量数据信息中获取到真正的价值，及时洞察机会、预防风险。提供文字识别、图像识别、语音识别等基础 AI 平台，提供智能物流、OCR 等能力，使企业更智能。
其次，大数据和 AI 技术之间的联系和区别
两者之间的联系密不可分，可由以下图清晰可见：
来源于百度图片
大数据层主要分为数据采集、数据存储及数据访问：
1. 数据采集:
主要通过各类传感器以及摄像头、话筒等多种手段来采集各种数据。
2. 数据存储:
主要是将采集数据存储到数据库中。大数据的存储方式与传统的数据存储有很大不同。
3: 数据访问:
主要解决如何让 AI 技术层能够快速的获取所需数据。该层是大数据技术与 AI 技术的重要承接层，其最核心的技术为负载均衡。
AI 技术层：分为基础算法、AI 算法、AI 框架和 AI 技术，目的是获取数据之后，利用人工智能的算法和技术对数据进行分析。
1. 基础算法层:
基础算法层主要包含高等数学、矩阵分析、数值分析、概率统计分析等，是 AI 算法的奠基层。而 AI 算法来自于基础算法的支撑。
2.AI 算法层：
AI 算法层是在基础算法层之上构建的解决人类问题的人工智能算法层。人类遇到的问题通常是由单一问题合并组成的复杂问题，解决问题的路径为将复杂问题拆解成多个单一问题后逐一进行解决，AI 算法层即解决单一问题的通用方法层。
3.AI 框架层
AI 框架主要是对 AI 算法层的单个算法进行重新封装，它定义了很多类、方法、接口，使用者只需要调整相关参数即可实现算法，而不需要将算法完全实现出来，这样节省了大量的时间，使得应用算法来解决问题的 AI 研发人员更加专注于解决问题本身。
4.AI 技术层:
AI 技术层主要是针对利用 AI 算法解决专业领域问题而提出的专用方法和算法。这种算法不具有通用性，是为解决某个领域的问题而定制研发的方法。
最后的最后，当然是作为我们初入者以及初学者，去搜索大量资料学习，真正的了解它，以下大数据学习框架：
来源于百度图片
以下是推荐书籍：
《大数据人工智能深度学习实战应用技术》
《大数据生态组件开发天猫双 11 大屏实时交易架构》
《大数据核心技术精准推荐》
《海量数据存储处理技术》
《电影《前任 3》电影评价海量数据采集与实时分析 》
《使用 MapReduce 进行求和，结合 WordCount 例子数据处理流程》
《Scala 语言基础，Scala 语言的函数式编程，高阶函数示例》
《MapReduce 的 Shuffle 过程，Spark 的体系结构，不对称加密》
《利用大数据感知 QQ 上下线动态系统》
学好相关技术知识，我们的脚步才可赶上如今的大数据热潮！
B：
大数据与 AI 的结合将会推动很多行业的惊人创新。
个人认为要赶上大数据 AI 热潮，一是我们要把自己置于大数据其中，对之感兴趣，多方面了解其原理知识以及各方面技术，这些都是必不可少的。二是了解现如今的的大数据领域，用来做什么，怎样去做，这些领域都会遇到什么问题，分析以及解决。三是具有相关技术，能让我们去更深入了解，去提出更多方案，提出更多数据研发。
最近几年，大数据的成功不在于实现技术的某一方面，而是需要把一连串的技术、人和流程糅合到一起。你得捕捉数据、存储数据、清洗数据、查询数据、分析数据并对数据进行可视化。这些工作一部分可以由产品来完成，而有的则需要人来做。一切都需要无缝集成起来。最后，要想让所有这一切发挥作用，整个公司从上到下都需要树立以数据驱动的文化。
个人认为做到这些才会占据一定的优势。
C：
大数据与 AI 的结合，可以说是近些年发展脚步中的领先之一，在未来都有很大的发展前景，近些年大数据开发人才需求量大，而我们这方面的人才相对的薄弱，在这样的信息化时代，要赶上这样的大数据热潮，也必须了解以下几点：
为什么这么说呢？
1、AI 需要大数据的支持，如果没有大数据就没有 AI 发展的可能性
2、除了 AI 需要大数据技术的支持，云计算也需要大数据的支持
3、物联网的不断进步，每天会有海量数据产生
同样，个人认为大数据源源不断的提供数据源最重要的是你对大数据和 AI 的兴趣度，可能会决定你在这个行业内的走向，做自己喜欢的会离成功更近一步，且学到最前端的一些技术。
自己要在这样的大数据时代占据优势，是避免不了多读这方面的知识的，推荐以下论文：
1. 向机器学习世界引进了卷积神经网络 (http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf)
2. 为玻尔兹曼机提出了一种新的学习算法，其中包含许多隐藏变量层 (http://proceedings.mlr.press/v5/salakhutdinov09a/salakhutdinov09a.pdf)
3. 解决了仅从未标记的数据构建高层次、特定类别的特征检测器的问题 (http://icml.cc/2012/papers/73.pdf)
4. 提供了第一个可以使用强化学习从高维感官输入中直接学习控制策略的深度学习模型 (https://www.cs.toronto.edu/~vmnih/docs/dqn.pdf)
都是一些早期的数据外文，可以翻译过来看看，不错的文章。
