2022愛分析・人工智慧應用實踐報告
報告編委
特別鳴謝(按拼音排序)
- 案例1:中新天津生態城構建智慧城市產業大腦,用AI挖掘資料價值
- 案例2:AI資料管理平臺助力上汽安吉物流批量化迭代AI模型,讓物流管理更智慧
- 案例3:美宜佳打造商業智慧決策管理平臺,實現線下零售的智慧化運營
- 案例4:依託計算機視覺技術,某餐飲連鎖企業為餃子品控安上智慧之“眼”
- 案例5:中巨集保險構建營銷員智慧助理,通過保險知識的共享和複用賦能銷售
- 案例6:AI演算法支撐下,AR虛擬試戴讓安克創新使用者獲得更優的線上互動體驗
- 案例7:某銀行搭建智慧消費者保護中臺,助力消費者權益保護監控和預警
- 案例8:海信集團引入AI平臺,構建獨立自主的AI開發能力
- 案例9:某大型集團搭建AI中臺,支撐數智化升級
- 案例A:某大型保險集團制定平臺、應用、技術“三個領先”戰略和“四個關鍵舉措”推動智慧化建設
- 案例B:虛擬數字人助力江南農商銀行為客戶提供創新性的遠端視訊櫃員服務
- 案例C:某全球頭部日用消費品公司在華公司以費用支出為導向規劃AI應用場景
- 案例D:某大型國有商業銀行構建MLOps體系,實現敏捷的模型迭代,高效的模型交付
- 案例E:某頭部家電集團建立面向AI開發和管理的組織架構,全面支援產品的智慧化創新
目錄
1. 人工智慧在產業中落地的20大挑戰
2. 評估AI應用成熟度,因地制宜推進智慧化
3. 企業智慧化轉型的方法論
4. 企業智慧化趨勢展望
關於愛分析
研究諮詢服務
法律宣告
1. 人工智慧在產業中落地的20大挑戰
在國家政策、產業需求、資料和技術體系趨於完備三重因素的推動下,人工智慧的發展自2019年起進入與產業加快融合的階段。經過近幾年的發展,人工智慧已經廣泛滲透進金融、零售、工業、能源、醫療、城市管理等多個行業和領域,各種創新性的應用場景層出不窮。尤其在金融、智慧製造等領域,一些頭部企業已經在各個業務和職能部門中引入了大量的人工智慧應用,並且已經構建起了較完善的面向智慧化運營的技術能力、組織架構和創新機制。
行業大勢疊加頭部企業的示範效應,吸引了眾多企業紛紛跟進智慧化轉型。然而,智慧化轉型仍是一片雖已有眾多人涉足,但鮮有人真正實現深耕的新大陸,企業可獲取和參考的建設經驗有限,加上企業所處行業、發展階段的不同,自身需求以及擁有的資源稟賦各異,需要針對性地開展人工智慧的規劃和建設等因素,導致了人工智慧在產業中落地充滿挑戰。
愛分析基於多個國內領先企業的智慧化轉型和人工智慧應用實踐案例的深度調研分析,以及過往對產業數字化與智慧化的持續跟蹤研究,梳理出了當下人工智慧在產業落地中會面臨的20個主要挑戰,這些挑戰涉及戰略、資料、場景規劃、應用解決方案開發、技術基礎設施、組織與人才六個維度,具體如下表:
表 1: 人工智慧在產業中落地的20大挑戰
2. 評估AI應用成熟度,因地制宜推進智慧化
智慧化轉型沒有統一的路徑和方法,不同企業在不同階段可能面臨的問題通常也各不相同。因此,企業在實施智慧化轉型之前需要首先建立一套企業智慧化轉型的能力框架,對框架內的多個能力維度進行評估,確認企業自身的AI應用成熟度狀況。在此基礎上,企業可以明確智慧化轉型的關鍵能力要素,以及各維度的能力在不同成熟度階段需要重點提升的方向,從而制定下一步實施計劃,高效的推進智慧化轉型和AI落地。
基於本次調研和過往研究積累,愛分析將AI應用成熟度從低到高依次分為早期實驗、初步投入、多維佈局、深度應用、全面融合五個階段,並且從戰略、資料、場景規劃、應用解決方案開發、技術基礎設施、組織與人才六個維度列舉出了每個成熟度階段主要的能力特徵,具體如下表:
表2:企業AI應用成熟度及其評估框架
同時,愛分析綜合IDC、紅杉的相關資料以及本次調研結果發現,國內金融、零售、工業、醫療等主要行業開展過智慧化建設的企業中,約30%處於早期實驗階段,約40%處於初步投入階段,約20%處於多維佈局階段,約9%處於深度應用階段,處於全面融合階段企業不足1%,僅有少數行業超頭部公司達到這一水平。
圖 1: 主要行業企業AI應用成熟度各階段數量佔比
考慮到處於早期實驗階段的企業內部對AI規劃與建設尚無實質性的進展,該階段的企業要推進智慧化轉型可以參照初步投入階段的方法和實踐經驗;同時,處於全面融合階段的企業一方面國內的樣本量非常少,另一方面該階段的企業已基本完成智慧化轉型,需要更多地關注和解決智慧化運營方面的問題。因此,本報告將只對處於初步投入、多維佈局和深度應用三個階段的企業如何開展智慧化轉型進行詳細討論,並分別提供建議。
3.企業智慧化轉型的方法論
在本章,愛分析將從戰略、資料、場景規劃、應用解決方案開發、技術基礎設施、組織與人才六個維度論述企業在應對智慧化轉型的多種挑戰時,可以採取的方法和措施,並從本次調研的案例中選取相關實踐經驗為企業提供參考說明。同時,本章還會對處於不同成熟度階段的企業在上述六個維度中需要階段性提升的重點能力分別給出建議。
全面的智慧化轉型需要從頂層開始設計,避免因依靠區域性業務需求驅動的AI能力和應用散點建設造成後期難以統一管理和資源浪費。因此,企業應該首先明確智慧化轉型的關鍵目標,以及明確為了達到相關目標的建設思路和路徑,針對這些問題對智慧化轉型進行具備前瞻性和系統性的規劃。同時,企業需要在組織、治理結構和制度流程等方面達成統一,才能高效地推動智慧化建設,達成相應目標。
例如在案例A中,某大型保險集團制定了平臺、應用、技術“三個領先”戰略,併成立專門大資料和人工智慧部門,從專案管理機制、前沿技術研究、國產化方案替代、應用成果孵化等方面開展建設,從而推動智慧化轉型。
3.1.1.2. 建立將新技術用於業務創新的機制,並提供相應的資源支援
AI應用本質上具有實驗性和創新性,因此也天然地會伴隨著一定的不確定性和失敗風險。為了實現AI應用的落地,企業需要首先建立鼓勵創新,容忍失敗的工作氛圍,其次,建立業務創新機制,在內部密切關注AI技術的發展趨勢,及時識別將AI技術用於業務創新的機會,以及不斷強化組織內的AI開發能力,並推動應用的落地。
3.1.2 給不同成熟度的企業的建議
初步投入階段:企業在該階段應明確當前需要開發的具體應用,並考慮採取怎樣的方式實現落地。
多維佈局階段:企業在該階段應首先在組織內廣泛地鼓勵創新,明確智慧化轉型短期的目標和路徑。同時需要對中長期的目標有所考慮和規劃。
深度應用階段:企業在該階段應建立完善的智慧化轉型中長期目標和規劃,在組織內就智慧化轉型的方法、流程、創新機制達成了統一,並給予全方位支援。
案例A:某大型保險集團制定平臺、應用、技術“三個領先”戰略和“四個關鍵舉措”推動智慧化建設 某大型保險集團於2019年成立了集團科技中心大資料和人工智慧部,由此開啟了人工智慧技術發展之路。該保險集團擬在人工智慧建設方面實現“三個領先”的戰略目標。一是領先的平臺:持續打造涵蓋NLP、語音、OCR、人臉識別、大資料應用子平臺的集團統一人工智慧技術平臺,各項技術指標居於行業領先水平。二是領先的應用:聚焦客服、管理、銷售三類機器人突破,機器人研究和應用水平居於行業領先水平。三是領先的技術:核心演算法全部自研,關鍵技術和硬體具備國產化替代方案。 在建設思路方面,為了實現“三個領先”的戰略目標,該保險集團實施瞭如下關鍵舉措: 1)制定長期規劃,營造創新氛圍。集團制定了長期人工智慧發展規劃,和適合科技創新的專案管理機制,營造鼓勵創新、容忍失敗的工作氛圍。 2)鑽研前沿技術,加快技術落地。密切跟蹤人工智慧技術的演進趨勢,並適當開展前沿技術的研究,縮短前沿技術落地的週期;重點加強多模態AI應用落地的能力,加強大資料和AI深度協同的能力,加強研發人員對業務的理解。 3)探索國產化替代方案,實現技術的提前儲備和自主可控。探索PaddlePaddle等國產深度學習基礎框架,驗證國產GPU的實際效能,形成備用方案,確保極端情況下仍然可以開展人工智慧的應用和研究。 4)加快機器人突破工程成果孵化,探索研發通用機器人。利用機器人研發成果,進行銷售和管理機器人嵌入式研發,重點突破人機混合運營下的機器學習;依託各類私域流量和公域流量,實現純線上化的銷售模式和銷售管理模式;由小規模、人機協作向全覆蓋、無人化演進,並探索研發通用機器人。 |
良好的資料基礎是支撐智慧化轉型的前提,針對資料孤島、資料質量低、資料廣度與深度不足、資料架構老舊等企業資料基礎中的問題,企業需要重視資料治理與資料平臺建設工作。
在資料治理方面,企業應該組織專門的資料治理工作,制定資料標準和資料治理體系,提高資料質量。如在案例1中,中新天津生態城在利用內部外資料,構建智慧城市產業大腦之前,首先成立專門的資料治理小組,開展相關工作以提高資料的質量。
在資料平臺建設方面,企業需要構建統一的大資料平臺或資料智慧平臺,打通各部門、各系統的資料,豐富資料的來源,提高資料的廣度和深度。同時,設計面向AI應用的資料架構,方便AI應用開發和運營中對資料的呼叫。例如在案例7中,某銀行為了構建智慧消費者保護中臺,其首先建設了全口徑的投訴管理大資料平臺,整合行內10多類異構多模態資料,以打破多業務部門、各區域、各系統資料壁壘。關於資料平臺的詳細構建方法可參考愛分析於2021年11月釋出的《2021愛分析・資料智慧平臺實踐報告》。
3.2.1.2. 建立面向AI開發的資料採集、資料處理和資料管理等方面的標準化方法和自動化能力
為了高效地給AI開發提供匹配的資料,支撐AI應用的規模化落地,企業內部需要建立一套面向AI開發的自動化的資料採集、資料處理和資料管理的方法與能力。具體而言,可以在資料採集端如攝像頭、感測器內建相應演算法自動採集所需資料;採集的資料上傳至雲端或本地後,設定相應條件,自動觸發資料標註任務,交由業務專家標註資料,在某些情況下還需要自動將新標註的資料與原先的資料集進行合併;當平臺監測到新的資料版本後,再自動對模型進行訓練,並對新的模型進行評估和上線。
例如在案例2中,上汽安吉物流在研發其視覺智慧管理系統時,採用了這套標準化和自動化的從資料採集,到資料標註,到模型訓練的流程和方法,支撐了平臺功能高效和批量化地迭代更新。
3.2.2 給不同成熟度的企業的建議
初步投入階段:企業在該階段應首先解決的資料基礎較差的問題,因此需要積極開展資料治理工作,提高資料治理;並建立統一的資料平臺,打破資料孤島,豐富資料來源。
多維佈局階段:企業在該階段應已經解決了資料基礎較差的問題,同時對於AI開發和運營對資料的要求較明確,初步建立面向AI開發的資料採集、資料處理相關的標準化方法,並考慮如何提高整個流程的自動化能力。
深度應用階段:企業在該階段應建立起完善的資料治理機制,並常態化的執行,建立能夠支撐AI應用的資料智慧平臺;同時,企業還應建立起面向AI開發的資料採集、資料處理和資料管理等方面的標準化方法和高度自動化的能力。
案例1:中新天津生態城構建智慧城市產業大腦,用AI挖掘資料價值 中新天津生態城(以下簡稱“生態城”)是中國與新加坡兩國政府戰略性合作開發的生態城市,於2008年9月開工建設,總規劃面積為150平方公里,旨在打造產城融合、綠色發展、智慧城市、國際合作的示範區。 為了構建智慧城市產業,生態城當前重點發展5G創新應用、大資料交易生態、傳統產業融合創新應用三大互動應用產業,希望打造從數字生產資料挖掘、到智慧產業研發孵化、再到龍頭企業牽引的產業鏈。然而,生態城在產業發展中,其產業規劃、招商引資、企業服務工作都面臨著一些痛點問題,這些問題包括:
從根本上而言,上述問題都在於生態城在開展產業發展工作的過程中,缺乏以資料為支撐的產業分析工具。事實上,生態城經過多年發展,已經積累了大量的智慧城市公共資料,包括了區域經濟執行、內部工商、財稅、政策扶持等資料。與此同時,大量公開的資料,如企業工商、業務、專利、招投標、投融資、輿情、風險等資料也能夠為生態城的產業發展規劃所用。 因此,生態城要解決產業規劃、招商引資、企業服務工作中面臨的問題,就需要首先借助一系列的工具和方法,從海量的結構化和非結構化資料中挖掘出有用的資訊,並以體系化的形式呈現出來,為生態的產業規劃和發展提供資料支撐和科學的指導。 基於知識圖譜、NLP等AI技術,構建智慧城市產業大腦解決方案 針對上述挑戰,中新天津生態城希望通過引入大資料和人工智慧技術來構建解決方案。在對廠商的產品、技術和服務能力進行綜合評估後,生態城選擇與愛數合作共建解決方案。愛數成立於2006年,是一家大資料基礎設施提供商,提供結構化資料、非結構化資料、機器資料、知識圖譜資料等全域資料能力,為政府、公共事業及企業的數字化轉型賦能,幫助各行各業的客戶釋放資料價值,實現即時、隨時、實時的資料服務。 愛數為中新天津生態城提供的智慧城市產業大腦解決方案,包含了一個產業知識網路、三個能力平臺、N個應用模組的“1+3+N“架構,為智慧城市產業發展中的“產業-招商-服務”全環節提供資料服務。
圖 2: 中新天津生態城智慧城市產業大腦架構圖
如前文所述,整個解決方案的核心在於如何從海量資料中提取出有用資訊,並構建以產業鏈、企業圖譜為中心的大規模知識網路。為了解決這一問題,愛數專案團隊重點開展瞭如下工作: 1)資料治理。生態城內外部大量資料的資料質量狀況較低,因此愛數為該專案成立了資料治理小組,制定資料標準和資料治理體系,提高資料質量。 2)知識抽取。在構建知識網路前,需要對資料尤其是大量非結構化資料中的知識進行抽取。對此,愛數使用其AnyDATA產品內建的語言模型,同時也為生態城定製了一些自然語言處理模型,比如產業政策、企業基礎畫像、招投標、投融資等模型,從資料中精準地抽取關鍵要素或屬性。在此基礎上,為這些屬性設立匹配規則,從而構建知識間的關係。 3)構建知識網路。愛數基於AnyDATA產品內建的知識圖譜、決策樹等技術為生態城構建產業知識網路。同時,提供AnyDATA意圖理解、規則、推理、圖計算等引擎,可以實現精準的知識搜尋、關聯分析和輔助決策。 最終建成的知識網路主要包含如下型別:
智慧城市產業大腦落地後的價值和效果 智慧城市產業大腦在中新天津生態城的招商引資、產業經濟、企業服務中產生顯著的應用價值和效果。 1)招商引資更加精準。產業大腦匯聚了生態內外部的工商、產業等資料,結合知識圖譜技術,深度研究行業、企業業務,基於產品標籤集相似度,可以尋找到同類企業,然後利用企業畫像工具對企業實力進行評估,尋找行業隱形冠軍,從而更加精準地進行招商引資。 2)產業與經濟執行狀況瞭解更及時。產業大腦根據企業產業標籤管理,瞭解生態城產業結構,生態城因此能夠緊跟國家發展戰略目標;同時,通過多維度分析,生態城可以瞭解各產業發展情況,掌握產業增長與下降趨勢,以及影響產業發展走勢的主要企業;並收集巨集觀經濟與區域經濟資料,並進行對比,掌握經濟發展差距,為巨集觀調控提供支援。 3)企業服務更主動。藉助產業大腦,生態城可以從從企業入駐起對企業進行全生命週期管理。對標同行上市企業畫像,判斷企業發展方向、可能遇到的問題,進行主動培育服務。同時,基於政策試算器,向政策管理使用者提供政策匹配企業列表、企業兌現情況清單。 智慧城市產業大腦專案經驗總結 對於企業和政府部門而言,其在業務發展過程中會積累大量的文件和內容資料,這些資料中存在著大量有價值的資訊,通過構建知識網路整合這些資料,能夠為企業和政府部門的管理、業務發展提供有效的決策支撐。而從資料中挖掘價值,需要藉助一系列方法和人工智慧技術:首先要收集好各型別的內外部資料,並做好資料治理工作;然後藉助NLP技術從資料中精準地抽取知識,建立知識間的關係,並且在此過程中,需要適當根據具體業務需求定製開發NLP模型。最後在此基礎上構建知識網路,並利用規則、推理、圖計算等引擎從知識網路中獲取有效資訊。 |
案例2:AI資料管理平臺助力上汽安吉物流批量化迭代AI模型,讓物流管理更智慧 安吉智慧是上汽安吉物流旗下專注於智慧物流解決方案的服務商,服務於上汽安吉物流內部的同時,也向汽車製造、機械電子、醫藥、冷鏈、日化、服裝等行業企業提供相關技術服務。 物流行業向來注重安全管理工作。以上汽安吉物流為例,其業務範圍涵蓋汽車零部件、整車、港口、快運四個物流業務板塊,包括上汽、特斯拉等主要汽車公司的整車倉儲與進出口業務,其在全國範圍內管理10個港口、300多個網點、5萬多名員工。為了保障如此龐大的物流系統能夠安全有序地運轉,上汽安吉物流每年花費上億元用於僱傭安保人員。但隨著業務規模的增長,過度依賴人力的傳統安全管理模式已經無法滿足其發展需求。 針對物流行業安全管理中的痛點問題,安吉智慧自主研發了“安眸智慧視覺管理系統”,利用計算機視覺技術對港口、園區、倉庫等物流業務場景中的核心元素“人員、貨物、裝置”進行識別和分析,並對出現的違反安全管理規範的問題及時提醒和採取相應措施,主動化解潛在危險。以倉庫場景為例,安眸系統能夠對倉庫內的叉車超速、禁區出現人員、員工危險動作、著裝不規範等行為作出精準識別,並進行管理。 由於計算機視覺模型通常只能對預先訓練過的場景和物體進行識別,為了滿足上汽安吉物流管理的10個港口、300多個網點,以及其對外服務的200多個客戶不斷提出的各異的功能需求,在安眸系統中不斷上線新的識別功能,安吉智慧的研發團隊就需要不斷獲取新的樣本資料,並在不改變邊緣算力的前提下,對AI模型進行不斷的更新和運維。 因此,安吉智慧需要解決AI模型頻繁迭代過程中的多個工程化難題。例如,針對遷移學習時模型會產生舊資料遺忘的問題,安吉智慧已經通過自研知識蒸餾、混合學習等技術讓模型在學習新的資料特徵後獲得新的識別能力的同時,也保留原先的識別能力。但安吉智慧仍然需要應對以下兩點主要的問題: 1)缺少能對非結構化資料進行精細管理的工具。安吉智慧有大的影像資料集,但每個網點或客戶提出新的功能需求時,其提供的影像資料的採集時間、採集目標、標註類別等資訊都不一致,安吉智慧需要將這些資料增補進原先的資料集中,記錄資料集的層次結構,並形成不同的資料版本,從而用於模型誤差分析和模型反覆迭代。然而之前基於資料夾的手動管理方式,不僅很難追蹤過去版本的模型和資料集的對應關係,在上百甚至更多個網點和客戶都提出需求時,其資料版本就很難以資料夾的形式進行管理。 2)演算法團隊需要深度介入資料處理工作,手動執行效率較低。由於模型開發中資料的收集、標註,以及模型訓練等流程存在大量需要演算法團隊介入的資料處理工作,安吉智慧需要依靠演算法開發人員對資料處理工作進行層層把控,手動執行各種操作。當模型的迭代更新變得非常頻繁時,演算法和資料團隊的深度繫結會使得模型迭代流程非常耗時耗力,甚至無法完成。 依託非結構化資料平臺,保障模型迭代中的高質量資料供給和流程自動化 面對模型頻繁迭代,以及由此帶來的大幅增長的資料管理需求,安吉智慧選擇與格物鈦智慧科技進行合作,將格物鈦的AI資料管理平臺作為安眸系統研發中的AI基礎設施元件之一,以解決其痛點需求。格物鈦智慧科技是一家人工智慧基礎設施提供商,其核心產品非結構化資料管理平臺向各類創新企業及團隊提供AI資料管理解決方案,以資料引擎為核心技術,解決非結構化資料的發現、管理、利用等難題,實現對海量複雜資料的靈活存取用,從而推動企業的資料資產化和AI工程化落地。 針對非結構化資料集管理中的難題,格物鈦為安吉智慧提供瞭如下解決方案: 第一,在雲端對資料進行統一託管。安吉智慧各個網點的資料都儲存在雲端,格物鈦的資料平臺全面託管了安吉智慧的原始資料、標註資料和元資訊。在平臺的許可權管理功能保障資料訪問安全的前提下,安吉智慧的團隊可以在平臺上方便地訪問資料和進行團隊協作。 第二,資料版本可追溯。安吉智慧每月或每週會在資料集內新增圖片和物品類資料,通過格物鈦資料平臺,安吉智慧在新增的資料上做標註,然後合併進原有資料集,並打上標籤,從而形成新的標準化的資料集版本。演算法工程師只需要根據標籤就能找到需要的資料集版本,並比較各個資料集之間的差異。 第三,資料集分佈特徵視覺化。格物鈦資料平臺的視覺化元件能讓演算法工程師從巨集觀層面檢視資料集的特徵分佈,以及從微觀層面檢視單個檔案和標註資料。安吉智慧的演算法工程師因此能夠在模型訓練前直接檢視資料標註資訊,也可以在模型訓練後將預測結果作為一個資料版本,與人工標註的資料版本進行比較,從而判斷模型效果和資料標註質量。 針對演算法和資料團隊的深度繫結,手動執行資料處理工作效率低的問題,安吉智慧通過使用格物鈦資料平臺的Action功能,並結合了一些自研演算法,對資料收集、資料標註、模型訓練等關鍵流程設定任務自動觸發機制,並讓整個流程實現自動化。在資料收集階段,安吉智慧通過自研影像相似度和質量分析的演算法,當發現符合要求的影像後自動在攝像頭中進行抽幀並將影像上傳至雲端;在資料標註階段,通過使用格物鈦資料平臺,當符合需要的圖片資料達到一定量級後,平臺自動觸發資料標註任務,然後通過簽約的資料標註公司在平臺上對資料進行標註,再與原先的資料集進行合併。在模型訓練階段,當平臺監測到資料標註完成形成新的資料版本後,會自動先進行模型訓練,然後對更新後的模型的預測結果進行評估,識別預測效果不好的圖片,並在平臺上對資料標註實時地進行調整。 圖 3: 安吉智慧AI模型開發關鍵流程
非結構化資料平臺給安吉智慧帶來的價值和效果 首先,格物鈦非結構化資料平臺為安吉智慧實現了模型開發中的高質量資料供給。藉助平臺的雲端託管、版本管理、資料集分佈視覺化等功能,安吉智慧解決了模型迭代中的多種資料痛點,減少了資料收集、資料準備和模型評估中大量手工操作,讓演算法工程師可以專注於用AI模型去解決業務問題,模型精度能因此能提高30%以上。 其次,平臺的自動化能力大幅縮短了安吉智慧模型迭代的週期,節約單模型訓練的人工成本。安吉智慧預期因此可以實現每週對模型進行一次迭代更新,從而上線新的識別功能,最終全年能上線50個識別功能,並且單次模型訓練能節約25%的成本。 安吉智慧AI模型開發和迭代經驗總結 以AI應用的複雜性,其在產業中落地的一大瓶頸通常在於資料的質量和匹配度。對於大部分傳統企業而言,其資料量有限,研發能力也相對不足,如果把AI應用開發的重心放在改進演算法上,效果往往並不如意。因此,傳統企業在AI應用開發中應該把重點放在獲得質量更好、匹配度更高的資料上,幫助提高模型效果,讓AI應用更好地落地。 企業在AI模型開發或迭代頻次較低時,其資料管理可以通過資料夾形式手動管理,但隨著AI應用的加速落地,企業每年需要開發幾十甚至更多個模型的時候,手動管理的方式將難以為繼。此時企業應該選擇標準化的工具對模型開發中需要的資料進行高效地管理,從而保障模型的持續迭代和更新。同時考慮在流程中引入自動化能力,進一步縮短模型迭代週期。 |
通常,企業在確定和規劃AI應用的落地場景時有業務需求導向和資金投入導向兩種方式。
對於需要快速推進智慧化轉型,追求AI落地的時間和成本效益的企業,可以考慮業務需求導向的方式。具體而言,企業可以首先由專門的協調管理部門或技術部門聯合各業務部門確認業務需求較強的應用場景,而業務需求強的判斷標準包括了人員投入大、重複性勞動多、人工操作效率不高或效果不理想等;其次,需要考慮開發該應用所需的資料是否容易獲取,如果內部資料不充分,可以考慮是否能從外部廠商引入相應的資料;最後,需要業內已經有針對該應用場景的較成熟的解決方案,降低開發新應用的時間和資金成本。
在上述判斷的基礎上,企業可以將強業務需求、所需資料能夠獲取、有較成熟解決方案的場景規劃為需要實現AI落地的場景。例如案例3中的美宜佳和案例8中的海信集團都採用該種方式規劃和落地AI應用的場景,其中,美宜佳前期根據業務需求確認了門店選址、門店運營和營銷優化三類應用場景,並從外部引入了實現這些AI應用所需的時空資料,以及這些領域成熟的AI模型和應用解決方案。
對於需要持續做深智慧化轉型,且資金和研發實力較強的企業,可以考慮資金投入導向的方式。具體而言,企業可以由專門的協調管理部門或技術部門協同業務部門或相關管理部門確認費用支援較大的業務場景:其次,需要考慮開發該應用所需的資料是否充分和是否容易獲取;最後,需要判斷在該業務場景中是否能用演算法找到資料中的規律,或者是否能用相關AI技術解決解決這一問題。
在上述判斷的基礎上,企業可以將費用支出大、所需資料能夠獲取、且能用演算法或相關AI技術解決的業務問題規劃為需要實現AI落地的場景。例如案例C中,某全球頭部日用消費品公司在華公司由其資料科學與人工智慧團隊對品牌建設、銷售管理中費用支出較高的業務場景進行篩選,結合資料和演算法能力,最終在媒體規劃、廣告定位、會員活動設計、促銷優化、供應鏈管理等場景中落地了多個AI應用。
3.3.1.2. 定位高價值度應用場景
對於任何型別的企業而言,其在實施智慧化轉型時都需要考慮AI應用場景落地的先後順序,集中資源在高價值度場景中優先構建AI應用,因此需要對應用場景的價值度做排序,並對單個AI場景的ROI做事前預估和事後評估。
關於應用場景的價值度,一般從高到低可以分為三類。第一類是能夠對業務模式或業務流程進行創新,從而為客戶提供創新性的產品或服務的應用場景,這類應用場景價值度通常最高。例如在案例B中,江南農商銀行將虛擬數字人嵌入多個業務系統中,從而能夠在無人場景中為客戶提供多種業務諮詢和業務辦理;在案例6中,在先進的AI演算法的支撐下,安克創新利用AR虛擬試戴解決方案,為其使用者提供真實度非常高的線上眼鏡試戴功能,不僅為使用者提供了創新性的體驗方式,也大幅提升了購買轉化率;第二類是能夠為企業大幅提高運營效率和降低成本的應用場景,通常該應用可以為企業帶來數倍甚至更多地運營效率的提升或成本的降低。例如在案例4中,某餐飲連鎖企業用計算機視覺對餃子品質做檢測,完全代替了原先用大量人工去抽查的方式,為企業大幅提高了運營效率和節約了成本;第三類是能夠一定程度提升運營效率和降低成本的應用場景,通常其對運營效率的升和成本的降低在100%以內,這類應用場景可以在企業資源充足的情況下去考慮智慧化。
關於ROI的評估,企業主要需要關注在特定業務場景中,投入某項AI應用前後,在該場景中企業的費用成本是否有降低,以及降低的比例。除了在事後評估ROI,事先也可以藉助可參考的案例對ROI做預估,確定場景的價值度。例如,在供應鏈管理中,企業可以評估引入AI應用前後,供應鏈相關成本是否有得到優化。
3.3.2 給不同成熟度的企業的建議
初步投入階段:該階段的企業應主要參考高價值度應用場景定位的方法,優先選取價值度最高,且較容易落地的場景去落地。
多維佈局階段:該階段的企業應先在多個主要的業務部門落地價值度較高的場景,同時要探索並初步建立場景落地的流程和方法。
深度應用階段:該階段的企業應建立並常態化執行場景落地的流程和方法,並且做好計劃,每年在各主要部門批量化落地一定數量的場景。
案例3:美宜佳打造商業智慧決策管理平臺,實現線下零售的智慧化運營 美宜佳控股有限公司是國內第二大連鎖便利店集團。自成立以來,美宜佳以廣東為中心,並逐步在全國範圍進行業務佈局。目前,集團擁有美宜佳品牌門店兩萬多家,每日門店總客流量達2500多萬。 線下零售的核心邏輯是以“場”為中心去對接“人”和“貨”, 而“人貨場”各自的特徵要素以及它們之間的關係都在不同程度上影響著門店經營策略和結果。對於正加快在華東、華北等地區擴張門店的美宜佳而言,經過早期資訊化建設,其已建有ERP、PIM、BI等業務系統,在內部積累了較豐富的“人貨場”資料。現階段,美宜佳希望用智慧化的方法對人、貨、場的特徵要素及其關聯進行分析和優化,支撐門店的穩步擴張和精細化運營。 結合業務需求、智慧化可行性等因素,美宜佳決定在門店選址、門店運營、營銷優化三類重要場景中引入智慧化解決方案。在門店選址方面,美宜佳需要用智慧化的方法在城市中確定合適的拓店區域、該區域消費者習慣以及自身定位等情況;在門店運營方面,具體包含門店評估、品店匹配、銷量預測、競品分析等應用場景,幫助美宜佳更好的制定經營策略、提高門店業績;在營銷優化方面,則需要結合人群定向,對廣告投放策略做優化。 為了在上述場景中實現智慧化決策,美宜佳決定打造商業智慧決策管理平臺。但美宜佳在相關資料的完備性、以及AI演算法能力上存在不足,具體如下: 1)資料層面,美宜佳僅掌握店內經營資料和自有供應鏈體系的後端資料,但缺乏外部的地理位置、周邊人群、周邊競品相關的資料。同時,在與外部廠商共同探索解決方案時,美宜佳需要分享內部資料時保證其資料的隱私和安全。 2)AI演算法層面,選址、選品、消費者畫像、營銷的智慧化分析需要大量AI模型支撐來實現,美宜佳需要外部廠商提供相關的AI模型,並用模型解決業務問題。此外,不同地區的資料分佈會有較大區別,通用的模型很多時候不能直接適用,需要根據區域、環境等因素對模型做調整和遷移。 以時空資料為基礎,AI模型為支撐,美宜佳為門店經營各環節提供智慧化決策 在對廠商的資料、AI演算法、應用解決方案等方面的能力進行評估後,美宜佳選擇與維智科技合作,建設商業智慧決策管理平臺。維智科技是一家時空人工智慧平臺提供商,專注於線下場景的數字化和線上線下的時空融合,通過時空AI技術打造數字孿生體,為城市、交通、金融、地產、零售和品牌等提供精細化場景服務和智慧解決方案。 基於維智Phy-gital飛吉特時空智慧平臺,美宜佳構建了商業智慧決策管理平臺,其架構上分三層:底層是聯合資料倉儲,包含維智科技提供的時空資料和美宜佳提供的門店資料;中間是技術服務層,包括AI模型、時空知識圖譜、業務計算邏輯等;上層是各類分析應用,包括門店選址評分、門店績效評級、歸因分析、人群畫像、銷量預測、價格預測、競品分析等。 圖 4: 美宜佳商業智慧決策管理平臺架構
針對資料層面的問題,平臺通過聯合數倉的形式整合了維智科技的營銷智慧基礎資料與美宜佳的門店資料。維智科技的營銷智慧基礎資料包含客流、畫像、人群流動偏好、周邊生態、交通情況、商業環境、競合關係等類別的資料,具體包括了路網、交通、AOI(區塊),POI(點位)等靜態資料,以及測繪相關的人流、畫像、場景、企業、經濟等動態資料。在此基礎上,通過梳理“人、貨、場”之間的特徵管理,形成時空知識圖譜。為了保護美宜佳的資料隱私,維智科技將其時空資料、模型服務與美宜佳的內部資料結合,以一體機的形式部署在美宜佳的受限環境中,模型的構建、訓練、管理和釋出均在一體機完成,確保美宜佳的資料不出庫。 圖 5: 商業智慧決策管理平臺預訓練模型倉庫邏輯
針對AI演算法層面的問題,平臺基於分類、排序、聚類、異常發現、迴歸預測、溯因推理分析等技術模型,結合特徵工程、自動特徵計算等服務,形成畫像、選址、選品、營銷等方面的預測分析模型。同時,對於通用模型需要針對區域資料特徵有變化進行適配的問題,維智科技通過匹配可適配的用例或特徵來做模型遷移,並通過資料增強或者小樣本學習來解決資料量少和樣本稀疏的問題。 商業智慧決策管理平臺落地的價值與效果 美宜佳落地商業智慧決策管理平臺,用資料智慧賦能門店開拓與運營,實現了以下業務價值。 1)門店選址方面,平臺為美宜佳在廣東、以及華東地區選址拓店,提供了資料支援和智慧化的決策依據。具體而言,通過分析當前地區使用者的習慣、常駐和流動人員的習慣、場本身的特性(是周邊是醫院、社群、商業中心等)、周邊競爭態勢(供需飽和度)、交通便利性等資料,判斷某個地點是否適合開店,並給出關於在該地店的評分,以及影響評分的因子。這比傳統的依靠調研和專家經驗的方式大幅提高了決策效率和準確率,可以支援美宜佳每年3000家門店的開店合關店決策。 2)門店運營方面,該平臺有效幫助美宜佳品牌門店和加盟門店總計4w+門店,進行數字化智慧化運營。在門店評級、銷售預測、歸因分析、運營優化和營銷優化等方面,提供線下大資料和智慧預測結果輔助決策,有效指導門店運營優化。 商業智慧決策管理平臺的專案經驗總結 第一,線下零售業涉及的資料量大、維度多、動態更新也相對頻繁,在選址選品、供應鏈配貨以及營銷等業務中需要依據這些資料做出相對實時的決策,因此複雜度和難度很大。但零售資料核心上還是圍繞人貨場及其關聯,面對複雜的資料場景,可以考慮運用知識圖譜技術,將各維度資料按人、貨、場梳理,再形成場與場、人與場、貨與場的關聯;同時考慮運用AI模型來刻畫複雜的變化規律、分析思路和決策經驗。 第二,只有店內資料無法線上下零售場景中實現智慧化,因此還需要引入店外的時空資料,將地理位置、周邊人群、周邊競品等外部資料與內部資料結合,才能實現1+1>2的效果。並且,在將內外部資料進行結合時,需要考慮通過相應的技術或產品設計方式保障資料的隱私安全。 |
案例B:虛擬數字人助力江南農商銀行為客戶提供創新性的遠端視訊櫃員服務 在銀行業積極探索更豐富、更精細化的客戶服務方式,消費者對銀行服務的效率和便捷性也有了更明確的需求,以及疫情常態化對銀行遠端服務能力要求更高等因素的推動下,江南農商銀行於2021年12月與京東科技合作推出的國內首個業務辦理類數字人“言犀VTM數字員工”。 區別於以往諮詢問答式機器人,VTM數字員工的創新之處在於,其採用擬人化的形象與使用者進行對話互動,為使用者提供了良好的沉浸式體驗;同時,VTM數字員工與江南農商行的業務系統深度耦合,從而支援VTM數字員工從業務系統中呼叫資料支撐使用者問答與互動,並代替業務人員在各類交易場景中幫使用者閉環完成諮詢、查詢、導覽,以及取款、開 戶、密碼重置等業務。而支撐虛擬數字人與銀行的業務交易場景打通,為銀行實現創新性業務模式的是京東科技在NLP、TTS、ASR、虛擬形象、影像識別等多種自研AI技術上深厚的積累,通過將這些AI技術有機結合,VTM數字員工具備了音脣精準同步、表情豐富逼真、互動流暢自然等高度擬人化的特徵,以及高準確率的語音語義識別能力,並能精準識別數字連讀和方言,也為適老化能力的建設和鄉村金融服務的街鄉級滲透提供新路徑。 VTM數字員工的投入使用,不僅大幅提升了江南農商銀行遠端銀行的接待能力與服務效率,降低了運營成本,還勾勒出銀行服務的未來發展的新形態:即通過運用人工智慧等先進科技,銀行可以構建無人場景下的服務能力,重塑服務模式與體驗,為客戶提供更便捷的服務。這將成為未來銀行業甚至整個服務產業的發展趨勢,具備大規模推廣的潛力。 |
案例C:某全球頭部日用消費品公司在華公司以費用支出為導向規劃AI應用場景 某全球頭部日用消費品公司在華公司為保持其市場領先地位,需要在品牌建設、銷售管理優化等方面實現全面的智慧化。因此,其資料科學與人工智慧團隊採用了資金投入導向的方式對AI應用進行了規劃。具體而言,該團隊篩選應用場景的標準有三個:第一,優先考慮費用支援較大的場景;第二,重點考慮資料層面的問題,包括資料的充足度、資料獲取的難易程度、資料的有效度;第三,能夠用演算法從資料中找到規律,從而解決該業務問題。 基於上述方法,該公司如下五類方向落地了多個AI應用,顯著降低了公司的費用支出。 第一,媒體規劃,即將媒體預算以最優的方式分配投入給不同的媒體形式,如視訊、站內、電視、戶外廣告等。 第二,精準廣告定位,即把廣告投向更精準、更有可能產生購買行為的使用者。 第三,會員活動設計,即針對會員的過往的表現設計合理的會員活動。 第四,促銷優化,即根據歷史資料來優化未來促銷活動的規劃,減少促銷費用的投入。 第五,供應鏈管理,包括倉庫的分佈、送貨路線的規劃、庫存的管理等。 |
對於處於早期投入階段,尚無AI應用構建能力和經驗的企業而言,企業構建AI應用應該主要考慮外採。
對於處於多維佈局或者成熟度更高階段的企業,其已經具備了一定技術能力、專業人員和AI應用開發經驗,此時企業構建AI應用應該以自研為主。但是當企業在構建AI應用時,面臨以下一個或多個問題時,需要考慮和外部廠商合作聯合開發或者完全外採解決方案。這些問題包括:(1)應用解決方案複雜度較高,需要多種底層AI技術的支撐,自研難度大、成本高、時間長;(2)企業內部缺乏應用開發所需的資料;(3)企業自身不具備特定應用場景的業務知識或AI應用開發實踐經驗。
例如在案例9中,某集團科技公司由於在搭建供應鏈管理相關的AI應用時面臨智慧排程、倉配演算法開發難度大,搭建智慧營銷應用時缺乏市場客戶資料,搭建園區安全時缺乏實踐經驗,便選擇與京東雲合作在這些領域聯合開發AI應用。
3.4.1.2. 在AI開發團隊中引入業務專家,提供業務知識方面的專業指導
AI應用最終需要解決的是業務的問題,而精通技術的演算法工程師或資料科學家往往對業務問題缺少了解,因此在AI應用開發中,AI開發團隊需要尋求業務專家的幫助和指導。
在開發應用解決方案之前,要協調內部資源,對精通業務的人員進行深入調研,針對具體場景梳理業務流程,理清每個環節的業務需求。如在案例5中,中巨集保險在搭建營銷員智慧助理解決方案之前,首先對保險營銷員的需求進行了充分調研,瞭解營銷員需要詢問哪些保險知識,對知識的呈現有哪些要求,在問法上有哪些獨到的習慣等問題。
在開發應用解決方案過程中,企業需要業務專家協助,確定業務的標準。具體而言,包括了在計算機視覺相關的應用開發中,由業務專家幫助確定影像的分類、影像是否符合要求的標準;在自然語言處理相關的應用開發中,由業務專家對詞性、詞語分割、情感等進行標註,提高語義理解的準確度。例如在案例4中,某餐飲連鎖企業為了在餃子質檢應用中確定餃子是否合格的標準,便由其業務專家與開發人員一起確定了餃子“白鼓”、“偏皮”等維度判斷標準,並在圖片中做相應的標記用於模型訓練。
3.4.1.3. 依靠經驗豐富的AI開發人員將業務問題轉化為演算法可解決的問題
企業在探索性的AI應用開發中經常會受困於如何將業務問題轉化為演算法可解決的問題,通常這類問題的只能藉助精通技術的同時能對業務也非常瞭解的資料科學家或演算法工程師來解決。比如,需要經驗豐富的資料科學家或演算法工程師能夠判斷某個業務問題是屬於分類問題,還是迴歸問題;特徵工程的特徵和目標是否有因果關係等。在此基礎上,企業在具體執行中,還可以進一步參考案例4中明略科技在幫某餐飲連鎖企業開發餃子質檢解決方案時的做法,即通過多種可能的業務標準標註多個資料集,再對照多個演算法不斷測試,最終得出效果較好的模型。
3.4.1.4. 提高小資料集的資料質量以支撐AI應用開發
傳統企業在開發AI應用時,通常會面臨樣本資料量較小的問題,比如,製造企業想開發針對某個零部件的智慧質檢應用,其樣本資料可能不足100個,或者醫療機構想要構建一個罕見病的疾病預測模型,其樣本資料可能只有幾十個。此時,企業一種方式是可以考慮採用較前沿的小樣本學習技術開發此類AI應用,另一種方式是提高樣本資料的資料質量,不僅是前期做資料採集時要考慮通過用一些定製化的方法讓採集到的樣本資料與需求儘量高度匹配,同時也要藉助業務專家提高資料標註的準確度,從而能夠以較小的樣本資料集開發出AI模型。
3.4.1.5. 採取先以最少的資料讓AI應用可用即上線,後續再維護更新的策略
為了讓AI應用能早日上線發揮價值,企業可以在開發AI模型或AI系統時先用最少的資料量去訓練模型或系統使其達到初步可用的狀態即在業務中部署,後續在運營過程中再針對新收集的資料,對模型進行增量學習,或對系統進行更新,從而使AI應用更加聰明,功能更完善。例如在案例5中巨集保險智慧助理案例中,由於保險行業知識體系龐雜,為了讓智慧助理能夠早日上線發揮價值,中巨集保險採取了在知識庫中先加入營銷員最關心的問題,後續再利用平臺的AI自學習能力從新的資料中學習新的知識,並逐漸豐富知識庫的策略。
3.4.1.6. 綜合考慮算力、頻寬等需求,設計合理的“雲邊端”協同部署方式
針對在業務系統中部署AI應用會面臨各種場景化適配的問題,如果應用解決方案對計算實時性、資料安全的要求都不高,資料量相對有限,以及追求更低的計算成本,可以主要考慮在邊緣端通過演算法控制採集所需資料,在雲端部署解決方案的方式。例如在案例4某餐飲連鎖企業的餃子質檢解決方案中,其在攝像頭中內建過線檢測演算法採集到每一盤經過出餐口的水餃圖片資料,這些圖片資料的資料量相對有限,對頻寬、儲存和計算要求都不高,然後將圖片資料上傳至雲端,通過定製的質檢演算法判斷餃子的品質。
而如果解決方案需要實時生效,且資料量大,上傳雲端對頻寬、儲存和計算資源要求都很高時,企業需要考慮將解決方案部署在邊緣或裝置端,同時要對演算法和SDK包體積的大小以及邊緣或裝置端的算力資源進行優化,以保證演算法能夠在邊緣或裝置端有效執行,併產生實時的計算結果。例如在案例6中,火山引擎在其AR虛擬試穿試戴解決方案中內建了3D關鍵點識別、慣性檢測、人臉屬性等多種AI演算法,以保障使用者的試戴體驗的真實性,而為了讓這些演算法能夠在移動終端執行和實時生效,火山引擎在保證模型精度不降低的前提下,對模型大小進行了壓縮,對移動終端的算力資源也做了相應優化。
3.4.2 給不同成熟度的企業的建議
初步投入階段:由於企業自身研發實力暫時有限,建議主要考慮跟有成熟解決方案的廠商合作,構建相關應用。同時,企業需要對上述問題,如協調業務人員參與、開發部署中的重點問題有知曉,在過程中給予應用開發專案組資源支援。
多維佈局階段:明確企業自身的能力和資源,對應用是否自研、合作開發、外採,設立明確的標準;重視內部業務專家對應用開發的作用,建立業務和技術人員的協作機制;參照上述方法,加快應用開發到部署的效率。
深度應用階段:建立較完善的自研能力,尤其重視技術人才隊伍和技術基礎設施的建設;在應用開發團隊中常態化地引入業務專家資源,由統一的部門進行協調管理;建立標準的解決方案開發、部署和後續運營的方法和流程。
案例4:依託計算機視覺技術,某餐飲連鎖企業為餃子品控安上智慧之“眼” 某餐飲連鎖企業是國內知名的水餃餐飲連鎖公司,總部管理機構設於遼寧大連。目前,該餐飲企業在全國40多個城市擁有700多家連鎖門店,員工8000多人。 發展至今,該餐飲企業所有門店都為直營,為的是能夠控制水餃出品的品質。而當該餐飲企業在往南方擴充套件後,由於南方鮮有吃餃子的飲食習慣,出現了南方門店的餃子品質和北方門店有較明顯差距的狀況。為了嚴格統一不同地域門店出品的水餃的質量,該餐飲企業最初採取了神祕訪客的方式對門店進行抽查。但由於其門店眾多,該餐飲企業只能不斷加大神祕訪客的抽查密度,最終付出了高昂的時間和人力成本,但收效並未達到預期。 在此背景下,該餐飲企業決定引入數字化技術對水餃品質進行管理。具體而言,該餐飲企業希望對每一份經過出餐口的餃子都進行拍照,並利用計算機視覺技術對餃子影像進行分析,判斷和管理水餃的品質。然而,不同於常規的工業質檢,“餃子質檢”是一個創新性的應用場景,業內尚無成熟的解決方案。要產生實際的效果,就需要重點解決以下問題: 1)穩定地獲取高質量的餃子影像。通常,餃子在被服務員端到顧客餐桌之前,會被統一放置在出餐口下停留1秒左右。因此,攝像頭需要在1秒鐘內完成高清裝盤餃子照片的抓拍,同時要克服出餐口下方空間狹小、光線不足,以及餃子熱氣蒸騰模糊鏡頭等困難。 2)將業務問題轉換成演算法可以執行的客觀任務。視覺檢測通常用到的是目標檢測演算法,包括了位置檢測以及對檢測內容的分類。餃子質檢場景中要對檢測內容進行分類,就需要首先確定餃子好壞的客觀標準,通過資料標註,讓演算法能依據這個標準去學習對餃子的分類。然而餃子好壞的標準包含了很多行業知識,且其描述通常非常主觀和抽象,難以統一。 3)樣本資料要覆蓋儘量全面的情形,併兼顧控制冷啟動成本。在該餃子質檢場景中,由於場景很固定,訓練模型所需的資料量未必要很大,但樣本資料要覆蓋儘量全面的情形,以保證模型能夠識別各種特殊情況。同時,初期要用少量的資料讓模型可用,儘快上線,後續再對模型進行優化。 打造集定製相機、雲端視覺識別、品質管理系統的整體解決方案 基於對明略科技數字化技術和服務能力的認可,該餐飲企業選擇與明略科技合作,為其定製開發“餃子質檢”解決方案。明略科技是一家企業級資料分析和組織智慧服務提供商,為政府、金融、零售、工業等行業企業提供基於大資料和人工智慧技術的產品與解決方案。 經過和該餐飲企業的深度溝通,明略科技智慧硬體和深度學習演算法團隊為其定製了一套端雲協同的綜合解決方案,在出餐口下安裝定製相機,通過這一邊緣裝置獲取餃子的實時圖片資料,上傳至雲端對圖片進行深度學習演算法的識別分析,對每盤出餐的餃子給出優秀、合格、不合格的評級,最後在品質管理系統中生成統計分析報告,供管理者及時全面地掌握出品情況。 為了穩定地獲取高質量的餃子影像,明略科技專案組為該解決方案定製了攝像頭。鏡頭、補光燈等都做了個性化的定製,從硬體上解決出餐口下方空間狹小、光線不足,以及熱氣蒸騰模糊鏡頭等問題。同時,攝像頭內建了過線檢測演算法,當區域內有物體移動,且移動區域超過一定界限,攝像頭會快速抓拍物體,從而獲得清晰的餃子影像。 為了確定判斷餃子好壞的客觀標準,明略科技專案組與該餐飲企業的業務專家合作,分批引入了外觀上的白鼓、偏皮、飽管,以及擺放上的是否順等判斷餃子品質好壞的維度。而其中每一個維度的判斷標準,例如白鼓,專案組排除了影像的角度、光線、餃子餡等干擾因素,篩選出了多個相對客觀的白鼓標準,讓不同的人標註同一批資料,結果能夠統一,並依次用不同演算法測試這些標準是否能區分餃子好壞,最終確定了分類方法和所用的模型。 針對樣本資料量以及冷啟動成本的問題。專案組在前期主要考慮了樣本資料能夠覆蓋更多的情形。比如,樣本資料儘可能包含多幾種出餐口拍的餃子,光線也有更多變化等。而由於該場景比較固定,樣本資料量選擇在上百左右,這樣可以用最少量的資料標註就能讓模型達到可用狀態,上線達到初步效果後,再用一定時間收集長尾情況的資料並優化模型,從而降低了冷啟動的成本。 餃子質檢落地後的價值與效果 第一,通過餃子質檢解決方案,該餐飲企業的管理人員能夠在管理系統中檢視實時生成的餃子品質統計分析報告,瞭解每家店每天甚至每個時間段的餃子的品質情況,具體到合格與不合格的餃子的數量,從而提高了該餐飲企業對餃子品質管理的效率。 第二,該方案目前已在該餐飲企業大部分門店推廣使用,有效識別了水餃飽滿、擺盤等問題,識別準確率在90%以上,其門店的菜品優秀率因此提高了20%。 餃子質檢專案經驗總結 用計算機視覺技術感知現實世界中各種情形,並將其數字化,為企業解決各種業務問題提供了有效的技術手段。隨著人工智慧在產業中的加速落地,計算機視覺也將被應用在更廣泛的場景中,甚至無所不在。而在用計算機視覺技術解決具體的業務問題時,企業要重點考慮資料、演算法和冷啟動成本三方面的問題: 1)資料方面的問題主要涉及資料採集和資料標註。在資料採集階段,由於視覺場景通常差別很大,因此影像資料的採集往往需要針對特定場景定製相應的相機以確保影像資料採集的效果,並且要保證採集的資料包含儘量全面的情形。而在資料標註階段,企業首先借助業務專家的經驗,確認統一的標準,確保不同的人標註結果能夠一致,並且演算法能夠識別和區分這些標準。 2)對於演算法的選擇,企業可以結合標註資料的各種標準,選擇不同演算法多做測試,根據測試結果選擇有效的標準的同時,也確認效果更優的演算法。 3)初期為了降低冷啟動成本,企業可以用少量資料讓模型達到可用狀態即上線,後續再收集更多長尾情況的資料,對模型進行更新和優化。 |
案例5:中巨集保險構建營銷員智慧助理,通過保險知識的共享和複用賦能銷售 中巨集人壽保險有限公司(以下簡稱“中巨集保險”)是國內首家中外合資人壽保險公司,由加拿大巨集利旗下的巨集利人壽保險(國際)有限公司和中國中化核心成員——中化集團財務有限責任公司合資組建於1996年11月,現已擁有逾2000名員工和17000名營銷員,為240萬客戶提供金融保險服務。 保險產品作為專業的金融產品,客戶對其通常缺乏瞭解,這導致在選購保險產品時,客戶需要考慮很多需求和因素,整個決策週期也很長。因此,保險行業為了提高業績,就需要保險營銷員能夠向客戶持續輸出產品、條款規則、政策等專業知識,基於複雜資訊,以最快的方式有效處理客戶的實際問題,展示出專業性和解決問題的能力,才能將潛在客戶最終轉變成為現實客戶。 多年來,中巨集保險一直注重對營銷員的諮詢支援和培訓管理工作,然而隨著其業務範圍的擴充套件,營銷員的諮詢支援和培訓管理工作變得越來越來繁重,消耗了大量內部資源,並且實際效果也不夠理想。一方面,中巨集保險營銷員原先主要依賴向主管領導和營業網點服務檯的工作人員諮詢關於保險產品的問題,然而這些問題有約50%都是較常見的問題,對常見問題重複的詢問不僅消耗了主管大量的時間,也佔用了營業網點寶貴的客戶服務資源。另一方面,保險業的營銷員人員更替較頻繁,新的營銷員入職後也需要對一些常見問題進行詢問和學習,人員不停地輪轉也進一步增加了內部培訓的壓力。 基於上述原因,中巨集保險希望利用自然語言處理、知識庫、對話機器人等技術,打造一個線上的保險營銷員智慧助理,用於解答營銷員的常見問題,並具備對新員工的培訓能力。中巨集保險對於營銷員智慧助理解決方案有如下兩點最重要的要求: 1)保險行業涵蓋的知識體系很龐雜,不同的專業知識有11大類,因此在構建智慧助理的知識庫時,需要儘量全面地覆蓋營銷員會諮詢和學習的知識型別,並且知識庫上線後也要方便持續地維護更新; 2)準確理解營銷員的問題是給出正確答案的前提,因此需要對話機器人內建豐富的AI能力模組,使其具備出色的自然語義理解能力,能夠與營銷員進行流暢對話。同時,需要底層的機器學習平臺具備良好的擴充套件能力,讓普通業務人員也能以視覺化的方式對特定業務場景進行演算法模型的調優調參,以達到更高的語義理解準確度。 打造以智慧知識庫為核心,智慧互動為途徑的營銷員智慧助理解決方案 在對多家廠商的語音語義、知識管理產品,以及建設和運維方案做了較長時間的評估後,中巨集保險選擇與竹間智慧合作來搭建營銷員智慧助理解決方案。竹間智慧成立於2015年,公司以自然語言處理、深度學習、知識工程、文字處理、情感計算等人工智慧技術為基礎,將AI能力整合到企業業務中,為金融、製造、政務、智慧終端等行業提供端到端解決方案。 基於對中巨集保險需求的理解,竹間智慧為其提供了營銷員智慧助理解決方案。從使用者使用方式的角度,智慧助理內建在中巨集保險的內部營銷工具中,營銷員諮詢產品或進行業務培訓都可以點選進入智慧助理介面,通過文字或語音輸入問題,從而獲取所需資訊。從解決方案架構的角度來看,其底層包含了機器人建設、運營工具、機器學習平臺等解決方案的開發和運營工具,構成對話機器人的多個AI模組,以及豐富的自然語言處理基礎技術,最上層則是與營銷員進行直接互動的介面。 圖 6: 中巨集保險營銷員智慧助理解決方案架構
中巨集保險與竹間智慧聯合搭建的智慧知識庫涵蓋了豐富的資訊,包括:運營規則(包括新單投保、保單服務、保單理賠等)、營銷員基本法、保險熱銷產品、營銷員榮譽競賽、客戶活動與增值服務、數字化工具使用等資訊型別。而為了使知識庫覆蓋儘量全面的知識型別,保障後續的迭代更新,雙方組建起專案組,在中巨集保險的領導下,重點開展瞭如下工作: 1)在專案前期充分調研營銷員需求。瞭解一線營銷員需要了解哪些知識,對知識的呈現有哪些要求,在問法上有哪些獨到的習慣等問題。 2)高度自動化的知識圖譜構建。基於竹間智慧的Gemini知識工程平臺,專案組從中巨集保險的保險條款、產品文件等非結構化資料中自動解析和抽取保險產品名稱、以及與之相關聯的猶豫期、等待期、保險責任等產品屬性。在此基礎上,在Gemini平臺上將抽取的知識進行自動關聯,形成保險產品的知識圖譜,從而實現知識推理、產品檢索等功能。比如將知識推理用於回答產品的保障內容、產品的比較、符合要求的產品有哪些等問題。 3)利用自動化的自然語言學習技術,在智慧助理上線前後進行高頻問題識別和更新。通過竹間智慧Bot Factory A+H人機協同平臺的自監督學習能力,專案組一方面在智慧助理上線前對中巨集保險的客服錄音和聊天記錄做聚類分析,自動識別出已知的客戶高頻問題及其對應語料,視需要由人工核對,從而為營銷員應對高頻的產品和業務問題提供標準答案。另一方面,在智慧助理上線後,通過自監督學習從營銷員新提問的眾多未得到回覆的問題中識別出高頻問題,中巨集保險的業務專家隨後對這些問題給出標準答案,自動加入知識庫,從而實現對知識庫的持續更新。平臺的AI自學習能力使之能夠以較低的運營成本不斷提升機器人的模型與會話能力。 為了讓智慧助理能夠準確地理解語義,實現與營銷員的流暢對話。竹間智慧在對話機器人中內建了多個AI功能模組,包括語義解析、FAQ、多輪對話、意圖識別、情感識別、知識推理、智慧話術等。例如,多輪對話引擎通過向營銷員連續反向提問獲得確認具體問題所需的全面資訊;意圖識別引擎內建50多類、3000多種開箱即用的意圖模型,用於識別營銷員的詢問意圖;情感識別引擎能識別25種情緒,從而使對話更有同理心和溫度。同時,平臺內建了一個對話管理框架,當營銷員向智慧助理提出問題時,對話管理框架會結合業務場景,對不同AI模組的優先順序、權重、分流策略進行調整,從而在其中選擇最匹配的模組對營銷員的問題進行準確應答。 為了讓中巨集保險能夠對智慧助理進行二次開發,使智慧助理具備針對特定業務場景的擴充套件能力,竹間智慧在對話機器人底層提供了自動機器學習平臺,平臺內建了多種前沿演算法,當上層的AI模型對特定場景的語義識別不夠準確時,開發人員可以在自動機器學習平臺上以視覺化的方式對演算法模型進行自動化測試、自動調參、演算法融合,讓語義理解準確度在複合式演算法、僅需要少量資料的條件下,自動迭代學習。 保險營銷員智慧助理落地後的價值與效果 營銷員智慧助理落地以後,中巨集保險在營銷員的諮詢支援和培訓管理上實現了以下顯著的效果: 第一,在對營銷員的諮詢支援方面。首先,智慧助理能夠7x24小時不間斷且秒級響應營銷諮詢需求,對營銷員常用問題實時給出正確回覆,高解決率有效減輕了主管和營業網點服務檯客服的諮詢服務壓力。自智慧助理上線以來,平均回覆準確率保持在95%以上,得到了一線銷售人員普遍認可。其次,智慧助理上線後也作為運營平臺,可直觀瞭解未知問題和營銷員關心的熱門問題,幫助豐富智慧助理知識庫和填補營銷員業務未知領域,未來結合智慧化的培訓練習,幫助營銷員提升技能,增長業績。 第二,在對新營銷員的培訓方面。實時智慧助理能幫助新營銷員快速且全方位地掌握產品、服務、規則、政策等全量資訊與內容,縮短了新人成長過程中知識儲備的週期,讓新人能快速開展業務。 保險營銷員智慧助理專案經驗總結 第一,在金融、製造等專業知識密集的行業,保障知識的高效學習與傳承是提高其生產和服務質量的關鍵。而如果只能依靠行業“老師傅”去傳授企業在長期業務發展過程中沉澱的大量專業知識,不僅耗費大量時間精力,也很難保證質量。因此,金融、製造等行業的企業可以考慮應用人工智慧技術解決專業知識管理與共享的問題。 第二,在用AI對知識進行管理並以問答形式對外輸出的過程中,企業需要重點考慮構建智慧知識庫以及具備高度語義理解能力的對話機器人。對知識庫的構建需要採用自動化的知識解析和知識圖譜構建工具,以及用無監督學習從海量語料中自動學習新知識,從而提高知識庫構建和後續運營維護的效率;對於對話機器人則需要其內建豐富的AI功能模組,完善的對話管理框架,以及方便二次開發的自動機器學習平臺,使機器人能準確理解語義,實現與使用者的流暢對話。 |
案例6:AI演算法支撐下,AR虛擬試戴讓安克創新使用者獲得更優的線上互動體驗 安克創新科技股份有限公司(以下稱“安克創新”) 是一家全球化的消費電子品牌企業,主要從事智慧配件和智慧硬體的設計、研發和銷售,為消費者提供充電、無線音訊和智慧創新等品類的消費電子產品。安克創新的銷售渠道覆蓋國內外各大主要的電商平臺和一些線下合作伙伴,在Amazon、Ebay等境外電商平臺上佔據行業領先的市場份額。 安克創新旗下的音訊品牌Soundcore聲闊,於2021年末推出了新產品“聲闊智慧眼鏡”,並計劃重點在歐美市場對該產品做市場營銷和線上產品推廣,但安克創新此時需要應對較複雜的市場環境。一方面,在購物線上化和海外疫情常態化的大環境下,品牌商線上上推廣產品普遍會面臨營銷手段單一,業績增長乏力的問題。另一方面,年輕群體是消費電子的主力使用者人群,為了吸引這類使用者群體,品牌商需要通過不斷的業務和場景創新提升消費體驗,讓消費者感受到品牌的活力和創新力。 在此背景下,安克創新決定引入AR虛擬試戴解決方案來推廣其智慧眼鏡產品,讓使用者能足不出戶進行眼鏡試戴,模擬真實穿戴智慧眼鏡的效果。對於AR虛擬試戴解決方案的要求,安克創新有如下具體考量: 1)AR試戴的效果要足夠好,以保證使用者獲得較真實的試戴體驗,包括:眼鏡的質感、材質、光澤度等產品細節的還原度要高;試戴時,眼鏡要能夠跟隨人臉的運動與面部正確位置高度貼合;所有試戴效果要能夠實時生效。 2)在保證試戴效果良好的前提下,解決方案要能夠同時支援在移動端和Web端使用,從而滿足不同偏好的使用者使用習慣,獲得範圍更廣的社交傳播效果。 3)需要廠商具備完整的解決方案的交付能力,提供從商品建模到交付上線全鏈路的產品服務,讓安克創新能快速上線有效的解決方案。 先進的AI演算法和實時渲染引擎助力實現多端一致、效果真實的虛擬試戴效果 在對比了國內外多家廠商的AR試戴解決方案的技術水平、使用效果和落地方案後,安克創新選擇與火山引擎合作,為其提供能滿足上述要求的AR眼鏡試戴解決方案。火山引擎是位元組跳動旗下的企業級技術服務平臺,將位元組跳動快速發展過程中積累的增長方法、技術工具和能力開放給外部企業,提供雲、AI、大資料技術等系列產品和服務,幫助企業在數字化升級中實現持續增長。 基於自研技術,火山引擎為眼鏡、美妝、鞋帽、手錶、首飾、美甲等行業客戶提供AR虛擬體驗場景建設,可應用於品牌營銷、新零售、電商購物等場景。線上上,其解決方案可提供SDK/API,快速進行商城(Web)、APP、小程式等第三方整合上線,為消費者實現從瀏覽商品-線上試穿/試戴-購買的線上購物體驗閉環。線上下,可將虛擬體驗產品應用於實體店,通過創新的互動手段吸引消費者進店,提升消費者的購物體驗,進而促進消費行為的發生。通過線上線下體驗和流程的打通,輔助客戶解決傳統零售行業面臨的高庫存、高銷售成本、低轉化等諸多棘手問題。 為了保障安克創新的使用者能夠獲得較真實的試戴體驗,火山引擎從3D素材製作、人臉關鍵點識別演算法、實時渲染三方面著手為安克創新提供解決方案。
針對安克創新需要同時支援移動端和Web端的需求,火山引擎通過對演算法和算力進行優化,實現解決方案多端執行的穩定性和效果一致性。在移動端,火山引擎根據手機硬體效能做了演算法適配和硬體加速,保證在多演算法並行的情況下的真實效果和超低延遲。在Web端,火山引擎也通過相應的優化能夠應對瀏覽器資源呼叫、算力需求諸多限制。同時,火山引擎對演算法本身進行優化,使得達到同樣的模型精度,其模型大小比業內平均水平低幾十倍,從而降低了包體大小方便多端適配,也更節省了算力。 針對完整的解決方案的交付能力要求,火山引擎提供了包括體驗設計、技術解決方案建立、專案管理、資料檢測、市場進入的端到端解決方案,讓AR眼鏡試戴解決方案能夠在安克創新快速落地和有效應用。 圖 7: 火山引擎AR虛擬試戴解決方案交付鏈路
AR虛擬試戴解決方案落地後的價值與效果 從使用者試戴效果的角度,安克創新通過採用AR眼鏡虛擬試戴解決方案,讓使用者能夠不用到店接觸實物,線上上就能獲得很真實的眼鏡試戴效果,並且瞭解商品的外觀、特點等諸多細節的資訊,更好的幫助購買決策。 從業務價值的角度,虛擬試戴解決方案提升了安克創新使用者的線上消費體驗,從而促進商品的購買轉化。該功能在安克創新官網上線4周就吸引超100萬海外使用者體驗了該功能,對安克創新的品牌推廣及購買轉化都產生了很明顯的實際效果。因此,安克創新在中國區推出智慧眼鏡後,也同樣選擇了火山引擎研發的AR虛擬試戴解決方案。 AR虛擬試戴解決方案的借鑑意義 AR虛擬體驗帶來的互動、場景、終端體驗正在催生體驗式消費的新升級,而為了保證更真實和穩定的虛擬體驗,需要用人工智慧技術從兩個層面發揮作用,解決相應的問題。 第一,先進的計算機視覺演算法是提升虛擬體驗效果真實性的關鍵。要讓虛擬體驗達到更加真實的效果,就需要通過採用更加先進的計算機視覺演算法對現實中的物體和環境進行感知、識別和重建,從多個層面還原和模擬現實中的情形。 第二,人工智慧在實際落地過程中需要重點突破算力的瓶頸。開發出先進的演算法通常只解決了問題的一半,要讓演算法能夠實際執行,尤其是在消費者終端執行,就需要對其算力消耗、硬體資源進行大量的優化,保證演算法在生產環境中可用。 |
案例7:某銀行搭建智慧消費者保護中臺,助力消費者權益保護監控和預警 某股份制商業銀行(以下簡稱“M行”)是國內金融零售業頭部銀行,該行注重對消費者的全流程陪伴和打造最佳使用者體驗,踐行消費者權益保護工作。 在金融產品與服務體系日益豐富且複雜的背景下,我國政府與金融監管部門愈發重視金融消費者合法權益的保護,陸續出 臺了《中國人民銀行金融消費者權益保護實施辦法》等各類監管檔案,要求各大銀行建設或加強消保全流程管控機制,從產品開發設計、定價管理、合同協議、營銷宣傳、糾紛解決等各方面保護金融消費者合法權益。 此前,M行已使用傳統的IT系統實現消保審查和投訴處理線上化,例如消保審查系統是由業務部門提交申請、各級消保專職部門審批,完成各項消保審查;投訴管理系統是包含客服接聽電話-記錄-分類-轉辦-處理等環節的工作流系統。但此類系統由分行或業務部門各自建設和使用,且沒有覆蓋全渠道投訴、反饋和跟蹤情況。總行沒有統一的投訴處理風險反饋機制,導致投訴風險主要依靠各層級消保部門進行人工分析,資訊流轉過慢,管理層無法對消保工作進行全過程的監控和管理。 出於在全流程業務中有效保護消費者合法權益的需求,M行希望通過建設智慧消費者保護中臺,運用語義理解、語音識別、機器學習等技術增強對消保業務全過程管控,智慧排查潛在的投訴風險,以數字化手段提升工作質效。M行對智慧消保中臺解決方案有三點核心需求: 1)現有的消保審查、投訴管理、服務監督檢查和輿情監測等系統存在資料孤島問題。需要通過中臺建設打破多業務部門、各區域、各系統資料壁壘,拉通“事前審查-事中管控-事後監督”全週期消保資料。 2)各項業務系統產生海量的非結構化文字資料,全人工處理和分析的效率低。需要藉助OCR、NLP等智慧技術進行資訊挖掘,用於輔助投訴處理和進一步的風險智慧分析。 3)管理層缺少對全行消費者投訴、處理反饋和跟蹤情況進行實時掌握和風險排查的有效手段。智慧消保中臺應提供針對潛在投訴風險的智慧排查工具,形成適配消保業務的知識圖譜和標籤體系,輸出較為準確的風險研判結果。 基於認知智慧技術,打造銀行智慧消費者保護中臺解決方案 M行經過對解決方案公開比選,基於對拓爾思認知智慧技術和客戶服務經驗的認可,選擇與拓爾思合作建設智慧消費者保護中臺。拓爾思是一家人工智慧和大資料技術及資料服務提供商,核心技術是語義智慧,即基於語義理解的認知智慧,為客戶提供從資料洞察到智慧決策的解決方案。 拓爾思為M行提供的智慧消保中臺解決方案,覆蓋消保業務的事前審查、事中預警、事後督辦的消保全生命週期智慧管理,提供投訴升級預警、重大投訴推送提醒、外部輿論分析等功能,實現潛在風險由人工排查向系統自動排查轉型。 解決方案有三個核心要點:一是拉通各業務系統的資料;二是對非結構化資料進行處理和資訊提取;三是多維度的知識挖掘和分析應用。 針對資料孤島問題,M行通過建設全口徑的投訴管理大資料平臺,整合行內10多類異構多模態資料,包括全渠道的消保審查、客戶投訴、服務監督檢查、輿情、政策資料等。 針對海量非結構化資料處理問題,運用OCR、NLP等智慧技術從文字中提煉出具有概括性和精確性的欄位,再根據欄位的意義和內容,結合標籤體系生成資訊挖掘結果。標籤體系包含客戶特徵、投訴原因、投訴訴求、投訴渠道等近20個維度3000個標籤,在消保審查、投訴處理等需要分析大量文字的場景中,能夠有效提高工作效率;並且,平臺可以進一步對標籤化分析結果進行統計,為消保工作常態化監管提供資料支撐。 針對風險智慧排查需求,一方面,拓爾思基於情感分析、機構識別、語義識別、標籤提取、觀點抽取、行為分析等核心演算法,根據M行消保業務需求封裝了行業區域分析引擎、動態追蹤引擎、產品分析引擎、聚類分析引擎、歸因分析引擎、投訴使用者畫像引擎等多維度分析模型,支撐投訴預警、輿論監測等前端應用;另一方面,運用知識圖譜技術進行關聯分析,輔助消保全過程的監督審查工作。以消保審查中的營銷內容審查為例,平臺將經過整合的產品圖譜、服務圖譜和相關投訴資料視覺化展示,為營銷內容審查提供更全面的參考資訊,提高審查質效。 圖 8: M行智慧消費者保護中臺架構
智慧消保中臺落地後的價值與效果 基於認知智慧技術的智慧消費者保護中臺上線以後,對M行的消費者權益保護監控和預警工作帶來以下了顯著價值和成效。 第一,通過建設大資料平臺消除了M行內資料孤島,實現全口徑、多渠道消保大資料整合,每月自動化處理的消保資料超10萬條。 第二,完整的資料為消保工作全環節線上跟蹤管理和統計、整改、考核評價、責任追究提供基礎依據,保障統一的消保審查工作體系在全行持續落地,有助於實現消保工作規範化標準化的科學管理,有助於落實監管要求。 第三,充分挖掘消保資料價值,採用六大客服分析因子,覆蓋超3000個標籤,消保資料處理分析效率較過去提升20倍,每年節約500萬人力成本。基於自然語言理解技術,消保專家知識庫積累超5000個知識點,適配超兩萬個意見模板,提升20倍審查效率。實現潛在投訴風險的智慧化自動排查,有效提高工作質效,降低因投訴、訴訟或輿情事件造成的聲譽損失,也讓消費者權益保護更加及時有效。 智慧消保中臺專案經驗總結 隨著人工智慧在產業中的深入,企業內部出現了大量需要對分文、專業知識進行深度分析以解決業務問題的AI應用場景,而這類應用場景只靠計算機視覺、智慧語音等感知智慧技術已無法解決,此時就需要引入認知智慧技術,讓業務系統具體思考能力。而要實現認知智慧需要重點解決多個方面的問題:首先,資料,尤其是相關非結構化資料要足夠豐富,並且整合完備;其次,認知智慧的實現要結合多種技術手段,包括OCR、智慧語音對資訊的提取,NLP對文字的解析、知識圖譜對知識的挖掘和分析、機器學習對資料的分析等;此外,在不同的專業領域需要引入標籤體系以便對資訊進行高效的分類和呼叫。 |
為了彌合老舊的業務和IT系統架構與AI開發和部署之間的缺口,企業需要構建新的技術體系以支撐智慧化的實施。具體而言,企業需要在業務和IT系統中引入智慧應用編排、業務指標監控、資料儲存和處理系統、創新實驗系統、各類中介軟體或產品等,為企業智慧化應用提供基礎技術能力。同時,企業需要考慮在IT系統中引入基於雲的微服務架構,實現更加敏捷和靈活的應用構建方式,最大限度地利用智慧技術。
3.5.1.2. 使用低門檻的平臺化工具賦能企業內AI應用的開發
大中型企業的AI開發需求較廣泛,如果僅依賴資料科學家和演算法工程師等專業人員開發應用,不僅成本高,且很多業務部門發起的需求不能得到很好的滿足,因此企業需要引入低門檻的AI開發平臺賦能企業內的業務和普通IT人員,使其具備一定AI開發能力。具體而言,對於專業能力較弱的業務人員,需要開發平臺具備自動化的資料準備、模型訓練等功能,業務使用者只需選擇場景和相應的資料集即可對模型進行自動訓練;對於具備一定專業能力的業務和IT人員,需要平臺能夠將演算法模型封裝成運算元,用圖形化的方式將運算元組合成工作流,從而完成模型訓練過程。並且,這種方式也讓企業內部人員可以更方便地複用其他人員在開發過程中沉澱的模型和經驗,從而進一步降低AI開發的門檻。在案例8和案例9中,海信集團和某集團科技子公司都引入了低門檻的AI開發平臺讓企業內的業務和IT人員具備了一定的AI開發能力。
3.5.1.3. 通過引入成熟模型,以及提高模型泛化能力等方式降低大規模AI應用開發的成本
AI應用開發的時間和資金成本都很高,為了提高AI應用落地的效率、降低大規模AI應用開發的成本,企業可以在AI開發平臺上引入相關的能力應對這一問題。
第一,在構建AI開發平臺時,儘量選擇與在自己的業務領域有大量成熟AI模型和應用實踐積累的廠商合作,在AI平臺中內建相關只需適當配置即可使用的AI模型,加速AI落地,減少自研成本。例如在案例9中,某集團科技子公司需要快速推進智慧化轉型,在考慮到有外部廠商在工業質檢、園區安全、供應鏈管理等領域有成熟AI模型後,便選擇與該廠商合作,引入其智慧中臺產品。
第二,在構建AI開發平臺時,儘量在平臺中引入運算元和“白盒”的模式,將模型的工作流沉澱下來,使得開發人員後續能夠針對相似場景對模型做適當修改,實現模型的泛化能力,企業因此能將模型快速遷移至相似場景,避免從頭重新開發,從而降低了模型的開發成本。例如在案例8中,海信集團在AI平臺中引入該模式,成功將原先只能識別大尺寸冰箱四條成剪刀形的打包帶的質檢模型,通過增加類似場景的標註資料,對原模型的運算元做了適當修改,成功讓模型擴充套件到3條類似產線。
3.5.1.4. 建立統一的模型開發和模型管理能力,提高AI資源的利用率
大型企業在智慧化建設早期,各個部門通常會獨立地建設AI能力,這會造成AI開發工具、AI模型的重複建設和不能複用,這種“煙囪式”開發的狀況到了企業智慧化建設的深入階段會造成大量的資源浪費,並阻礙智慧化的推進。因此,企業需要引入統一的模型開發和模型管理工具供相關人員共同使用,尤其要重視對AI模型和服務的統一管理,提供如模型版本維護、模型更新、模型釋出服務、對模型服務呼叫情況檢視等能力,通過平臺實現AI能力的複用,提高資源利用率。
例如在案例9中,某集團科技子公司通過智慧中臺構建了統一的模型開發和模型管理能力,使得集團的管理人員可以對平臺上的所有模型進行統一管控,簡化運維工作,提高管理效率。業務和IT等人員也可以通過平臺檢視集團現有的模型資產和AI能力,並根據需要直接呼叫。
3.5.1.5. 構建覆蓋模型全生命週期MLOps體系,縮短模型迭代週期,並持續地保障模型質量
當AI建模進入需要大規模生產和交付的階段,其運營和用例擴充套件對於大部分公司來說都是一個巨大挑戰。此時,企業可以考慮在機器學習和AI系統中,借鑑軟體工程領域DevOps相關框架、工具鏈和流程,以及持續整合、持續交付、持續部署的理念,為機器學習和AI開發提供MLOps體系和相關工具,即提供系統化的協作工具將AI開發和部署中的業務、資料、演算法、運維等角色連線起來,建立一個標準化的資料準備、模型開發、部署與運維流程,解決機器學習模型生命週期各環節的工程化問題,從而實現其核心目標:縮短模型開發部署的迭代週期,並持續地保障模型質量。MLOps的主要功能和優勢包括:統一發布、自動測試、敏捷迭代、自動化的模型和資料集管理、降低建模門檻、流水線式管理、資源整合監測、組織高效協作。
例如在案例D中,某大型國有商業銀行AI應用實踐中構建了MLOps體系,一方面,通過一站式的AI開發平臺降低開發門檻,另一方面,建立了“資訊統一管理、實體統一流轉、管理資訊與實體流轉保持一致”的AI全生命週期管理機制,從而實現了敏捷的模型迭代,高效的模型交付。
3.5.2 給不同成熟度的企業的建議
初步投入階段:該階段的企業當前僅有少數幾個AI應用落地,因此需要重點解決如何將AI應用在現有IT系統中的部署和運營的問題。
多維佈局階段:該階段的企業需首先構建適應智慧化要求的IT系統架構;其次,建立統一的AI開發平臺,讓組織初步構建獨立自主的AI開發能力,並對AI開發能力進行統一管理。
深度應用階段:持續完善面向智慧化運營的IT系統,並在AI開發平臺中建立一站式的從資料準備、資料標註,到模型訓練、部署和運營的能力,並降低AI開發的門檻。同時,需要考慮構建覆蓋模型全生命週期MLOps管理體系,縮短模型迭代週期,並持續地保障模型質量。
案例8:海信集團引入AI平臺,構建獨立自主的AI開發能力 海信集團是知名的大型電子資訊產業集團,旗下有海信、東芝電視、科龍、容聲、ASKO、Vidda等品牌,業務涵蓋多媒體、家電、IT智慧資訊系統和現代服務業等多個領域,並且在全球擁有13個廠區。 近年來,在面對國內人口紅利銳減以及國際上歐美國家擠壓的雙重挑戰下,海信集團實施了數字化轉型戰略,希望實現降本增效,並重塑海信在全球製造業領域競爭優勢。具體而言,海信集團自2019年全面建設了5G網路和工業網際網路平臺,涉及雲、邊、端協同,並整合了現有的IT系統、OT系統、大資料平臺等系統,平臺建成後產生和匯聚了海量的工業資料。 而為了充分挖掘和發揮這些工業資料的潛在價值,海信集團需要進一步實施智慧化升級戰略,推動人工智慧在集團業務中的廣泛應用,從而提升運營效率、創新業務模式。由此,海信集團需要從應用場景、技術平臺、組織AI素養三個層面構建人工智慧能力: 1)在應用場景層面。首先,海信集團希望在智慧製造、營銷、研發、財務等多個業務領域整合智慧化應用,但集團內部尚未建立AI應用場景落地的評估機制。其次,海信集團需要首先選取幾個高價值度的場景落地AI應用,解決業務問題的同時,探索並驗證集團內AI應用落地的方法和能力。 2)在技術平臺層面。海信集團此前只有少數外部採購的AI應用解決方案,幾乎沒有自主的AI建模能力,因此需要搭建統一的AI技術平臺,並且平臺需要滿足易於使用、功能完備、方便協作等要求,使集團內部人員可以在該平臺上自主搭建AI應用。 3)在組織AI素養層面。海信集團的業務和IT人員之前的AI能力較薄弱,不具備開發複雜的計算機視覺、機器學習模型的能力,因此需要針對性地提高其AI能力素養。 從場景規劃、技術平臺、人員培訓著手,全面提升海信集團的AI能力 在經過前期充分的調研論證後,海信集團選擇與九章雲極DataCanvas進行合作,為其提供人工智慧相關產品和服務。九章雲極DataCanvas是一家人工智慧基礎技術服務公司,其核心產品自動化資料科學平臺,能夠幫助業務分析師和資料科學家快速協同開發,實現自動化模型建立、管理和應用支援,為政府和企業智慧化升級提供配套服務。 基於海信集團在智慧化升級中的需求,九章雲極DataCanvas為海信提供的解決方案包括了應用場景規劃、三個應用場景的模型定製開發、信智AI平臺建設以及平臺的推廣和培訓。 針對應用場景層面的問題,海信集團在九章雲極DataCanvas的協助下建立了一套AI應用場景篩選的評估標準,並定製了三個較複雜的AI應用。 1)基於九章雲極DataCanvas在客戶服務過程中總結的最佳實踐方法論,以及海信集團的實際情況,雙方建立的應用場景篩選的評估標準包括以下三點:
2)在考慮海信集團的業務需求、應用代表性等因素後,海信集團合和九章雲極DataCanvas合作定製開發瞭如下三個AI應用場景:
為了構建自主的AI開發能力,海信集團在九章雲極DataCanvas的協助下搭建了信智AI平臺。信智AI平臺是以九章雲極DataCanvas自動機器學習平臺APS為基礎,結合了海信集團定製的一些功能和運算元,而構建的AI技術平臺。該平臺滿足了海信集團對AI平臺的易用、功能完備、方便協作等要求,具體如下: 1)平臺將模型開發全流程的功能都封裝成運算元,並支援用圖形化、拖拉拽的形式將運算元組合成工作流,從而降低了建模門檻。而平臺上包含的運算元有200多個九章雲極DataCanvas的標準化運算元,以及數十個根據海信集團的需求定製的資料處理、NLP運算元。同時,平臺採用“白盒”模式,所有內建以及後續場景開發中(包括三個定製場景)沉澱的運算元,其程式碼都可以被檢視和修改,以便組織內成員學習、複用,或做一定修改後遷移至其它場景。 2)針對模型上線過程複雜的問題,九章雲極DataCanvas將資料預處理、深度學習模型、以及模型後處理都打包成Pipeline,並提供在生產環境中呼叫的介面,從而簡化了海信集團的模型推理工作。 3)為了滿足海信集團的應用開發協作需求,平臺支援業務人員、演算法工程師、資料科學家等人員登陸平臺並各自完成自動建模、資料處理、運算元調整、搭建工作流、模型上線等工作。同時,根據海信集團的需求,九章雲極DataCanvas為該平臺定製了單點登入、標註平臺、以及能夠顯示檢測後產品合格率的報表平臺等不同人員所需要的功能。 針對組織AI素養較薄弱的問題,海信集團首先通過和九章雲極DataCanvas合作定製開發三個高價值應用場景的形式,讓海信集團的業務和IT人員熟悉平臺的功能以及建模流程,並且將三個場景的工作流沉澱在平臺中供海信集團的人員學習和複用。其次,九章雲極DataCanvas對海信集團的相關人員進行了約20次培訓,包括針對三個定製的應用的使用和後續運維、工業檢測、平臺的使用方法等方面的專題培訓。 信智AI平臺落地後的價值與效果 信智AI平臺落地後產生的價值包括對業務場景的價值、對構建自主的AI開發能力的價值和對降低建模成本的價值三個層面。 1)在對業務場景的價值層面。雙方基於AI平臺定製開發的三個應用場景都產生了明顯的效果:三個場景都因為智慧質檢應用的上線,將不良率降低了95%以上。 2)在對構建自主的AI開發能力的價值層面。通過搭建易於使用、功能完備和方便協作的信智AI平臺,以及相應的培訓推廣,海信集團具備了自主開發AI應用的能力。在平臺上線後一年內,海信集團基於該平臺自主開發了電路板測試優化、門店地址相似度評估以及一些智慧質檢等多個應用。 3)在對降低建模成本的價值層面。由於信智AI平臺採用運算元、工作流以及“白盒”模式,使用者可以通過修改運算元,將模型遷移至高度相似的場景中,解決模型不易泛化的問題,從而將模型的建設成本降低60%。例如,九章雲極DataCanvas定製的冰箱打包帶檢測模型,該模型原先識別的是大尺寸冰箱的四條成剪刀形的打包帶的問題,海信集團通過增加類似場景的標註資料,對原模型的運算元做了適當修改,成功讓模型擴充套件到3條類似產線。 信智AI平臺的專案經驗總結 第一,企業的智慧化升級是項系統工程,除了AI戰略、資料基礎外,企業還需要重點考慮場景規劃、技術平臺建設和組織AI素養提升等方面的問題。在場景規劃層面,需要首先建立標準化的場景篩選流程和方法,其次,企業在智慧化升級早期,可以考慮跟外部廠商合作開發幾個高價值場景的應用,為企業後續的應用開發提供借鑑經驗。在技術平臺建設層面,企業要充分結合內部現狀,搭建能在組織內廣泛使用的平臺,重點考慮平臺的易用性、功能完備性、協作便利性等。在組織AI素養層面,除了外部人才的引進,也要重視人員的培訓工作,包括模型開發、模型使用、模型運維等方面的培訓。 第二,模型的泛化能力是企業AI開發中需要重點關注和解決的問題。通過模型的泛化,企業能將模型快速遷移至相似場景,避免從頭重新開發,從而降低了模型開發成本。而在AI開發平臺中引入運算元和“白盒”的模式,將模型的工作流沉澱下來,使得開發人員後續能夠針對相似場景對模型做適當修改,從而快速實現模型的泛化。 |
案例9:助力某大型集團搭建AI資料智慧平臺,支撐數智化升級 某大型集團旗下科技公司為行業及集團提供數字化轉型整體服務,通過構建物聯網、大資料和AI平臺等數字基礎設施,將生產、流通和消費等環節的資料、演算法和應用打通,更高效地賦能業務。 在本次合作中,該集團希望通過建設AI平臺解決以下三點AI開發和管理中的難題: 1)“煙囪式”開發建設造成的資源浪費。該集團在以往的AI建設中,各個工廠和部門都有獨立開發或採購一些AI應用,因此帶來了集團內資料不能共享,AI開發工具重複建設,以及模型不能複用等問題。這種資料、開發工具、模型的“煙囪式”開發建設浪費了集團的AI資源,也阻礙了數智化的推進。 2)AI模型開發門檻高。該集團以往的單點AI應用多由資料科學家、演算法工程師開發,但此類人力成本高,當要在全集團廣泛地落地AI應用時,就需要提供平臺工具降低AI開發的門檻,讓業務和IT人員也具備一定的AI開發能力。 3)大規模的AI應用開發技術難度大、成本高昂。為了儘快建設完善的AI數智平臺,該集團需要在園區安全、供應鏈管理、智慧營銷等領域同時推進多個AI應用的開發,如果都從零開發如此大量的AI應用,成本高昂,統一管理較為困難。因此該集團科技公司希望藉助在上述領域有成熟AI模型積累的廠商,以較低的成本快速落地多個AI應用。 搭建智慧中臺,提供統一的AI開發、AI管理和成熟的AI模型服務能力 在對多家廠商的產品成熟度、客戶案例、合作深度、團隊配置等方面情況進行考察後,該集團科技公司選擇與京東雲合作,為集團搭建智慧中臺並共建應用。京東雲是京東集團旗下專注於產業數字化服務的業務板塊,依託人工智慧、大資料、雲端計算、物聯網等技術能力,為各行業企業和政府部門提供全鏈路的產品與解決方案。 該集團的智慧中臺是基於京東雲Foundry智慧中臺產品而構建,智慧中臺提供了一站式的AI開發平臺、統一的AI模型管理平臺、以及大量預置的標準化AI模型。同時,京東雲也在智慧中臺搭建過程中為該集團提供了場景共建、演算法定製、人員培訓等服務。 為了解決AI應用“煙囪式”開發的問題,該集團藉助智慧中臺,從資料、開發工具、模型管理三個層面對其進行統一建設和管理。
為了降低AI開發的門檻,使得集團的業務和IT人員也具備AI開發能力,智慧中臺將演算法程式碼封裝為元件,因此具備一定開發能力的使用者能夠通過拖拉拽快速構建工作流的方式開發模型,實現對前人經驗的複用。同時,智慧中臺也提供更簡單的自動化模型訓練功能,業務使用者只需選擇場景和相應的資料集即可對模型進行自動化訓練。 針對大規模的AI應用開發技術難度大、成本高昂的問題,智慧中臺內建了京東集團在長期業務發展過程中積累的大量成熟的AI演算法,包含語音語義、影像及視訊理解、文字識別、機器學習等類別,該集團在接受京東雲適當的培訓後,能夠自行選擇演算法元件,並做好資料準備,即可在工業質檢、園區安全、供應鏈管理、智慧營銷等領域快速構建AI應用。 圖 9: Foundry智慧中臺框架
智慧中臺落地後的價值與效果 智慧中臺為該集團帶來的價值包括業務價值和管理價值兩方面。 從業務價值的角度,智慧中臺提供的低門檻開發工具和AI模型服務讓該集團的業務和IT人員也能夠開發一定的AI模型,從而提升了應用開發效率,降低開發成本。該集團因此能夠充分利用了自身沉澱的資料資產,在智慧中臺上線半年內,即在園區安全、智慧營銷等領域構建了多個適配業務需求的AI應用及解決方案,顯著提高了集團的數智化水平以及業務創新能力。 從管理價值的角度,該集團通過智慧中臺對AI模型和服務的統一管理,實現了AI能力自主掌控、執行狀況可查可看以及AI服務的精細化運營,從而簡化了模型運維工作,提高了管理效率,並且通過AI模型和服務的複用提升了資源利用率。 智慧中臺專案經驗總結 第一,京東雲同該集團科技公司合作建設大資料與AI模型訓練平臺能力,共同為集團帶來從資料管理、模型應用等方面的技術工具,從而進一步輔助業務創新和發展。通過引入統一的資料管理、模型開發和模型管理工具供相關人員共同使用,利用平臺實現AI能力的複用,提高資源利用率。 第二,為了提高AI應用落地的效率,加速智慧化升級,企業可以選擇與自身業務匹配度較高,且在這些業務領域有大量成熟AI模型和應用實踐的廠商合作。通過複用這類廠商的模型,及其最佳實踐方法論,企業能夠以較低的成本在多個關鍵領域快速構建AI應用,賦能業務。 |
案例D:某大型國有商業銀行構建MLOps體系,實現敏捷的模型迭代,高效的模型交付 某大型國有商業銀行經過近幾年的智慧化建設,已經搭建了完善的人工智慧生態體系,在資料、演算法、算力、技術框架等多領域實現了技術領先,並且已在各業務領域落地了500多個AI應用。該銀行在AI應用實踐中,為協同模型構建團隊、業務以及運維團隊,建立起一個標準化的模型開發、部署和運維流程,使得組織能更好的利用AI的能力促進業務增長,於近年構建了MLOps體系。 該銀行的MLOps體系主要從降低開發門檻和提升模型管理流轉效率兩個方面出發。在降低開發門檻方面,該銀行構建了從需求分析、資料準備、模型構建、模型釋出,到模型運營的一站式AI工作站,為建模人員提供視覺化、低門檻的流水線建模服務。在提升管理效率方面,該銀行建立了“資訊統一管理、實體統一流轉、管理資訊與實體流轉保持一致”的AI全生命週期管理機制,以提升模型生命週期管理水平。具體而言,該銀行將AI工作站作為統一的模型全生命週期管理平臺收集模型的後設資料資訊,實現全流程管控;同時,構建了涵蓋一個模型基礎版本庫+開發、測試、生產等各套環境的模型呼叫庫,以及模型加密單向同步機制,實現模型實體的統一儲存、管理和在各模型庫間不落地的安全流轉,此外還建立了增存結合的入庫管理機制,加強模型入庫管控能力。在此基礎上,將AI工作站的模型管理資訊與DevOps平臺的版本交付資訊聯動,DevOps版本交付機制呼叫AI工作站的服務,控制模型庫間的實體流轉,保證賬實相符,支援各應用全生命週期模型管理。 圖 10: 某國有商業銀行MLOps體系
該銀行通過構建MLOps體系,取得了良好的實施效果,模型研發週期從之前的平均3個月最短壓縮到兩週,模型部署的週期縮短至1天以內,常規模型後評價和模型更新最快2天即可完成,自學習模型可根據實際效果實時更新。 |
AI的開發和管理是項複雜的系統性工作,需要組織內各部門和人員能夠緊密協作,共同完成。企業在智慧化早期通過設立單個專案組推進的方式在智慧化深入階段將不能維繼。此時,企業需要在整個組織內部建立統一的AI組織架構,設立核心部門統籌協調各相關部門開展AI開發和管理工作,並明確各部門的權責。
例如在案例E中,某頭部家電集團為保持其AI能力的領先性,構建了以AI技術委員會為核心部門,下轄多個技術研發部門分別負責特定方向的AI能力建設,並統籌協調技術研發部門為產品部門提供應用開發服務。
3.6.1.2. 內外兼顧,培養AI人才隊伍
智慧化轉型成敗的核心要素之一是人才,企業一方面要注重從外部不斷引進優秀的資料科學家、演算法工程師等專業人才;另一方面,需要加強組織內的培訓,提升業務和IT人員的AI開發能力,以及提升管理人員的AI素養。從而幫助企業構建起能支援智慧化轉型所需的人才隊伍。
3.6.2 給不同成熟度的企業的建議
初步投入階段:該階段的企業當前以單點應用建設為主,無需在組織架構層面為AI應用做太多調整,但需引進關鍵的AI人才,指導應用落地和後續維護。
多維佈局階段:該階段的企業在核心部門都有建設一定的AI開發和管理團隊,建議由公司層面對各部門的AI開發進行統一協調部署,做到資訊互通;同時要加大對資料科學家、演算法工程師等專業人才的外部引進工作。
深度應用階段:該階段的企業需要構建完善的面向AI開發和管理的組織架構,各部門之間的權責和協同機制要明確;同時,除了專業人才的引進,企業也需要在組織內加大培訓力度,提升組織內相關人員的AI素養。
案例E:某頭部家電集團建立面向AI開發和管理的組織架構,全面支援產品的智慧化創新 某頭部家電集團在AI研發和應用方面處於業內領先的地位。為了保持集團AI技術的領先,保證其家電產品在智慧化方向的持續創新能力,集團近兩年在AI研發上加大了投入,並對集團的AI組織架構做了調整和統一部署,明確了各部門AI相關的職責與各部門之間的協調機制。 整體而言,該家電集團成立了AI技術委員會,下轄AI創新中心、中央研究院、集團IT、IOT事業部智慧研發部、以及空調、冰箱、洗衣機等各產品事業部的技術研發部門。 圖 11: 某頭部家電集團AI組織架構
其中,AI技術委員會的成員為各相關部門負責人,委員會的職責是統籌協調各部門AI建設需求、AI能力輸出,並做到各部門之間的資訊互通;AI創新中心為集團新成立的部門,集團對該部門的人員和資金做了重點投入,希望在計算機視覺、語音基礎演算法、家庭服務類機器人等方向做研發並具備自主技術,一是為了降低外採技術的成本,二是為了賦能產品線打造差異化功能;中央研究院主要負責智慧製造、工業互連網相關的能力建設;集團IT負責供應鏈管理和部分智慧製造領域的AI能力建設;IOT負責影像、大資料、語音相關的AI應用開發,為家電產品服務。AI創新中心、中央研究院、集團IT、IOT事業部智慧研發部的AI能力會賦能空調、冰箱、洗衣機等各產品事業部,並提供應用解決方案,同時各產品事業部也會在一些特定的重要業務領域根據需求獨立開發或外採AI應用解決方案。 該集團基於良好的AI研發和應用基礎,在擴大AI優勢的過程中,重視調整組織架構來適應AI能力發展需求,為集團明確分工、優化協作、降低AI研發成本、提高產品智慧化能力提供了機制保障。 |
4. 企業智慧化趨勢展望
人工智慧在為企業創新產品服務、優化經營決策、提升管理效率等方面已經取得了廣泛的效果,並展現出了更加巨大的潛力,因此,愛分析認為所有的企業未來想要在市場中保持競爭力,一定都需要走向全面的智慧化。但如前文中所述,國內主要行業目前已經開展過智慧化建設的企業中約70%仍處AI應用的早期實驗或初步投入階段,僅約30%的企業進入多維佈局或深度應用階段,真正在組織內實現AI應用與業務全面融合的企業不足1%。
愛分析認為,在接下來的3至5年,國內大量的企業對AI的應用將從單點的AI建設走向全面的智慧化轉型。在這個過程中,企業將會需要解決智慧化建設過程中涉及的戰略、資料、場景規劃、應用解決方案開發、技術基礎設施、組織與人才等多方面的挑戰。因此,企業需要針對智慧化轉型規劃完善的路徑和方法,具體的措施包括:制定明確的智慧化戰略;完善資料基礎設施,構建面向AI開發的自動化資料採集、資料處理能力;建立場景規劃的流程和方法論;提升解決方案的自研能力;建立了標準化的解決方案開發、部署、和後續運營的方法和流程;重構面向智慧化運營的IT系統;引入AI平臺、AI中臺;構建MLOps體系;建立面向AI開發和管理的組織架構;重視AI人才隊伍的建設等。同時,企業需要結合自身AI應用的成熟度,對上述舉措更細化的方法和步驟,實施時間點等方面問題制定符合自身需求的計劃。
人工智慧在產業中的落地正在如火如荼地推進,也還有很多未知的領域有待企業去探索,進一步釋放AI的價值。相信隨著這個程式的推進,AI在產業中落地仍然會面臨許多新產生的問題,愛分析將對這個領域保持持續跟蹤研究,對前沿的案例保持關注,為企業智慧化轉型提供更多的決策參考。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69993021/viewspace-2864625/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 2022愛分析・銀行數字化實踐報告
- 2021愛分析・智慧城市實踐報告
- 2022愛分析・工業網際網路實踐報告
- 2022愛分析・汽車行業數字化實踐報告行業
- 2022愛分析・智慧客服廠商全景報告 | 愛分析報告
- 2022愛分析 地產科技應用實踐報告
- 2022愛分析·資料智慧應用實踐報告
- 2022愛分析·低程式碼應用實踐報告
- 2022愛分析・智慧決策廠商全景報告 | 愛分析報告
- 2022愛分析・資料庫廠商全景報告 | 愛分析報告資料庫
- 2022愛分析・智慧園區廠商全景報告 | 愛分析報告
- 2022愛分析・採購數字化廠商全景報告 | 愛分析報告
- 報告解讀分享會報名開啟:2022愛分析·人工智慧應用實踐報告解讀人工智慧
- 2022愛分析·地產科技應用實踐報告(附下載)
- 2021愛分析・區域性銀行數字化實踐報告
- 2022愛分析・消費品零售數字化廠商全景報告 | 愛分析報告
- 2022愛分析・出海數字化系列報告之“出海實時互動與通訊”廠商全景報告 | 愛分析報告
- 2022愛分析·虛擬化活動實踐報告
- 2022愛分析·國央企數字化實踐報告
- 愛分析:2022年智慧城市實踐報告(附下載)
- 2022愛分析· RPA廠商全景報告 | 愛分析報告
- 2022愛分析 · DataOps廠商全景報告 | 愛分析報告
- 2022愛分析· 流程挖掘廠商全景報告 | 愛分析報告
- 2022愛分析· 信創廠商全景報告 | 愛分析報告
- 2022愛分析·國央企數字化實踐報告(附下載)
- 2022愛分析· 隱私計算廠商全景報告 | 愛分析報告
- 走向全民開發——2022愛分析·低程式碼應用實踐報告解讀線上分享會成功舉辦
- 愛分析:2022年時尚品牌數字化實踐報告(附下載)
- 2022愛分析· 虛擬化活動廠商全景報告 | 愛分析報告
- 愛分析:2022年人工智慧廠商全景報告(附下載)人工智慧
- 2021愛分析·中國房企數字化實踐報告
- 2022愛分析· IT運維廠商全景報告運維
- 2022愛分析·低程式碼廠商全景報告
- 2022愛分析· 資料智慧廠商全景報告
- 2022愛分析· 地產科技廠商全景報告
- 2022愛分析·營銷科技廠商全景報告
- 2023愛分析·大模型廠商全景報告|愛分析報告大模型
- 2023愛分析 · 元宇宙廠商全景報告 | 愛分析報告元宇宙