過去的2019年，人工智能進入了技術成熟度曲線的低谷期，技術炒作的泡沫破裂，行業關注重心開始轉變為人工智能如何落地產業。

　　然而，由于技術與業務需求之間的鴻溝，人工智能在走向產業落地的過程中面臨一系列的挑戰。企業在應用人工智能技術推進業務轉型升級的過程中，必須要了解這些問題并加以有效應對。

　　為了分析上述問題，報告回顧了人工智能的行業概況，并結合實踐案例分析了人工智能技術給產業帶來的具體價值創造和各行業落地進展和未來應用趨勢。同時，報告系統性地分析了人工智能落地產業過程中，在數據、算法模型、業務場景理解、服務方式、投入產出比等方面面臨的挑戰和應對方式，希望幫助企業推動人工智能的價值落地。

01 人工智能走向產業應用

　　人工智能是計算機科學的分支，是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。

　　人工智能的基礎理論由來已久，由深度學習引爆的第三次人工智能浪潮，以及算力的進步和數據的爆發，使得人工智能技術快速走向成熟，并逐步落地產業應用。

1.1 人工智能行業圖譜

　　從底層基礎技術到上層行業應用，可以把人工智能行業劃分為基礎層、通用層和應用層三部分。基礎層為圖像、語音等人工智能基礎技術提供芯片、計算框架等計算能力支持，通用層提供感知、認知計算等通用技術，而應用層則是人工智能通用技術與各行業深度融合產生應用價值的產品和服務。

基礎層：

　　為計算機視覺、語音識別等人工智能基礎技術提供計算能力支持，是人工智能的基礎設施，包括AI芯片、AI平臺以及AI計算框架等，主要以谷歌、微軟、亞馬遜、英特爾、IBM、百度、騰訊、華為、京東等大型互聯網公司和行業巨頭公司為主。

通用層：

基于基礎設施開發出的通用性人工智能技術和產品，如計算機視覺算法、機器人系統等，主要分為兩大部分：以感知計算和認知計算技術為代表的軟件通用技術，和無人機、機器人等軟硬一體化通用產品。

　　通用層的技術和產品主要是模擬人的各項能力。與人類的感知、認知和執行能力相對應，通用層可以分為感知層計算機視覺、語音識別和自然語言處理，認知層的知識圖譜和自然語言處理的深入應用，以及執行層的機器人等。

應用層：

　　人工智能通用技術與各行業應用深度融合的領域，以垂直行業的人工智能應用公司為主。應用層人工智能企業將通用技術封裝成能夠落地的產品，包括軟硬件一體化產品以及針對具體應用場景的端到端解決方案。隨著通用技術走向成熟，行業應用價值凸顯，大量通用層的公司也在基于基礎技術能力向各行業應用層延伸。

1.2人工智能的商業模式

　　人工智能走向產業應用的過程中，從向企業和個人用戶提供人工智能產品服務的角度，人工智能公司的商業模式主要分為四種類型：API調取、產品訂閱/License、“產品+服務”解決方案及效果付費。

API調取：

　　常見于基礎層廠商和通用層廠商，通過API形式輸出自身的技術能力，如計算機視覺領域的商湯科技、自動駕駛領域的百度Apollo平臺、語音識別領域的科大訊飛等，都是通過將人工智能技術輸出給應用廠商，由應用廠商完成最后一步產品及方案的封裝。這種模式的優勢在于模式較輕，規模化復制能力強。

產品訂閱/License：

　　主要是以機器人、APP等方式面向個人用戶的產品，以標準SaaS模式面向互聯網客戶和傳統行業中小型客戶的產。例如，大疆、松鼠AI等公司主要采取這種方式服務個人用戶。

“產品+服務”解決方案：

　　主要是面向傳統行業中大型客戶，這類客戶的應用場景相對復雜，單一產品很難解決其需求，因此需要一定程度的定制化服務。例如曠視科技、明略科技等公司服務公安領域客戶，需要提供端到端的解決方案。

按效果付費：

　　人工智能與業務場景結合后，按照其產生的可衡量的實際業務價值進行收費。人工智能公司與客戶更多是類似合作模式，按照業務量收取一定費用，目前在應用較為成熟的金融、智能客服領域有一些早期落地。例如，智能客服廠商根據幫助企業客戶節省多少人力成本來衡量效果，可以按照工作量和坐席數量進行收費。

02 人工智能助力企業數字化轉型

　　發展至今，人工智能經歷了明顯的泡沫降溫，進入了技術成熟度曲線的低谷期。行業開始回歸理性，更多地關注人工智能如何落地產業，推動企業的數字化轉型。

　　本章，我們將分析人工智能在企業數字化轉型中創造的價值，以及人工智能在各個行業的落地進展和實踐案例。

2.1人工智能價值創造的三個層次

　　人工智能落地產業帶來的價值創造，可以分為自動化、智能化、創新化三個層次，每個層次創造的價值度逐步提升。

　　自動化，是依靠人工智能技術提升業務的自動化程度。自動化并不改變原有業務流程，而是由機器替代人來自動執行業務流程，從而提升效率，降低成本。

　　典型的場景，例如工業機器人取代工人進行分揀、組裝等重復性勞動;醫學影像領域，人工智能系統輔助閱片，提升醫生診斷效率;廣告營銷領域的程序化廣告投放等。多數場景下，自動化涉及的是業務鏈條中的單個環節。

　　智能化，是基于知識圖譜等認知智能技術，讓機器具備分析和決策能力，可以完成人力無法實現的工作，對業務流程進行改造，創造增量價值。

　　例如，在安防領域，基于行業知識圖譜技術在幾億個實體中尋找隱性關系，發現團伙作案的行為，人力無法處理如此大數據量的分析。零售領域，基于門店歷史銷售數據，通過機器學習構建銷量預測模型，實現銷量預測，實現遠高于依靠經驗預測的準確度，降低庫存和損耗。

　　智能化主要涉及分析、推理和決策性的工作，應用場景中往往涉及到數據挖掘，以及NLP、深度學習、增強學習等認知智能技術和算法，并深入到相對完整的業務流程當中。

　　創新化，是人工智能與行業深度融合后重塑業務流程和產業鏈，形成新的商業模式甚至新的細分行業。例如，基于計算機視覺的智能貨柜，相比傳統機械式無人售貨機成本下降50%以上，容納更多商品種類。無人駕駛是未來最具備創新潛力的人工智能落地方向，一旦無人駕駛技術成熟，傳統汽車行業從主機廠到用車場景的產業鏈關系將被顛覆。

2.2人工智能助力企業業務智能化

　　數字化，是指利用數字技術來重塑業務流程，從而帶來新的收入和價值創造機會。數字化轉型，已經成為企業實現業務增長的必然選擇。

　　數字化的典型路徑分為“信息化——在線化——智能化”三個階段。信息化即IT基礎設施的完善，是企業服務客戶和經營管理在線化的基礎。在線化包括用戶交互場景以及企業經營場景的在線化。智能化是基于在線化沉淀的數據，讓企業的經營決策從經驗和流程驅動轉向數據驅動、自動化決策，實現降本增效。

　　企業的數字化轉型正在走向深入。隨著業務信息化和在線化的推進，企業積累的數據量不斷增長，同時業務場景的復雜度也在提升，傳統的業務模式很難滿足精細化運營和服務的需求，必然要走向智能化階段。

　　例如，當零售企業通過APP等在線化渠道實現了線上化的交易、會員運營、客戶服務之后，將有機會基于客戶數據進行個性化的商品推薦和促銷方案，提升服務體驗和銷售額。但是，這種業務訴求無法通過傳統的人工匹配或單純依靠業務經驗規則來做到，必須要借助機器學習建模來實現。

　　因此，人工智能技術是助力企業數字化轉型從信息化、在線化走向智能化的關鍵技術。基于人工智能技術應用的業務智能化，會成為企業新的核心競爭力。

　　此外，部分行業頭部企業已經走在前列，通過自有業務場景的應用實踐，逐步積累人工智能技術的自研能力，并開始對外輸出。

2.3人工智能的落地進展

　　隨著產業數字化帶來的數據基礎的日益成熟，人工智能在營銷、金融、數字政府、零售、醫療等行業的落地持續推進，并開始帶來顯著的效益，但落地進展有先后之分。在部分行業，傳統企業已經充分認可人工智能的應用價值，開始在實際業務場景規模化地引入相關技術。

　　首先，在人工智能實際落地過程中，產業的數字化基礎設施是影響落地進展的關鍵要素。產業數字化程度越高，人工智能的應用具備越完善的數據基礎。

　　其次，在數據基礎設施差異的基礎上，人工智能技術與各行業具體業務場景結合產生的主流應用場景和價值呈現也有不同，會處于不同的應用價值階段。

　　最后，基于不同行業的市場規模體量，人工智能技術應用創造的市場規模大小不同。下圖中，氣泡的大小代表了現階段各個行業人工智能應用的市場規模，包括軟件、硬件和服務。

　　接下來，我們將以人工智能在在營銷、金融、數字政府、安全、教育、工業等部分行業的應用實踐為例，分析人工智能的實際落地進展。

2.3.1營銷

　　營銷領域，線上營銷場景已經是完全在線化、數據化的，線下營銷場景也隨著攝像頭、屏幕等終端設備的智能化以及智能手機的普及而邁向數字化階段。同時，品牌企業自身也在推進客戶觸點的數字化，并通過構建客戶數據中臺等基礎設施，完善客戶數據資產的積累。

　　基于這些條件，人工智能在營銷業務全流程已經得到廣泛應用：從早期的用戶畫像建立、程序化投放、流量防欺詐等自動化應用，到基于數據做市場預測、銷量預測、智能客服等智能化應用，再到目前基于圖像識別在視頻等媒介的創新廣告形式。

加和科技 用AI助力通用汽車優化廣告投放效率

　　加和科技是專注于為企業提供數字化業務網絡的技術導向性企業，公司從企業流量管理切入，進一步結合營銷數據深入到企業內部運營以及管理環節服務。與此同時，公司還引入了大數據以及人工智能等技術，致力于為企業運營以及管理提供智能化的升級服務。

　　加和科技作為核心主體，通過不經手客戶預算的品牌公域流量運營業務為核心，實現對媒體、品牌營銷業務與營銷大數據三者的整合和實現品牌主數字營銷的智能化服務。

　　針對KA客戶，加和科技主要有兩大業務板塊：

　　(1)通過智能流量管理平臺及服務進行消費者全域體驗升級：

　　(2)通過加和營銷中臺幫助企業進行營銷數字化升級：

　　加和科技聚焦行業頭部品牌客戶，至今為止共服務60+品牌，涉及20個子行業，其中以快消品為主，品牌數量占比50%;2019年公司著力于開拓新市場，至今為止在汽車行業市場的開拓，為2019年貢獻較高的收入。

　　在上汽通用智能營銷中樞系統項目中，加和科技為上汽通用打造專屬的智能營銷中樞系統，管理億級別的營銷數據和決策，實現毫秒級運算并決策;依靠智能提升營銷效率，合理分配預算，實現企業資源最大化配置;實現汽車行業營銷ERP，及時獲悉各活動數據表現、并與最終銷售線索MQL打通;打造營銷決策“駕駛艙“全鏈路數據追蹤打通，實時決策并優化提煉最終輸出可視化。

線上媒介管理系統

　　創新性地采用“跨廣告主聯合包劇”的模式，與其他國際品牌主一同采買電視劇資源，聯合投放廣告。

打通全域數據

　　為企業內、外部數據提供定制化的標準接口和加密式分類倉儲，并輔之以多云異地災備、定期滲透測試掃描、數據安全管理體系等措施，最大化確保數據安全。通過業務流程優化、對接標準化、技術聯調敏捷化等途徑，快速實現與媒體、DMP等外部數據方的打通與整合。通過對營銷全鏈路數據分析，實現對業務流程線的全流程管控。

差異化營銷活動優化

　　加和科技提供定制化的流量優化算法與邏輯，支持多種程序化模式、多種營銷資源的優化。

“全域流量投屏通覽”可視化模塊

　　利用AI分析對整體營銷活動的數據進行多維度展示，獲悉投放中的媒體流量推送的質量、用戶的互動效率、各平臺媒體留資的意向效果。

“實時數據追蹤系統”

　　利用AI對影響營銷效果的指標進行鏈路分析，為營銷人員提供個性化的報表和分析服務，輔助優化營銷決策。

　　基于客戶實際需求，通過對流量的整合應用、結合大數據及AI的智能化應用;加和為客戶輸出定制化的解決方案，并通過系統、策略等價值交付，為客戶進行營銷增值。目前，上汽通用線上媒介管理系統已和20余家汽車垂直、新聞資訊、生活APP、工具APP等主流媒體對接。通過“跨廣告主聯合包劇”模式，有效提升非重復曝光量，實現曝光頻次7次內獨立訪客占比91%-100%。CPL注冊付費率達到114%，CTR點擊通過率平均提升了24%。

2.3.2金融

　　金融行業的數字化進程一直走在產業前列。在金融業務的強需求和充足的IT預算支持下，云計算、大數據等技術已經廣泛應用，積累了完善的數據基礎設施，“金融科技”浪潮正在深刻改變整個金融業態。

　　人工智能技術在金融行業的應用也越來越廣泛，在產品設計、市場營銷、風險控制、客戶服務等環節已經實現了不同程度的滲透。

　　其中，智能投顧是一個典型的創新化應用，通過人工智能技術為用戶進行風險識別、資產配置(公募基金匹配)、投資風險提示等工作。例如，招商銀行推出的“摩羯智投”產品，為用戶提供個性化的投資理財咨詢服務。

阿博茨科技助力港交所提升數據處理

　　阿博茨科技專注于推動人工智能在金融領域應用落地，主要向銀行、交易所、資管機構等提供人工智能解決方案。

　　通過與數十家金融機構合作，阿博茨科技打磨了一套成熟的金融解決方案體系。阿博茨科技的AI+RPA產品“Everdroid”，實現數據從識別到解析入庫的全流程自動化。基于計算機視覺、NLP、知識圖譜等技術，阿博茨科技的智能機器人可以理解上市公司運營數據報表及相關的法律文檔內容，自動提取并解析目標數據，將所有不同類型的數據無縫解析到結算平臺。

　　金融領域的數據處理，是當前金融行業面臨的最大挑戰之一。市場信息和數據以碎片化方式存在于各式上市公司公告和電子郵件中，信息的收集消耗了企業大量人力資源。其次，數據文件類型大多以PDF為主，金融機構只能依靠人工進行機械重復的逐條記錄并處理。同時在數據處理和分析過程中，企業員工必須在大量的數據中去選擇和甄別，這導致信息的正確性和準確性都存在不確定因素。

　　阿博茨科技讓AI閱讀大量的上市公司公告，使之具備了感知能力，能夠將非結構化數據，包括公告、郵件、新聞和圖片中的數據提取出來。例如，計算機視覺技術將圖片中的內容轉換為文字，即像素轉化為文字。

　　在認知層面，通過自然語言理解的方式在金融領域進行模型訓練，幫助AI理解數據內容和意義，再幫助客戶把信息導入系統或者Excel中。最后，阿博茨科技再通過可視化搜索引擎向客戶展示分析結果。

　　阿博茨科技服務的客戶涵蓋中國國家主權基金、新加坡主權基金、港交所、中金公司、海通證券、匯添富基金等。

　　香港交易及結算所有限公司(港交所)是阿博茨科技的代表客戶。港交所作為全球主要的交易集團之一，為客戶提供全方位的產品及服務，其主營業務包括港股上市、證券交易以及結算。

　　由于業務需求，港交所需要將上市公司提交的運營報告中的數據提取出來進行分析，但這些數據分散在各類來源中，如網頁、財報、外部報告、郵件等。由于沒有審計記錄，導致訪問的歷史數據十分有限，港交所不得不雇傭600人來檢索信息、驗證準確性，手動操作相關的數據庫。這種方式效率低下且出錯率高。港交所曾因為某位員工的錯誤記錄，承受了巨大的損失。

　　針對上述問題，港交所與阿博茨科技合作，“Everdroid”幫助港交所實現數據從識別到解析入庫的全流程自動化。

　　阿博茨科技賦能港交所，自動提取并識別上市公司提所交運營報告中的數據。最終港交所減少了80%的人力成本，此前7天的數據解析工作，通過阿博茨科技金融解決方案只需要15分鐘就可以完成，解析準確率達到95%以上，提升了數據處理效率，降低了錯誤率。

基于AI技術，集奧聚合提供信貸全生命周期解決方案

　　集奧聚合成立于2012年8月，基于人工智能技術為金融機構提供客戶探查、智能風控、反欺詐、信用評估、策略分析、監控預警、貸后管理等信貸全生命周期人工智能解決方案。全流程幫助金融機構準確識別欺詐風險，有效降低逾期壞賬率，并可最大程度降低企業成本，提升運營效率與利潤，助力企業邁向AI路。

　　過往商業銀行主要依賴人工來完成信貸業務各個環節的操作，這導致商業銀行面臨獲客難、信貸風險高、運營效率低下等問題。

　　商業銀行信貸風控大致分為貸前信審、貸中監控、貸后管理三大階段。貸前信審主要解決申請用戶準入和風險定價問題，貸中監控主要關注客戶還款情況和賬戶變化行為，貸后管理主要針對逾期用戶進行還款提醒減少損失。

　　如何在風險可控的情況下，讓普惠金融更多的惠及大眾，是各大金融機構和集奧聚合共同關注的問題。人工智能科技的應用首先讓信貸業務的人力成本、運營成本降低;同時，機器代替人可以有效地提升信貸業務效率和準確率，最終使得信貸業務更加智能化、自動化。

1）智能外呼客戶探查，人機交互降低運營成本。金融信貸業務高速發展，

　　營銷業務人力密集，企業員工或外包人員通過電話外呼進行客戶探查，客戶體驗較差，且轉換效率不高，而隨著市場競爭加劇和人力成本逐年攀高，此傳統營銷模式將面臨更大挑戰。隨著人工智能技術的發展成熟，以智能語音交互為基礎的智能客戶探查將逐步替代傳統人工作業模式。具備語音識別、自然語言處理及語音合成能力的語音機器人，批量化、智能化的進行客戶探查作業，并將交互結果進行標簽和明細輸出，從而幫助企業實現提高業務產能，降低成本的管理經營目標。

2）貸前反欺詐洞察風險，貸中監控挽回損失。

　　以往金融機構的信審環節是基于人工和紙面材料完成，這導致信貸欺詐行為頻出。集奧聚合運用設備指紋、規則引擎、流計算引擎、模型引擎等技術和設備幫助金融機構對申請用戶進行全方位矛盾點挖掘及可疑點識別。同時集奧聚合基于人工智能技術為客戶構建精準的申請信用評分模型，為客戶構建一站式智能化風控評分體系，從而準快速準確判定用戶的信用風險等級，有效幫助金融機構做出授信決策。

　　在貸中監控環節中，集奧聚合借助深度學習、策略引擎等技術深度挖掘用戶變化、新增及異常波動風險，進行還款風險監控。

3）全景貸后管理系統，保障作業合規，拉動貸前、貸中、貸后高效協作。

　　利用人工智能科技應用賦能貸后管理，通過貸后解決方案及系統化產品輸出幫助客戶強化貸后管理能力，有效降低不良率，提升逾期資產回收率，加強作業合規管控，降低貸后運營成本。

　　集奧聚合的全景貸后管理系統涵蓋全景信息分析報表、決策中心、電催管理、外訪管理及外訪APP、訴訟仲裁管理、合規管理、坐席軌跡監控、智能語音機器人等功能。實現提升運營效率、降低運營成本、保障作業合規、拉通貸前、貸中、貸后高效協作。

　　同時 對于中短逾期案件，集奧聚合的智能語音機器人可高效精準觸達客戶，告知借款人逾期情況及后果，大幅降低人力成本，實現高效作業，同時還可解放人工專員，專注于處理疑難復雜的逾期欠款，從而向專家轉型。

　　截至目前，集奧聚合“信貸全生命周期解決方案”已經與多家銀行、保險、持牌消費金融、持牌小貸等金融機構達成深度合作。從用戶效果上看，集奧聚合智能化風控已經幫助金融機構降低65%以上的欺詐風險，幫助金融機壞賬率從1.9%降到1.1%，壞賬率降低接近50%，遠低于行業平均壞賬水平。

2.3.3數字政府

　　中國的數字政府正在進入全面提升的階段，致力于通過運用數字技術持續提升公共治理水平和服務水平。

　　工信部中國軟件評測中心的評估顯示，截至2019年11月，我國已有10個省級地方政府出臺并公開數字政府規劃計劃;多地統籌建成全省政務服務App;交通部、生態環境部、廣東、山東等部門、地方推進政府數據向社會開放，促進治理能力提升。

　　得益于政務信息化的長期建設和投入，數字政府領域的數據基礎設施已經較為完善。人工智能在智慧城市、智慧政務、智慧安防等領域都已經有成熟的應用。

　　在政務服務領域，通過人臉識別、語音識別等技術的應用，各項業務辦理的身份驗證、資料錄入、咨詢等環節的效率和體驗大幅提升，實現“最多跑一趟”。

　　在安防領域，人工智能技術的快速滲透，從基礎的視頻監控數據結構化和目標識別，到智能化的情報研判和智能指揮調度，再到輔助性智能終端設備，有效提升了安防治理水平，緩解了警力不足的壓力。

一覽群智為某部委構建國際人物智庫

　　一覽群智于2015年11月成立，定位一站式AI產品和解決方案提供商。一覽群智基于NLP、知識圖譜等認知智能技術，研發出智語、智慧、智圖、智策四大產品，滿足企業在超大規模多源異構情況下的數據治理、不同場景下的AI建模和復雜決策分析的需求，實現AI技術快速在客戶場景落地，打造客戶專屬的智能決策平臺。

　　由于客戶需求各異并且對于AI工具接受程度差異較大，一覽群智開發了完整產品矩陣，且不局限于簡單的對外直接輸出產品工具，而是用產品加服務的整體解決方案滿足客戶需求。從底層到上層的完整產品矩陣，可以有效的幫助其提升解決方案中的產品化率。

　　一覽群智的行業解決方案主要面向金融、政府兩大領域。在金融領域，一覽群智的解決方案主要應用于銀行智能審單、智能風控、智能反洗錢、智能反欺詐四大場景中。金融場景中業務模式相對標準，一覽群智一方面幫助企業有效降低人力成本，簡化業務處理流程，另一方面，可以對現有規則進行補充，構建專家知識體系，進一步提升準確性。

　　在政府領域，一覽群智主要服務于媒體宣傳、公共安全領域;在媒體宣傳部門，其產品應用于智能輿情檢測、互聯網情報分析等場景。一覽群智利用NLP、OCR、知識圖譜等技術優勢切入輿情公司所不能涉及的場景，為客戶提供關聯分析功能。

　　一覽群智的客戶涵蓋中共中央宣傳部、中國最高人民檢察院、中國建設銀行、中國郵政儲蓄銀行、中信銀行等近百家機構。

　　某部委作為一覽群智的代表客戶，其工作需要有效地對國際交流合作進行管理，協調交流合作組織工作，宣傳、傳播工作，降低涉外交涉風險，提高工作效率。但是由于國際外事過程中，存在資源分散、傳播對象虛化、合作渠道信息缺乏等困難，需要人工智能智庫的支持。

　　與該部委的合作過程中，一覽群智針對全球國際公眾人物的公開信息、智庫信息、專題信息等多種數據進行準確的人物關系挖掘分析及提取，利用大數據分析技術、NLP、知識圖譜技術等認知智能技術，從海量異構數據中調取國際人物信息，并以人物為主體構建人、機、新聞等實體關聯關系，構建知識圖譜。同時，一覽群智整合國內外各類數據，以人工智能的手段建立完整的智庫系統，為外交、合作、外事、公共安全等行業提供可發現、可發展、可維護的國際智庫資源。

　　通過一覽群智NLP引擎技術提取構建國際人物智庫，處理了涵蓋全球近200個國家和地區以28種語言為主的近5萬多種信息資源，形成世界各國媒體人士、智庫專家、國家政要等人物數據近百萬條，可配合多類人物數據庫完成特定領域的上層業務需求。項目落地之后，國際關系智庫和重點人物庫平臺受到某部委的高度評價。

2.3.4安全

　　在政策和需求的雙重推動下，網絡安全領域正在迎來新一輪黃金機遇。云計算、大數據、物聯網等技術的滲透，給網絡安全帶來了全新的挑戰，并使得網絡安全日益延伸到業務層的安全防護。

　　網絡安全包括了大量的數據處理和分析流程，且業務場景本身就是數字化的，因此，人工智能技術在其中有良好的應用基礎和豐富的應用場景。信通院發布的《中國網絡安全產業白皮書》指出，人工智能技術在數據分析、知識提取、自主學習、智能決策等方面的優勢，為應對動態多變、復雜交織網絡安全問題提供了新的思路，推動網絡安全治理向智能化趨勢發展。

芯盾時代AI反欺詐模型，全面提升銀行業務安

　　芯盾時代是領先的業務安全產品和服務提供商，由信息安全、人工智能、大數據等多維技術驅動，依托堅實的企業服務能力，為客戶提供場景化全生命周期業務安全防護方案，助力客戶打造安全、智能、可信的業務體系。

　　芯盾時代某客戶是一家混合所有制商業銀行。近年來，該銀行一直致力于發展面向中小微企業的普惠金融。隨著互聯網金融的浪潮，該銀行的線上業務增長迅速，但隨之而來的是欺詐風險上升，欺詐行為已經從單一個體行為，發展成為包含各類不法分子、羊毛黨的組織嚴密、分工明確的黑色產業鏈條，對客戶資金安全帶來嚴峻挑戰，也給銀行發展網絡金融業務帶來了嚴峻的挑戰。

　　在這樣的背景下，該銀行決定在傳統經驗規則的基礎上，引入芯盾時代的以“業務安全咨詢+智能風控平臺+建模服務”為核心，覆蓋銀行實時交易的事前、事中、事后環節的全渠道多場景反欺詐解決方案，方案包含四部分：

　　通過交易反欺詐模型(TOFD)、營銷反欺詐模型(MOFD)、信貸反欺詐模型(COFD)等機器學習模型，根據對不同業務場景進行風險后所提取的風險特征，對用戶行為和終端信息進行風險綜合評估，并根據風評結果等級給出差異化處置策略建議，有效識別營銷活動欺詐、薅羊毛、洗錢、信用卡套現等高危欺詐事件，保護了銀行資產安全和客戶的資金安全。

　　通過業內領先的無感知認證、設備指紋識別、終端威脅態勢感知和欺詐關聯圖譜等自主知識產權核心技術，全面覆蓋行方各個部門的業務安全防控需求。

　　通過可視化機器學習建模平臺(VAI)，對洗錢、信用卡套現、營銷活動作弊等風險高發業務場景進行持續優化和深度防控，有效降低反欺詐模型的衰減周期，提升系統自動化風控能力，在加強業務安全的同時，降低行方人員投入，節省了大量人力成本。

　　針對樣本不均衡和標注數據極少的問題，采用“無監督算法冷啟動-半監督算法過渡-有監督算法”為模型訓練的解決辦法，迅速消除不利影響，完成了對多個業務渠道中交易流水數據，登錄數據，注冊開戶數據的清洗和打標。

　　據該銀行提供的歷史業務數據顯示，該解決方案實施后，風控精準度獲得了明顯提升。

　　在欺詐團伙發掘場景中，解決方案通過關聯圖譜算法和關聯分析構建關系網絡識別出8個疑似欺詐團伙，涉及設備數100+，涉及賬號數1500+。

　　在信用卡套現場景中，解決方案通過對用戶、商戶雙維度畫像和關聯分析，標記出套現樣本數據8000+條，最終經過行內專家人工審核，正樣本準確率達98%。

2.3.5醫療

　　醫療行業的數字化水平已經具備一定的基礎。2019年全國衛生總費用約63800億，其中醫療信息化投入占比約為1%。以醫院為例，目前智慧醫院的建設已經進入基礎設施梳理的早期階段，信息化基本完成，下一步的重點是完善數據的互聯互通。

　　具體而言，醫療行業包含了藥企、醫療機構、醫保商保等不同產業鏈主體，以及相對應的藥物研發、診療(分為診前、診中、診后)、費用控制等業務流程，人工智能在其中都有所滲透。整體而言，人工智能在醫療行業的應用場景處于自動化向智能化邁進的階段。

　　其中，醫學影像診斷是人工智能最先滲透也是發展最快的領域，屬于典型的自動化場景。這是由于醫學影像數據天然是結構化的，數據基礎較好。通過計算機視覺技術進行輔助閱片，提升影像科醫師的工作質量和工作效率，并在醫療資源不足的地區提供服務。目前，醫學影像診斷產品和服務已經開啟了商業化。

深睿醫療以AI賦能醫療——提高檢出率、降低漏診率

　　深睿醫療源自北大信科學院人工智能創新中心，通過AI技術及自主研發的核心算法，為國內外醫院、體檢中心、第三方影像中心等各類醫療服務機構提供基于人工智能和互聯網醫療的解決方案。

　　深睿醫療是醫學影像領域內實現多業務布局的領先企業，業務線涵蓋人工智能醫學輔助診斷系統、智能影像云平臺、多模態科研平臺、智能預問診系統以及智能裝備等領域

　　其中旗艦產品Dr. Wise®人工智能醫學輔助診斷系列產品已經從單病種分析拓展至系統的整體解決方案，包含呼吸系統、神經系統、運動系統、女性關愛及兒科等系統整體解決方案。該系列產品覆蓋診療全流程，提升影像診斷效率，并有效降低誤診和漏診的發生。

蘭州市婦幼保健院

　　承擔著全市女干部及部分地區農村婦女兩癌篩查工作，本院于1990年就開始做乳腺X線攝影工作，除常規的技術操作外，每個醫生必備掌握臨床觸診工作，通過觸診再完善補充投照，為臨床提供精準的乳腺X線影像資料。

　　在實際的臨床應用中，深睿醫療的乳腺X線AI醫學輔助診斷產品對乳腺組織中的細小鈣化、腫塊、不對稱影、結構扭曲保持非常高的檢出率，大幅提升乳腺疾病的檢出率，并降低漏診和誤診的發生。

　　醫院放射科主任給予深睿乳腺X線AI醫學輔助診斷系統高度評價，該系統不僅顯著提升科室工作效率、提高乳腺鉬靶影像診斷的準確性，降低漏診率，而且年輕醫生借助深睿AI醫學輔助診斷系統標準化和統一化的診斷路徑，診斷水平得到快速提升。目前，Dr.Wise®乳腺X線醫學輔助診斷系統已成為放射科醫生的常規診斷工具。

濟南市章丘佳美健康體檢中心

　　于2019年8月正式引進深睿醫療Dr.Wise人工智能醫學輔助診斷系列產品，包括肺結節AI醫學輔助診斷系統、腦卒中AI醫學輔助診斷系統和兒童生長發育AI評估系統。

深睿醫療Dr.Wise肺結節AI醫學輔助診斷系統

　　其中，使用清晰色框標注肺結節坐標，便于提示醫生檢出病灶，針對小于5mm的微小結節，肺結節AI醫學輔助診斷系統做到不漏診、診斷速度更快，對于患者早期確診具有意義重大。AI隨訪功能方便醫生復盤隨診，提高閱片能力，更利于肺內小結節的隨診治療。

深睿醫療Dr.Wise腦卒中AI醫學輔助診斷系統

　　使用在醫院的卒中綠色通道，在爭分奪秒后搶救階段，無論是出血性腦卒中還是缺血性腦卒中，AI輔助診斷系統都在第一時間對病灶位置進行檢出和預警，并且準確測量病灶體積，為影像科醫生以及神經科醫生提供可靠診斷依據。

深睿醫療Dr.Wise兒童生長發育AI評估系統，

　　采用國際接受度較高的Tw3標準以及以中國兒童為標本的中華05標準，具備目標骨骺智能識別、分級、骨骺計算及結構化報告等系統化、全方位的先進功能，幫助醫生和家庭更好地掌握兒童的生長發育情況。

2.3.6 教育

　　教育行業已近經歷了廣泛的在線化歷程，在K12、語培、STEM教育等領域的一大批在線教育公司崛起，改變了供給側的格局。伴隨著在線化的進程，教育行業初步積累起大量的數據。同時，教育行業的數據大多為文本、語音、視頻等非結構化數據，人工智能在數據分析和應用方面將發揮重要價值。

　　目前，教育行業的數據積累還在初期，且與核心教學環節相關的數據積累還相對較少，對于非結構化數據的處理分析技術還不成熟，整體落地成熟度還有較大提升空間。

　　在具體應用場景上，人工智能技術已經開始滲透到師資教研、招生獲客和教學服務等業務流程當中，其中教學服務環節的應用場景最為豐富，也是未來最有價值的環節。在師資教研環節，已經有頭部的在線教育機構通過語音識別技術分析老師的上課過程，挑出最優秀老師的最佳實踐進行分析，沉淀到內容當中，從而提升教學質量和教學的標準化。

松鼠AI 1對1：用人工智能提升教學效率

　　人工智能技術正從理論研究逐漸走向實際應用，賦能產業實現加速發展。首先落地的行業中，一大特點是人力密集且重復勞動較多導致效率低下，教育行業正是其中典型。

　　松鼠AI洞察人工智能對教育行業的革命性價值，成功開發國內第一個擁有完整自主知識產權的人工智能自適應學習引擎，并成為中國第一家將此技術應用在K12中小學教培領域的科技獨角獸公司。

　　智適應教學系統的基礎是，將學科知識點進行納米級顆粒度拆分，建立每個知識節點的相互關聯，構建完善的知識圖譜，形成一套動態復雜的知識網絡。

　　即知識點原本是根據教學大綱設定為傳統的樹狀結構，松鼠AI的創新型知識圖譜技術將其重新構建為網狀結構，并利用源源不斷的學生數據持續自動更新和成長，不斷完善算法引擎。

　　同時，智適應系統利用松鼠AI獨創的MCM(Mode of Thinking, Capacity andMethodology)體系，檢測學生的思維模式、學習能力和學習方法，全面分析學生當前學情，解析出個性化的知識盲區和薄弱點，精確刻畫出學生的個人畫像。

　　確定學生的問題所在后，系統將結合知識圖譜追根溯源，規劃出個性化的學習路徑，監測后續學習過程中的各類行為數據，以此實時計算最優學習方案并推送，保證學習過程可控有效。

　　可以看到，松鼠AI的智適應系統覆蓋整個教學閉環，其具體落地可大致分為如下三步：

　　首先是學情診斷，對學生知識掌握水平進行動態評測。松鼠AI系統實時捕捉前端用戶數據，隨著數據積累和更新，構建愈發精準的個性化學情;

　　然后是對癥下藥，哪里不會學哪里，針對每個知識點漏洞，為學生推薦納米級的知識點學習內容，包括3-5分鐘的講解視頻、動畫或課程內容，結合學情畫像推送對應內容;學習之后，通過練習和題目來檢測學生對知識的吸收和應用效果，如此循環往復。

　　最后，系統會監控學習全過程，采集學生諸如作答正確率、錯選選項等學習數據，以及答題時間、觀看視頻暫停、回放等行為數據。根據海量數據系統會持續進化，更新知識圖譜，更精準地判斷每位學生的學情和學習路徑。

　　某國家級貧困縣山區小學學生田艷青患有成骨不全癥，俗稱“玻璃娃娃”，稍不注意就會骨折。受家庭經濟情況和身體健康限制，田艷青只能放棄學習回到家中。

　　長期以來，田艷青的各項學習能力均遠遠不如省會級城市學生的平均水平。接受松鼠AI的輔導兩個月后，松鼠AI系統的追根溯源、打地基學習等系統的功能，為她提供了針對性的個性化學習，使得她的各項能力值均有顯著提高，從原來47%的省會平均水平上升至84%的省會平均水平。

2.3.7工業

　　工業是國家經濟命脈，關系到國家核心競爭力。以《中國制造2025》為總綱領，中國工業的轉型升級在快速推進中。其中，發展工業互聯網，借助互聯網、物聯網、云計算、大數據、人工智能等數字技術實現工業智能化升級，是核心主線之一。

　　總體來看，中國工業行業的數字化水平偏低，IT投入不足，數據基礎還在完善的過程當中。

　　在工業互聯網推進過程中，人工智能技術的滲透主要體現在邊緣層與IoT結合提升數據感知能力，以及平臺層的機器學習與數據分析的結合賦能上層應用。人工智能在工業領域的應用落地還處于智能化的起步階段。

　　自動化的場景已經相對成熟，典型的應用是工業機器人。在傳統工業機器人的基礎上，疊加計算機視覺、語音識別等人工智能技術，機器人的智能化水平提升，能夠實現散亂物品識別與抓取、運動路徑自主規劃、多機協作等場景，從而應對更加復雜的生產任務。

　　在智能化方面，工業互聯網匯集設備、產線、企業和產業數據，可以結合機器學習技術，深入挖掘數據背后的應用價值。例如，基于設備運行和故障數據，借助機器學習算法建立設備故障預測模型，實現設備的預測性維護，降低運維成本和故障損失。

　　在工廠運營管理環節，計算機視覺技術可以提升工廠安防監控系統的智能化水平。例如，富士康智慧工廠采用視頻監控系統和計算機視覺技術，對工廠車間進行特殊區域可疑人員闖入監測、安全生產監測等。

滴普科技用工業互聯網平臺+AI開啟3C企業數字化轉型

　　滴普科技成立于2018年，定位于企業數字化智能全棧服務提供商，致力于互聯網、大數據、人工智能、物聯網技術產品解決方案的研發和實施，是國內領先的企業數字化建設者。

　　一年多時間，滴普科技團隊規模擴張至600人左右，服務超40家大中型企業，建立了三個標桿性場景的解決方案，分別是商業智能、人工智能和智慧地產園區。

　　消費領域的數字化轉型涉及服裝、餐飲、汽車、快消、3C等諸多行業，體量巨大。這其中理念最先進、轉型滲透率最高的當屬3C。

　　某知名國產3C消費電子品牌是滴普科技的典型客戶，擁有強大的線下銷售渠道。在手機市場飽和、行業頭部效應明顯的大環境下，面對數字化轉型趨勢帶來的生產、供應鏈和銷售變革，迫切需要進行全鏈條的智能化敏捷改造。

　　該品牌面臨的主要痛點包括無法跟蹤貨物流通、無法實時掌握真實的銷量數據和市場反饋、供應鏈協作效率低下以及營銷政策難以精細化。

　　該品牌與滴普科技合作，目標是通過“點”場景化業務牽引，建立獨有的質量鏈、供應鏈、資金鏈等縱向、橫向和端到端的集成，最終將形成閉環數字化業務，構建手機行業數字化轉型典范。

　　這一目標任重而道遠，首要問題就是找到一個好的切入點，提供結果可量化的技術服務，形成單點示范效應，再進一步深化轉型。生產制造環節的效率優化和數據采集，是首先落地的場景之一。

　　滴普科技打造的工業互聯網平臺解決方案包括底層硬件以及云平臺，可用于光伏、模組等屏幕類的AI檢測，并且可快速復制和構建跨場景應用，服務集成電路、電子信息等產業。

　　實際落地時，底層硬件提供了PLC、AVI，包括工業相機和視覺檢測項目，并且在邊緣設計了邊緣計算盒，當傳輸數據量比較大時，用邊緣計算盒提供邊緣檢測，降低數據傳輸量，解決工廠大容量的數據傳輸問題。

　　上層給客戶搭建帶GPU集群的私有云，在這之上是工業互聯網的PaaS平臺，主要承載業務中臺、數據中臺、AI中臺和IoT中臺。

　　落地于成品屏幕檢測和SMT檢測兩個場景，底層用傳統的工業相機采集數據，然后利用這些數據在AI中臺里做視覺檢測，檢測技術主要是圖像識別和深度學習算法，最后在客戶端呈現應用，包括視覺檢測，設備維護、管理等。

　　項目落地后，工廠生產線檢測效率提升了2倍，檢測準確率有原來的96.5%提升到99.85%，進而精減檢驗人員約220名。

　　未來，該品牌還將拓展供應鏈優化、質量工藝優化和智能決策業務。在庫存和物流環節拉通進銷存數據，結合工廠敏捷的報告反饋和策略推送，優化終端訂貨流程，提升貨物供應鏈運作效率和庫存周轉率。最終改善渠道營銷和管理執行效率，降低業務運營成本，達成全鏈路的數字化建設目標。

人工智能落地挑戰與應對

　　03

　　在深入產業落地的過程中，人工智能技術與企業需求之間仍然存在鴻溝。

　　企業用戶的核心目標，是利用人工智能技術實現業務增長，而人工智能技術本身無法直接解決業務需求，需要根據具體的業務場景和目標，形成可規模化落地的產品和服務。在此過程中，人工智能在數據、算法、業務場景理解、服務方式、投入產出比等方面都面臨一系列挑戰。

3.1數據

　　數據是人工智能應用的基礎要素。在應用人工智能技術解決特定業務場景問題過程中，與數據相關的流程主要包括數據獲取、數據治理和數據標注。

在數據獲取方面，

　　數據質量是首先要面對的問題。在圖像識別、文本識別、語音識別等單點場景，可以基于外部公開數據進行模型訓練。但在解決具體業務問題時，不管是前期模型訓練還是模型上線后的使用，都需要用到來自實際業務場景的數據，外部數據價值度有限。

　　但受限于業務信息化、在線化的水平不足，可能存在歷史數據缺乏積累或者數據質量較差的問題，需要經歷冷啟動和數據治理的過程。此外，實際業務中，很多數據來自人工填報，也會造成數據準確性較差，需要先進行數據核驗機制，判斷和剔除異常數據。例如，品牌商做銷量預測需要收集各個渠道的促銷計劃，而這些數據一般由渠道一線銷售代表報送，很容易出現報送數據與實際執行狀況不匹配的問題。

　　面對數據積累和質量不足的挑戰，需要從業務流程和算法上尋找解決方案。例如，對于有效樣本數據不足的問題，可以嘗試采用少樣本學習的算法。對于數據采集質量差的風險，需要在數據采集和治理過程中結合業務經驗，制定更加精細化的規則。

　　此外，數據使用合規的挑戰也日益突出。一方面，涉及到個人隱私方面的數據保護政策趨嚴。另一方面，涉及到數據的歸屬權問題，出于數據安全的考慮，歸屬于不同主體的數據往往很難實現流動和融合打通。這些因素，會限制數據的可獲得性。

　　對于數據歸屬權限制的問題，目前的應對策略之一是采用聯邦學習等新技術，在底層數據不進行交換的前提下進行加密訓練，可以實現聯合建模，并保護數據隱私。

在數據治理方面，

　　數據復雜度在提升。在落地產業深入實際業務場景的過程中，需要采集和分析的數據類型會變得更加復雜，往往涉及到多源異構數據、時序數據、非結構化數據等，數據存儲和治理的難度大幅提升。例如，在工業場景，就涉及到工業現場圖像數據、工藝流程文本數據和設備運行的時序數據等，給數據清洗和后續應用帶來很高的復雜度。

　　面對數據治理的挑戰，需要新的數據治理手段。目前，比較成熟的手段是用大數據湖的模式，同時兼顧結構化數據和非結構化數據的處理，并可以實現更低成本的存儲，更好地支撐人工智能算法的數據調用。

在數據標注方面，

　　隨著建模不斷深入垂直行業的細分業務場景，數據標注的復雜度提升。

　　首先，要求標注人員掌握更復雜的行業知識，進一步提升了數據標注的門檻和成本。例如，醫療領域對醫療影像和文本的標注，需要具備醫學專業知識的人員進行。從數據類型來看，文本類、3D圖像類數據不斷增加，標注復雜度高于早期的平面圖像類數據。

　　其次，對于垂直細分場景，需要根據建模需求，采集特定環境下、特定對象的精準“小數據”，需要更專業的數據采集手段。例如，對于微表情、假表情識別的場景需要“群眾演員”按要求配合表演，汽車碰撞場景數據需要在實驗室場景內采集。進一步地，這些特定業務場景數據是數據擁有方的寶貴資產，需要保證數據標注過程中的安全性。

　　面對數據標注的挑戰，在算法層面，半監督學習、無監督學習等遷移學習算法可以弱化對數據標注的需求。

　　此外，在數據標注方面，還可以看到一些第三方的數據標注平臺正在興起。第三方數據標注平臺一方面通過受培訓的專業團隊和定制化的服務，來解決數據采集、數據標注的質量和成本問題;另一方面，也通過研發一些自動化的輔助工具，通過技術手段來提升數據標注流程的效率。

高質量數據的生產者，云測數據推動產業智能化

　　隨著人工智能的深入發展，對數據的需求從求量升級到求質，算法訓練依托于場景化、精細化的數據。

　　云測數據是Testin云測旗下AI數據標注服務品牌，通過自建數據場景實驗室和數據標注基地，從數據采集、數據清洗，數據標注、標注平臺私有化部署、到標注駐場服務的定制化一站式數據服務。

　　云測數據服務的客戶分為幾類。第一類是2C互聯網公司，這類客群和云測試服務的客群重合度較高。由于應用場景非常豐富，產品線也很多，需求比較旺盛。第二類是AI企業，比如研究智能駕駛、人臉識別、語音識別等領域的技術公司，技術迭代的基礎是更精準、更豐富的數據資源。第三類是傳統行業的頭部企業，比如金融、保險、銀行、物流和零售這些行業，有極大的數字化轉型需求，AI應用可以提高企業內部的運營效率，需要大量結構化的行業專業數據建模，推動AI商業化的落地。

　　針對每個行業特點，云測數據都有專業條線人員進行數據標注，針對企業遇到的數據難點提供最優方案。目前，云測數據已在華東、華南、華北建立了數據標注基地，保證數據作業和及時交付，為智能駕駛、智慧城市、智能家居、智慧金融、新零售等領域輸送優質AI數據。

　　云測數據作為提供定制化數據方案的數據服務商，具有標注精度高、標注效率高和標注人員專業度高的特點。

　　首先，云測數據的數據標注精準度高。智能駕駛行業隨著上游主機廠、新造車企業以及行業內多種商業公司的緊密合作，從2D攝像機到3D激光雷達建模，從乘用車到卡車，行業也不斷形成多元化場景落地。針對不同場景需求，云測數據智能駕駛團隊搭建車內智能倉采集場景，進行車內環境動作采集等主流應用場景。

　　標注服務包括圖片通用拉框、車道線標注、全景語義分割等。比如車道線標注，需要標注出可識別車道線，如白色實線、白色虛線、黃色實線、黃色虛線和道路沿線等，以及車輛的直接行駛區域和間接行駛區域和其對應屬性，顆粒度要求精細。根據企業的不同精度的需要進行標注，云測數據已經服務了眾多無人出租、造車新勢力及傳統車廠。

　　其次，云測數據內部建立了完善的數據作業協同流轉體系，大幅提升數據作業的生產效率。智能家居行業是AI在生活服務領域的重要落地場景，智能家居產品融合語音控制、物聯網技術，讓生活更智能、給生活帶來更多便利。這個領域的數據采集量巨大，包括指定語料采集、用戶表情及情緒類型采集等。

　　云測數據支持專業設備采集和多模態場景采集。比如，面對真笑和假笑表情的情緒類采集需求，云測數據可以通過將無情緒烘托的表情和有情緒烘托的表情進行對照完成采集。先讓“群演”假裝一個笑臉，采集假笑表情，再給群演講一個笑話，使他流露出真實的笑臉，再進行采集。采集后的數據幫助客戶做表情識別，分辨出假表情。云測數據提供視覺、語音交互類數據標注，包括人物語音轉寫、行為意圖標注、聲紋識別標注、領域識別、語句泛化和語義分割等標注服務。為了提高標注效率，云測數據自主研發了數據標注平臺，對包括語義分割在內的各項標注任務預設了標注模板，使標注更加精細化和標準化。

　　最后，云測數據的標注人員專業度高，保證交付的質量和規范度。智能安防行業多應用于智慧城市、人流監測、車輛識別等場景，是人工智能與信息技術結合的關鍵領域，對于城市與民生發展有重要的意義。通過生物識別、行為監測等技術手段，廣泛地應用于城市道路監控、車輛人流監測、公共安全防范等領域。

　　云測數據在這個領域的項目經驗多，行業理解深，為智能安防企業提供全類型的數據標注與定制化數據采集，如人臉打點、人體拉框、目標跟蹤、語義分割標注，異常行為、步態、Re-ID、路面物體采集等，眾多領先的人工智能企業都是云測數據的客戶。智能安防的場景比較復雜，比如在對人體骨骼標注的任務經常會遇到，人體的關鍵點被遮擋的情況。這需要標注人員腦補關鍵點的位置，將遮擋的點補齊。而對于流量密集場景，需要標注人員對于標注內容足夠了解，并經過前后幀對比，確保標注一致性。云測數據的標注人員由于進行過系統的崗前培訓，所以對于非完整的人體骨骼，也可以做到標注的數據規范化和精度。

　　目前，云測數據已成功服務數百家企業，數據作為AI技術發展的基石，云測數據以高質量、高精度的數據，助力產業智能化升級。

3.2算法模型可解釋性

　　在算法模型層面，人工智能在與業務系統結合的過程中面臨的挑戰是模型的可解釋性問題。

　　從回歸算法、決策樹等傳統模型，到深度學習等新興算法，人工智能的復雜性在不斷增加，這使得算法決策機制越來越難以被人類所理解和描述。在原理上，大部分基于深度學習的算法是個“黑盒子”，模型不具備可解釋性。

　　然而，在落地金融、工業、醫療等行業時，出于安全風險控制、監管合規等因素考慮，直接應用到業務系統的模型需要具備符合業務邏輯的可解釋性，讓業務人員、決策者以及行業監管層能夠理解，否則將難以落地。

　　例如，對于零售品牌商，通過AI銷量預測模型預測出的未來一個月的產品銷售量，將直接影響生產、庫存、物流以及營銷等一系列計劃，涉及巨額資金的調配。因此，該預測結果需要在業務上具備可解釋性，否則業務人員無法采用。

　　在強監管的金融行業，監管機構在對技術的理解和掌握上難以和人工智能科技企業保持同步。因此，出于審慎的原則，為避免潛在風險以及監管漏洞，金融監管機構往往對于人工智能技術在金融業務場景的應用采取保守的監管措施，要求算法模型具備可解釋性，確保風險可控。

　　正因如此，“可解釋AI”被稱為人工智能的圣杯，日益受到行業關注。“可解釋AI”的目的是向技術使用者和監管機構解釋人工智能模型所做出的每一個決策背后的邏輯。“可解釋AI”相比不可解釋的黑盒算法，其優勢在于增加了深度神經網絡的透明性，因此有助于通過向用戶提供判斷依據等額外信息，以增強其對人工智能的信任感、控制感和安全感，還可為事后監管、問責和審計提供有力依據。

　　實際落地中，也可以采用深度學習算法與經典統計類規則結合的方式來進行建模，來解決模型可解釋性問題。

九章云極：融合行業知識，為企業構建一體化“AI大腦”

　　九章云極是清華留美博士團隊于2013年在北京成立，致力于打造中國領先的數據科學平臺和實時決策中心，已服務了超過120家國內外大型企業。

　　九章云極核心產品DataCanvas數據科學平臺，面向金融、政府、交通和IoT行業提供分布式實時數據分析、實時業務、數據中臺及AI建設能力，具有低門檻、異構多引擎、三位一體(編碼建模、可視化建模、自動化建模)的建模方法、可解釋(白盒算法)、特征倉庫、模型倉庫、一鍵發布、實時AI熱更新等特點，助力企業客戶輕松構建智能化數據應用，完成數據智能化轉型。

　　浦發銀行是九章云極在金融行業的代表性客戶。為了滿足人工智能應用需求，浦發銀行此前采購了某國外廠商的商用建模平臺，無法支持分布式和大規模數據實時建模，并且所有模型都采用黑盒模式，無法沉淀和進一步優化為企業資產。而銀行業務種類繁多，需求復雜，包括對實時性要求高，數據需要大規模處理，并且需要自主可控的技術和知識產權，原有建模平臺難以很好地匹配這些需求。

　　浦發銀行從2017年開始和九章云極初次合作，并不斷擴大合作構建浦發銀行AI大腦，2020年達成戰略合作。九章云極采用高吞吐、低延遲的數據流引擎DataCanvas搭建數據科學全生命周期建模平臺，為營銷和風控系統提供實時的流式數據和批量數據處理服務，滿足電子銀行客戶足跡分析、客服大數據分析、風險實時類預警、資金變動營銷等業務場景需求。

　　金融行業屬于強監管行業，對業務合規性要求高，其中包括對人工智能等前沿科技的應用安全性;此外，業務人員需要很好地理解建模平臺原理，增強信任，識別和防止偏差并改進模型。因此，基于數據科學平臺的建模可解釋性(白盒算法庫)成為行業剛需。

　　九章的數據科學平臺包含了特征倉庫、算子倉庫、業務場景算法模版倉庫和AutoML Recipe倉庫。

　　特征倉庫包含諸多銀行業通用的行業know-how，解決行業經驗和業務知識融合問題：信貸員的知識和經驗可以作為延伸特征，通過機器學習算法提取出特征后完善模型，提升訓練集的準確率。算子算法倉庫提供機器學習算子算法，其中包含可解釋性更強的貝葉斯編程模型，滿足銀行客戶的“白盒需求”。

　　場景模版倉庫解決跨行業的場景化、知識遷移問題：將其他行業的營銷場景知識提煉為模版，應用于銀行業相似的營銷場景中，比如KYC和客戶分群功能用于推薦金融產品。AR倉庫融合了Auto ML框架，構建模型時可復用同類模型的相似特征，降低對數據科學平臺的依賴。

　　項目完成后，浦發銀行業務人員通過圖形化拖拽方式即可建模，進一步降低了平臺的使用門檻。分布式集群的數據處理能力超過10億條/天，50萬條/秒的峰值，滿足了銀行風險管控資金流向監控及精準營銷等業務的實時性要求，且性能遠超客戶預期。在此基礎上，可支撐的業務場景也從最初的6個增加到現在的62個，大大提高了業務的處理效率。

3.3業務場景理解

　　隨著人工智能深入落地各垂直行業，要解決的業務問題從通用場景、單點問題，向特定場景、業務全流程演進，需要從感知智能進化到認知智能，從而具備分析決策能力。同時，業務場景的復雜度和進入壁壘變得更高，對業務場景理解能力的要求也不斷提升，給技術驅動的人工智能廠商帶來更大的挑戰。

　　在這樣的背景下，人工智能廠商單純依靠算法技術和經驗積累，難以滿足對業務場景理解能力的需求。因此，人工智能算法需要與專家經驗、業務規則融合，共同解決問題，知識圖譜技術成為關鍵。

　　借助知識圖譜技術，可以將行業經驗沉淀為行業知識圖譜，在此基礎上讓算法更好地理解業務。實際落地過程中，先通過建立統一的知識圖譜來實現知識融合，再進一步推進人工智能的快速落地應用，是解決業務場景理解問題的比較可行的方式。

3.4服務方式

　　人工智能落地過程中，還需要考慮服務方式的問題。

　　一方面，傳統企業往往不具備很強的技術能力，無法直接應用技術。因此，標準化的人工智能技術輸出或者API調取的服務方式，無法滿足企業業務人員的最終需求。人工智能廠商需要根據具體業務場景，基于技術能力提供定制化的解決方案，并封裝成可直接應用到業務系統的產品，需要“AI+產品”。

　　另一方面，企業用戶的需求是達成最終的業務目標，需要保證業務系統的持續運營，讓AI產品真正發揮價值，但自身的運營能力也有限。因此，往往需要人工智能廠商提供持續的業務運營服務，以保證最終業務效果的達成，需要“AI+服務”。

　　這給人工智能廠商面臨的挑戰，則是自身業務模式的問題，需要考慮如何避免過于定制化和重服務。例如，可以通過中臺化的方式賦能前端業務人員，共同為客戶解決業務問題。中臺層把各項通用能力都中臺化，基于中臺支撐賦能前端人員去服務客戶的業務運營，共同推動解決方案的落地和業務目標的達成。

3.5投入產出比

　　目前，企業用戶投入人工智能技術應用仍然會面臨總擁有成本過高的問題，導致投入產出比不高，進而影響對人工智能技術的采納。

　　為了在業務中落地人工智能技術應用，企業的總擁有成本至少包括以下項目：一方面，涉及到芯片、算法平臺等硬件在內的智能化產品。另一方面，人工智能應用對專業人員的依賴非常大，需要引進算法工程師等人工智能人才。這些人工智能產品和人工智能人才的成本都比較高，這導致對于某些行業而言，投入產出比成為限制人工智能應用規模化落地的最大阻礙。

　　在成本方面，可以看到數據科學平臺、機器學習平臺等產品的涌現，正在提升人工智能建模的自動化程度。數據科學平臺可以在數據準備、模型建立、決策部署、模型管理等方面實現自動化，降低整個業務流程對算法工程師的依賴，從而降低人工智能應用的總擁有成本。

　　此外，未來人工智能的投入產出比提升的機會還在于算法的進步帶來對硬件要求的降低，以及人工智能芯片等硬件成本的下降。

04 人工智能應用趨勢展望

　　展望未來，基礎設施的升級、從決策到行動的技術演進，以及應用場景從企業智能延伸到產業智能，是人工智能應用值得關注的幾大趨勢。

4.1基礎設施升級，拓展人工智能應用場景

　　2019年，中國正式進入5G商用元年。作為具備高帶寬、低時延、廣連接特性的新一代通信技術，5G正在成為產業變革、萬物互聯的新基礎設施。

　　首先，5G可以支撐大量設備實時在線和海量數據的傳輸，使得企業可獲得的數據量、數據實時性大幅圖提升，為更多人工智能應用提供可能。其次，隨著5G部署范圍的拓展，基于5G之上的超高清視頻等應用將迎來增長，人工智能在其中大有用武之地。

　　例如，在大量的工業生產現場，不具備建設高帶寬有線網絡的條件，傳統的Wi-Fi等無線網絡也不滿足帶寬要求，無法通過高清視頻監控實現對產線故障、人員違規操作、安全風險等異常狀況的實時監控和識別預警，而5G網絡提供了新的解決方案。基于5G網絡，還可以結合AR/VR技術，對設備故障進行遠程專家診斷和運維。

　　此外，邊緣計算也是5G時代的重要特征。邊緣端大量智能終端設備的爆發，使得傳統的以云端為核心的集中式數據處理方式無法滿足需求，邊緣計算興起。隨著數據更多地在終端進行處理和應用，人工智能將廣泛落地在邊緣側，邊緣智能(Edge Intelligence)崛起。

4.2人機協同帶來全新業務模式

　　按照解決問題的能力劃分，從識別——理解——分析——決策——行動的鏈條來看，人工智能的發展可以分為三個階段——感知智能、認知智能和行動智能。

　　人工智能技術的目標是讓機器在整個從感知到行動的鏈條上模擬甚至超越人的能力，但在很多復雜場景下，單純依靠機器完全能替代人去解決問題并不現實。考慮到能力范圍、時間效率、成本優化等因素，把人和機器作為整體部署的人機協同模式將成為未來的主流。

　　人機協同，是通過人機交互實現人類智能與機器智能的結合。具體而言，人機協同的模式是以知識圖譜為支撐進行推理推薦，并進行人和機器資源的合理配置，解決復雜問題。根據場景需求不同，具體的人機交互方式包括冗余、互補和混合三種方式。

　　人機協同已在多個行業中開始滲透和落地。

　　例如，在智慧餐廳場景，可以運用人和機器的交互來提高客戶滿意度。機器人可以和服務員共同配合，共同完成迎賓、領位、點餐、送餐、收餐等服務環節。

　　在公安場景，知識圖譜有16億實體，要從中挖掘隱性關系和潛在線索，由于數據量巨大，如果單純依靠機器進行全景搜索將耗費大量時間。如果采用人機協同的模式，結合刑偵專家的經驗和洞察，判斷出重點可疑方向由機器進行深入搜索，可以大幅度提升效率。

　　現階段，人機協同的進展還是以人為主，由人來判斷場景需求和機器的能力進行匹配。未來的方向，則是實現機器自主判斷場景、調度資源，并與人類相互協同。

4

　　隨著企業數字化轉型和產業互聯網的不斷推進，產業智能互聯的數據基礎設施不斷完善。產業互聯網實現了產業鏈各環節的數據打通，在此基礎上，人工智能的應用將從企業內部智能化延伸到產業智能化，實現采購、制造、流通等環節的智能協同，進一步發揮產業互聯網的價值，提升產業整體效率。

　　例如，以滴滴為代表的網約車平臺就是一個簡化版的產業智能互聯樣本。每個網約車司機都是一個小經營者，通過滴滴的智能調度平臺建立與終端用戶的連接，平臺的人工智能預測、推薦、調度等算法，實現了用車需求與運力的高效匹配，這是單個司機所無法做到的。

　　在零售行業，“雙十一”是典型的產業智能互聯實踐，千萬商家和數億消費者參與其中，在制造、電商、物流、支付金融等產業互聯基礎設施支撐下，結合人工智能等技術的賦能，高效完成海量的線上交易和履約。例如，商家可以參考電商平臺的銷量趨勢預測數據提前進行備貨，并結合庫存調度系統和物流服務網絡，將訂單智能分配到配送路徑最短的倉庫和線下門店發貨。

　　隨著基礎設施的成熟和技術滲透，未來將有更多的行業走向產業智能互聯。

結語

　　2020年代，如何落地產業將成為人工智能的主要命題。

　　在通用基礎技術基本成熟的條件下，與行業應用緊密結合推動產業的數字化轉型和生產力提升，人工智能技術才能真正實現價值。同時，在行業應用中將人工智能技術轉變成可規模化落地的產品和服務，也是人工智能廠商進一步深化技術能力、打造競爭壁壘的關鍵。

　　對于處在數字化轉型浪潮中的企業而言，采用人工智能技術推動業務的智能化升級已經刻不容緩，關鍵是尋找到投入產出比最佳的落地場景。

　　愛分析也將持續和深入追蹤人工智能在各個行業的落地進展和最佳實踐。