AI落地產(chǎn)業(yè)要繞過哪一些坑

在即將過去的2019年，人工智能經(jīng)歷了明顯的泡沫降溫，進(jìn)入了技術(shù)成熟度曲線的低谷期。行業(yè)開始回歸理性，更多地關(guān)注產(chǎn)業(yè)落地場景，而淡化對實(shí)驗(yàn)室算法準(zhǔn)確度的比拼。

這一方面是由于計算機(jī)視覺、智能語音、自然語言處理等人工智能通用技術(shù)走向成熟，純算法技術(shù)層面的比拼缺乏進(jìn)一步的想象空間。另外，智能駕駛等前沿場景遇到了階段性挫折。

另一方面，隨著產(chǎn)業(yè)數(shù)字化帶來的數(shù)據(jù)基礎(chǔ)的日益成熟，人工智能在落地安防、金融、廣告營銷等行業(yè)的過程中，正在帶來顯著的效益。傳統(tǒng)企業(yè)已經(jīng)充分認(rèn)可人工智能的應(yīng)用價值，開始在實(shí)際業(yè)務(wù)場景規(guī)模化地引入相關(guān)技術(shù)。

然而，在深入產(chǎn)業(yè)落地的過程中，人工智能技術(shù)與企業(yè)需求之間仍然存在鴻溝。

企業(yè)用戶的核心目標(biāo)是利用人工智能技術(shù)達(dá)成業(yè)務(wù)目標(biāo)，而人工智能技術(shù)本身無法直接解決業(yè)務(wù)需求，需要根據(jù)復(fù)雜的業(yè)務(wù)場景和目標(biāo)，融合多種技術(shù)能力和業(yè)務(wù)知識，形成可規(guī)?；涞氐漠a(chǎn)品和服務(wù)。在此過程中，人工智能在數(shù)據(jù)、算法、行業(yè)know-how、服務(wù)方式、ROI等方面都面臨新的挑戰(zhàn)。

人工智能助力

企業(yè)數(shù)字化轉(zhuǎn)型

的三個價值層次

企業(yè)數(shù)字化轉(zhuǎn)型正在走向深入。從信息化走向在線化、智能化的過程中，隨著數(shù)據(jù)量的增長和業(yè)務(wù)場景復(fù)雜度的提升，企業(yè)必然需要應(yīng)用人工智能技術(shù)。具體而言，人工智能助力企業(yè)數(shù)字化轉(zhuǎn)型的價值分為自動化、智能化、創(chuàng)新化三個層次。

自動化，是依靠計算機(jī)視覺、智能語音等感知技術(shù)提升業(yè)務(wù)自動化程度，并不改變原有業(yè)務(wù)流程，而由機(jī)器替代人來自動執(zhí)行業(yè)務(wù)流程，從而提升效率，降低成本。典型的場景，例如工業(yè)機(jī)器人取代工人進(jìn)行分揀、組裝等重復(fù)性勞動；醫(yī)學(xué)影像領(lǐng)域，人工智能系統(tǒng)輔助閱片，提升醫(yī)生診斷效率；廣告營銷領(lǐng)域的程序化廣告投放等。

智能化，是基于機(jī)器學(xué)習(xí)、知識圖譜等技術(shù)，讓機(jī)器具備感知分析和決策能力，可以完成人力無法實(shí)現(xiàn)的工作，對業(yè)務(wù)流程進(jìn)行改造，創(chuàng)造增量價值。例如在安防領(lǐng)域，基于行業(yè)知識圖譜技術(shù)在幾億個實(shí)體中尋找隱性關(guān)系，發(fā)現(xiàn)團(tuán)伙作案的行為，人力無法處理如此大數(shù)據(jù)量的分析。零售領(lǐng)域，基于門店歷史銷售數(shù)據(jù)，通過機(jī)器學(xué)習(xí)構(gòu)建銷量預(yù)測模型，實(shí)現(xiàn)銷量預(yù)測，實(shí)現(xiàn)遠(yuǎn)高于依靠經(jīng)驗(yàn)預(yù)測的準(zhǔn)確度，降低庫存和損耗。

創(chuàng)新化，是人工智能與行業(yè)深度融合后重塑業(yè)務(wù)流程和產(chǎn)業(yè)鏈，形成新的商業(yè)模式甚至新的細(xì)分行業(yè)。例如，基于計算機(jī)視覺的智能貨柜，相比傳統(tǒng)機(jī)械式無人售貨機(jī)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(chuàng)新潛力的人工智能落地方向，一旦無人駕駛技術(shù)成熟，傳統(tǒng)汽車行業(yè)從主機(jī)廠到用車場景的產(chǎn)業(yè)鏈關(guān)系將被顛覆。

人工智能落地面臨的挑戰(zhàn)

從自動化到智能化和創(chuàng)新化，人工智能創(chuàng)造的價值在不斷增長。同時，業(yè)務(wù)場景的復(fù)雜度也在不斷提升，為人工智能技術(shù)的落地帶來一系列挑戰(zhàn)。

1.數(shù)據(jù)

數(shù)據(jù)是人工智能的基礎(chǔ)要素，要把人工智能應(yīng)用到業(yè)務(wù)當(dāng)中，首先需要解決數(shù)據(jù)獲取和數(shù)據(jù)治理問題。

在人臉識別等單點(diǎn)場景，涉及到的數(shù)據(jù)類型一般比較簡單。但在更完整的業(yè)務(wù)場景中，需要采集和分析的數(shù)據(jù)會變得更加復(fù)雜，往往涉及到多源異構(gòu)數(shù)據(jù)、時序數(shù)據(jù)等，數(shù)據(jù)存儲和治理的難度大幅提升。例如，在工業(yè)場景，就涉及到工業(yè)現(xiàn)場圖像數(shù)據(jù)、工藝流程文本數(shù)據(jù)和設(shè)備運(yùn)行的時序數(shù)據(jù)等。

面對數(shù)據(jù)治理的挑戰(zhàn)，需要新的數(shù)據(jù)治理手段。目前，比較成熟的手段是用大數(shù)據(jù)湖的模式，同時兼顧結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的處理，并可以實(shí)現(xiàn)更低成本的存儲，更好地支撐人工智能算法的數(shù)據(jù)調(diào)用。

此外，數(shù)據(jù)使用合規(guī)的挑戰(zhàn)也日益突出。一方面，涉及到個人隱私方面的數(shù)據(jù)保護(hù)政策趨嚴(yán)，對數(shù)據(jù)的使用需要更加關(guān)注安全問題。另一方面，涉及到數(shù)據(jù)的歸屬權(quán)問題，出于數(shù)據(jù)安全的考慮，歸屬于不同主體的數(shù)據(jù)往往很難實(shí)現(xiàn)流動和融合打通。這些因素，會限制人工智能對于數(shù)據(jù)的使用。

對于數(shù)據(jù)歸屬權(quán)限制的問題，目前的應(yīng)對策略之一是采用聯(lián)邦學(xué)習(xí)等新技術(shù)，在底層數(shù)據(jù)不進(jìn)行交換的前提下進(jìn)行加密訓(xùn)練，可以實(shí)現(xiàn)聯(lián)合建模，并保護(hù)數(shù)據(jù)隱私。

另外，在模型訓(xùn)練前的數(shù)據(jù)標(biāo)注環(huán)節(jié)，隨著建模不斷深入垂直行業(yè)的細(xì)分業(yè)務(wù)場景，數(shù)據(jù)標(biāo)注的復(fù)雜度提升，要求標(biāo)注人員掌握更復(fù)雜的行業(yè)知識，進(jìn)一步提升了數(shù)據(jù)標(biāo)注的門檻和成本。例如，醫(yī)療領(lǐng)域?qū)︶t(yī)療影像和文本的標(biāo)注，需要具備醫(yī)學(xué)專業(yè)知識的人員進(jìn)行。從數(shù)據(jù)類型來看，文本類、3D圖像類數(shù)據(jù)不斷增加，標(biāo)注復(fù)雜度高于早期的平面圖像類數(shù)據(jù)。

在數(shù)據(jù)標(biāo)注方面，可以看到一些第三方的數(shù)據(jù)標(biāo)注平臺正在興起。第三方數(shù)據(jù)標(biāo)注平臺一方面通過受培訓(xùn)的專業(yè)團(tuán)隊(duì)和定制化的服務(wù)，來解決數(shù)據(jù)采集、數(shù)據(jù)標(biāo)注的質(zhì)量和成本問題；另一方面，也通過研發(fā)一些自動化的輔助工具，通過技術(shù)手段來提升數(shù)據(jù)標(biāo)注流程的效率。

2.算法模型

在算法模型層面，人工智能在與業(yè)務(wù)系統(tǒng)結(jié)合的過程中面臨的挑戰(zhàn)是模型的可解釋性問題。從原理上，大部分基于深度學(xué)習(xí)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(yè)、醫(yī)療等行業(yè)的生產(chǎn)環(huán)境時，出于安全風(fēng)險控制、監(jiān)管合規(guī)等因素考慮，直接應(yīng)用到業(yè)務(wù)系統(tǒng)的模型需要具備符合業(yè)務(wù)邏輯的可解釋性，讓業(yè)務(wù)人員和決策者、監(jiān)管層能夠理解，否則將難以落地。

正因如此，“可解釋AI”被稱為人工智能的圣杯，日益受到行業(yè)關(guān)注。實(shí)際落地中，可以采用深度學(xué)習(xí)算法與經(jīng)典統(tǒng)計類規(guī)則結(jié)合的方式來進(jìn)行建模，來解決模型可解釋性問題。

例如，芯盾時代針對金融的反欺詐場景研發(fā)的反欺詐引擎，其智能決策環(huán)節(jié)由兩部分組成：一部分是規(guī)則引擎，是基于100多個金融業(yè)務(wù)風(fēng)險場景建立的上千組反欺詐規(guī)則和模型；另外一部分是無監(jiān)督機(jī)器學(xué)習(xí)引擎。兩者結(jié)合，共同構(gòu)建智能的反欺詐系統(tǒng)，適應(yīng)金融客戶的需求。

3.行業(yè)know-how

從理解業(yè)務(wù)需求到建模分析，行業(yè)know-how是人工智能賦能業(yè)務(wù)的前提和必備能力。隨著人工智能從感知走向認(rèn)知，要解決的業(yè)務(wù)問題從單個業(yè)務(wù)場景、單點(diǎn)問題，向業(yè)務(wù)全流程演進(jìn)，行業(yè)know-how的復(fù)雜度和壁壘變得更高，給技術(shù)驅(qū)動的人工智能服務(wù)商帶來更大的挑戰(zhàn)。

在這樣的背景下，單純依靠業(yè)務(wù)經(jīng)驗(yàn)積累難以解決行業(yè)know-how不足的問題，人工智能算法與專家經(jīng)驗(yàn)和業(yè)務(wù)規(guī)則結(jié)合的重要性凸顯，知識圖譜技術(shù)成為重要的解決方案。先通過建立統(tǒng)一的知識圖譜來實(shí)現(xiàn)知識融合，再進(jìn)一步推進(jìn)人工智能的快速落地應(yīng)用，是解決行業(yè)know-how問題的比較可行的方式。

4.服務(wù)方式

人工智能落地過程中，還需要考慮服務(wù)方式的問題。企業(yè)用戶的需求是實(shí)現(xiàn)具體的業(yè)務(wù)目標(biāo)，并保證系統(tǒng)持續(xù)運(yùn)營，而且傳統(tǒng)企業(yè)往往不具備很強(qiáng)的技術(shù)能力。

因此，標(biāo)準(zhǔn)化的人工智能技術(shù)產(chǎn)品或者API輸出的模式，無法解決業(yè)務(wù)人員的最終需求，而是需要根據(jù)具體業(yè)務(wù)場景提供定制化的解決方案，并封裝成可直接應(yīng)用到業(yè)務(wù)系統(tǒng)的產(chǎn)品，需要“AI+產(chǎn)品”。此外，甚至還需要提供持續(xù)的業(yè)務(wù)運(yùn)營服務(wù)，以保證最終業(yè)務(wù)效果的達(dá)成，需要“AI+服務(wù)”。

另一方面，人工智能服務(wù)商也需要考慮自身業(yè)務(wù)模式的問題，避免過于定制化和重服務(wù)。例如，可以通過中臺化的方式賦能前端業(yè)務(wù)人員，共同為客戶解決業(yè)務(wù)問題。中臺層把各項(xiàng)通用能力都中臺化，基于中臺支撐賦能前端人員去服務(wù)客戶的業(yè)務(wù)運(yùn)營，共同推動解決方案的落地和業(yè)務(wù)目標(biāo)的達(dá)成。

5.ROI

目前，企業(yè)用戶投入人工智能應(yīng)用仍然會面臨成本過高的問題。一方面，涉及到芯片等硬件在內(nèi)的智能化產(chǎn)品成本仍然較高。另一方面，人工智能應(yīng)用對專業(yè)人員的依賴非常大，而算法工程師等人工智能人才的成本也很高。這導(dǎo)致對于某些行業(yè)而言，ROI成為限制人工智能應(yīng)用規(guī)?；涞氐淖畲笞璧K。

在成本方面，可以看到數(shù)據(jù)科學(xué)平臺等產(chǎn)品的涌現(xiàn)，正在提升人工智能建模的自動化程度。數(shù)據(jù)科學(xué)平臺可以在數(shù)據(jù)準(zhǔn)備、模型建立、決策部署、模型管理等方面實(shí)現(xiàn)自動化，降低整個業(yè)務(wù)流程對算法工程師的依賴，從而降低人工智能應(yīng)用的成本。此外，未來我們還會看到算法的進(jìn)步和人工智能芯片成本的下降。