轉(zhuǎn)眼間，2019年只剩下不到兩個月了。人工智能的熱度依舊，只是在資本市場，看空的投資人也越來越多了。從當(dāng)年大數(shù)據(jù)的發(fā)展趨勢看，這種情況反而對產(chǎn)業(yè)發(fā)展是有利的。因?yàn)檫@意味著，進(jìn)入賽道的野蠻競爭玩家會越來越少。

對于已經(jīng)拿到賽道入場券的選手來說，如何合理配置手中的資源成為生死存亡的關(guān)鍵，同時細(xì)分市場上的領(lǐng)頭羊可能在這樣焦灼的市場競爭中成長為獨(dú)角獸。

對于從事大數(shù)據(jù)與人工智能相關(guān)領(lǐng)域多年的人來說，其最終目標(biāo)還是“從數(shù)據(jù)中挖掘價值”。在挖掘價值時，具體某類技術(shù)只是整個過程中某個階段的輔助工具，單純某類技術(shù)解決不了所有問題。因此，我們基于“最終目標(biāo)”劃分三大類場景去運(yùn)用“大數(shù)據(jù)”和“人工智能”構(gòu)建整體解決方案：

一.尋找業(yè)務(wù)增長點(diǎn)：數(shù)據(jù)建模能力成為核心，當(dāng)前Fintech/Regtech領(lǐng)域需求廣泛

核心要素：幫助企業(yè)解決經(jīng)營決策中遇到的數(shù)據(jù)支撐問題。無論是營銷還是風(fēng)控，最終都是通過一些報(bào)表、模型去輔助業(yè)務(wù)人員做決策。

解決方案：機(jī)器學(xué)習(xí)類產(chǎn)品已經(jīng)成為金融行業(yè)尋求業(yè)務(wù)增長點(diǎn)的標(biāo)配工具，同時越來越多的傳統(tǒng)行業(yè)也開始使用大數(shù)據(jù)、人工智能等技術(shù)做輔助決策。

解決方案難點(diǎn)：由于跟業(yè)務(wù)結(jié)合緊密，雖然已經(jīng)在不同行業(yè)開始落地，但實(shí)際進(jìn)展緩慢。由于業(yè)務(wù)的特殊性，往往不能夠單單通過算法本身去解決所有業(yè)務(wù)問題。這同時也意味著，交付目標(biāo)以及實(shí)施周期的不確定性。

二、加深業(yè)務(wù)壁壘：知識中樞成為重要工具，當(dāng)前金融/安全等行業(yè)試點(diǎn)較多

核心要素：對現(xiàn)有業(yè)務(wù)實(shí)現(xiàn)優(yōu)化。

解決方案：在這一場景中，知識中樞運(yùn)用較多。我們將三大塊技術(shù)：知識圖譜、搜索引擎、深度圖譜糅合進(jìn)知識中樞的概念中。首先通過搜索引擎進(jìn)行行業(yè)知識檢索，再通過知識圖譜進(jìn)行概念串聯(lián)，最后通過深度圖譜進(jìn)行行業(yè)知識推理。

解決方案難點(diǎn)：如何將行業(yè)知識抽象出來，形成公司內(nèi)部的知識系統(tǒng)，從而有針對性地對現(xiàn)有業(yè)務(wù)流程、具體業(yè)務(wù)點(diǎn)進(jìn)行整體優(yōu)化。

三、降低業(yè)務(wù)成本：自動化成為基礎(chǔ)要素，當(dāng)前能源/交通等行業(yè)突破開始

核心要素：如何減少人工干預(yù)。

解決方案：現(xiàn)有的場景中，偏業(yè)務(wù)性質(zhì)的自動化可以通過RPA等技術(shù)實(shí)現(xiàn)。RPA本身技術(shù)門檻不高，但在NLP、OCR、CV等AI技術(shù)帶領(lǐng)下，已逐步被用在越來越多的場景中。另一方面，由于圖像識別以及5G、邊緣計(jì)算的推動，越來越多的安防監(jiān)控、無人巡檢等AIOT場景開始落地。相對于RPA，AIOT的場景給客戶業(yè)務(wù)帶來的顛覆跟價值更大。

解決方案難點(diǎn)：現(xiàn)實(shí)場景中的有效樣本較少，影響模型的準(zhǔn)確率和落地。

下面我們將結(jié)合三種不同的場景來闡述六大AI趨勢。

01

趨勢一：Fintech/Regtech AI落地過程中，AI平臺逐步成為事實(shí)標(biāo)準(zhǔn)

AI平臺，在很多地方又稱為AI中臺/數(shù)據(jù)科學(xué)平臺/機(jī)器學(xué)習(xí)平臺/人工智能平臺，主要涵蓋的功能除了傳統(tǒng)統(tǒng)計(jì)分析軟件包含的功能以外，還包括大數(shù)據(jù)、分布式計(jì)算平臺、NLP、CV等能力。

行業(yè)先行者在探索AI落地過程中，逐步意識到AI平臺的重要性。從一開始只針對幾個小的業(yè)務(wù)線進(jìn)行試點(diǎn)，到后續(xù)在更多的場景中推動落地，大家達(dá)成共識：與數(shù)據(jù)中臺類似，煙囪式的各自為政只會使得后續(xù)AI的落地愈加艱難。

AI平臺在Fintech市場的爆發(fā)，驗(yàn)證了一個基本事實(shí)：只要業(yè)務(wù)領(lǐng)域有足夠通用的需求，就會出現(xiàn)足夠通用的平臺。數(shù)據(jù)庫本身是上一個數(shù)據(jù)的事實(shí)標(biāo)準(zhǔn)，而AI平臺則沒有一個明確的定位。由于這個想象空間，AI平臺便成了各大玩家的必爭之地。

02

趨勢二：數(shù)據(jù)建模開始在非金融行業(yè)的龍頭企業(yè)流行，國產(chǎn)化趨勢明顯

AI平臺在其他行業(yè)的試點(diǎn)也如同星星之火。雖然其他傳統(tǒng)行業(yè)的信息化水平普遍比金融略低，但也在迎頭趕上。往往這些行業(yè)取得的成果比金融要多，這是因?yàn)闈M地都是順手可摘的果子，成果落地比金融行業(yè)相對容易。

這些企業(yè)原本可能使用的是SAS、SPSS或者Matlab等國外產(chǎn)品，現(xiàn)在可能在試用國產(chǎn)AI平臺。一方面是因?yàn)镾AS等產(chǎn)品不足以支撐最新流行的框架算法，另一方面也有國產(chǎn)化層面的考量。

AI平臺作為人工智能基礎(chǔ)平臺，本身需要對各領(lǐng)域?qū)I(yè)算法具備深入理解以及實(shí)現(xiàn)的能力。同時作為平臺，也有通用性、高性能以及安全可靠等各方面的平臺需求，對相關(guān)研發(fā)人員有極高的技術(shù)要求。當(dāng)前，國產(chǎn)平臺跟SAS等比較，整體還是略占劣勢，但是在某些細(xì)分領(lǐng)域已經(jīng)實(shí)現(xiàn)了超越。

03

趨勢三：圖譜應(yīng)用開始在全行業(yè)推廣，偽需求略多，注意辨別

圖譜類的應(yīng)用，主要對應(yīng)于上面提到的“知識中樞”。基于“知識中樞”去做特定行業(yè)的圖譜類應(yīng)用已經(jīng)在市場上流行了一段時間。

只是，一方面由于客戶對這塊有不切實(shí)際的要求，另一方面，大多數(shù)實(shí)施圖譜應(yīng)用的廠商能力參差不齊，實(shí)際項(xiàng)目也沒辦法最終落地。

2020年對大多數(shù)圖譜類應(yīng)用，客戶會有一個更清醒的認(rèn)識：做什么它擅長，做什么它不行，應(yīng)該怎樣做，都會有一定的經(jīng)驗(yàn)。這也對圖譜應(yīng)用有更高的技術(shù)層面的要求，同時也對NLP算法以及圖譜算法有更多落地層面的考量，包括性能、實(shí)施周期、最終效果等。

04

趨勢四：深度圖譜在反欺詐、反洗錢、犯罪團(tuán)伙分析等場景開始落地

由于深度學(xué)習(xí)自身相關(guān)技術(shù)的停滯，將深度學(xué)習(xí)與圖譜結(jié)合成為了學(xué)術(shù)界的主攻方向。而在反欺詐、反洗錢、犯罪團(tuán)隊(duì)分析等場景下，復(fù)雜網(wǎng)絡(luò)分析已經(jīng)成為主流的分析手段。通過深度學(xué)習(xí)與圖譜的融合，深度圖譜給傳統(tǒng)的圖譜分析帶來了圖譜推理的能力，從而將原有的模型精度提升到另一個高度。

然而，一旦涉及到落地，故事并沒有那么簡單。一方面，同大多數(shù)AI應(yīng)用一樣，落地過程是比較曲折和復(fù)雜的。本身模型精度需要不斷迭代，同時也需要對業(yè)務(wù)非常熟悉的人員進(jìn)行及時反饋，這就導(dǎo)致對業(yè)務(wù)跟算法的要求都非常高，一旦實(shí)施過程中出現(xiàn)偏差，容易有挫敗感。另外，在一些對實(shí)時性要求比較高的場景中，對底層圖數(shù)據(jù)庫的性能也有要求。而當(dāng)前的市場上，圖數(shù)據(jù)庫廠商雖然多，但大多數(shù)時候沒有懂技術(shù)的人員去調(diào)優(yōu)，使得真正能同時滿足性能要求和算法要求的圖數(shù)據(jù)庫鳳毛麟角。

△反洗錢深度圖譜構(gòu)建

△深度圖譜建模

05

趨勢五：視頻圖像類應(yīng)用的碎片化與場景化成為AI快速落地推廣的攔路虎

CV類場景是引爆AI大火的導(dǎo)火索，同時，由于大多圖像場景偏識別類，跟業(yè)務(wù)離得比較遠(yuǎn)，可以大規(guī)模地在市場上擴(kuò)張。

不過，我們可以驚奇地看到，CV類的需求還在不停地膨脹。這是因?yàn)椋?dāng)前市場的CV巨頭在人臉、車輛等通用需求方面進(jìn)行了大規(guī)模落地，而對于一些偏碎片化的場景，比如設(shè)備故障識別、異常識別，甚至特殊場景的人臉識別，都缺乏足夠的技術(shù)支撐與耐心去推動落地。 因此，怎樣提升CV場景落地的效率成為大多數(shù)CV從業(yè)者的主要工作方向，這里面包括多個維度：第一，從科研層面去革新算法，第二，從工具層面去落實(shí)標(biāo)注、訓(xùn)練、部署等的一體化平臺，第三，從市場角度定義行業(yè)通用化的場景，第四，從技術(shù)角度去優(yōu)化模型，從而降低實(shí)施成本。 在這個大背景下，四大CV獨(dú)角獸也好，互聯(lián)網(wǎng)巨頭也好，都試圖去推動平臺的落地。然而，在這樣的“四維”要求下，要踏踏實(shí)實(shí)地在細(xì)分場景中打磨通用模型、平臺，談何容易。但這也讓耕耘細(xì)分行業(yè)的小CV廠商有足夠的空間去摸索。

06

趨勢六：AIOT物聯(lián)網(wǎng)場景沒有大規(guī)模的需求爆發(fā)，細(xì)分行業(yè)開始出現(xiàn)落地

我們看到，所謂的AIOT場景，主要還是CV類場景帶動，但一些深入需求（如需要傳感器數(shù)據(jù)參與的預(yù)測性維護(hù)類場景）落地較少。

這跟“智能制造”的特點(diǎn)比較相關(guān)。客戶在車間現(xiàn)場通常需要一個開箱即用的產(chǎn)品，而大多數(shù)AI類場景需要足夠多的時間去打磨。另外，大多數(shù)工業(yè)場景需要的不僅僅是大量有價值的數(shù)據(jù)，還需要對工業(yè)場景有深刻的理解。

首先，“大量有價值”的數(shù)據(jù)本身不大可能獲得。比如，在預(yù)測性維護(hù)的場景下，所謂“有價值”，就是指相同或者類似的設(shè)備歷史上出現(xiàn)故障的時候?qū)?yīng)的數(shù)據(jù)，這種數(shù)據(jù)當(dāng)然很少。其次，在部分異常數(shù)據(jù)的加持下，一般的統(tǒng)計(jì)分析算法可能分析不出什么。這跟金融類的風(fēng)控場景不同，風(fēng)控場景考驗(yàn)的是人性，從人性的角度去做一定深度的分析，并結(jié)合算法就可以取得不錯的效果。而對于設(shè)備，這里需要的是一個深刻理解機(jī)械原理的算法專家。

即使面對這樣的困境，我們還是看到了一些制造業(yè)企業(yè)開始摩拳擦掌，雖然深入的AI算法用不上，簡單的BI也能提供價值嘛。

只是感嘆，Predix還是出來太早了，那2020年會有突破嗎？還是得看“智能制造”的內(nèi)生動力多大，期望一些細(xì)分場景會有落地。

人工智能的2019年注定是平靜的一年，因?yàn)榧夹g(shù)爆發(fā)以及投資引導(dǎo)時期已過，避免不了被冷清。然而，正如大多數(shù)技術(shù)周期一樣，當(dāng)技術(shù)本身有價值且具備落地能力的時候，技術(shù)落地的過程逐步展開。 我們相信對于大多數(shù)在探索人工智能落地過程的從業(yè)人員來說，故事才剛剛開始。而對于參與炒作概念的玩家來說，也找到了新的方向：區(qū)塊鏈。 從更宏觀的數(shù)字化轉(zhuǎn)型的角度來看，還有太多的事情值得大家去落實(shí)。抓緊2019年的尾巴好好做幾個落地項(xiàng)目吧。