(網(wǎng)經(jīng)社訊)
一. 認(rèn)知智能行業(yè)概覽
二. 認(rèn)知智能的落地條件及挑戰(zhàn)
三. 認(rèn)知智能的市場(chǎng)空間分析
四. 認(rèn)知智能的重要場(chǎng)景應(yīng)用分析
五. 認(rèn)知智能的未來(lái)趨勢(shì)
六. 認(rèn)知智能廠商競(jìng)爭(zhēng)分析及典型廠商介紹
關(guān)于愛(ài)分析
法律聲明
認(rèn)知智能行業(yè)概覽
1.1 AI行業(yè)圖譜及認(rèn)知智能定位
人工智能（AI）是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新技術(shù)科學(xué)。人工智能領(lǐng)域的研究包括機(jī)器人、機(jī)器學(xué)習(xí)、圖像識(shí)別、NLP和專家系統(tǒng)等。
人類基于視覺(jué)、觸覺(jué)、聽(tīng)覺(jué)等具備對(duì)環(huán)境的感知，基于知識(shí)庫(kù)和邏輯理解形成對(duì)世界的認(rèn)知，并在此基礎(chǔ)上展開(kāi)相應(yīng)的行動(dòng)。人工智能對(duì)人的模擬也分為感知智能、認(rèn)知智能 、以及行動(dòng)智能三個(gè)層面，也是人工智能行業(yè)發(fā)展的三個(gè)階段 。
人工智能對(duì)人智能模擬的實(shí)現(xiàn)，建立在數(shù)據(jù)、知識(shí)及其算法之上，因此數(shù)據(jù)是人工智能領(lǐng)域最重要的生產(chǎn)資料。從感知、認(rèn)知到行動(dòng)的三大發(fā)展階段，也代表了數(shù)據(jù)處理的流程和深度。
感知智能主要是數(shù)據(jù)識(shí)別，只需要完成對(duì)大規(guī)模數(shù)據(jù)的采集，以及對(duì)圖像、視頻、聲音等類型的數(shù)據(jù)進(jìn)行特征抽取，完成結(jié)構(gòu)化處理。
認(rèn)知智能則需要在數(shù)據(jù)結(jié)構(gòu)化處理的基礎(chǔ)上，理解數(shù)據(jù)之間的關(guān)系和邏輯，并在理解的基礎(chǔ)上進(jìn)行分析和決策，即認(rèn)知智能包括理解、分析、決策三個(gè)環(huán)節(jié)。
行動(dòng)智能是在認(rèn)知智能基礎(chǔ)之上的執(zhí)行，主要是人機(jī)協(xié)同。人機(jī)協(xié)同是在復(fù)雜的環(huán)境下，以知識(shí)（比如知識(shí)圖譜）為支撐，進(jìn)行數(shù)據(jù)推理，合理調(diào)度資源，使人類智能、人工智能和組織智能有效結(jié)合，打通感知、認(rèn)知和行動(dòng)的智能系統(tǒng)。
比如在公安場(chǎng)景下，知識(shí)圖譜有16億實(shí)體，數(shù)據(jù)比較全，是人工智能展現(xiàn)能力的絕佳場(chǎng)景。在做人物關(guān)系的二度或三度搜索時(shí)，其搜索復(fù)雜度與數(shù)據(jù)量是指數(shù)級(jí)關(guān)系，如果單純靠機(jī)器來(lái)做，5個(gè)禮拜或者5個(gè)小時(shí)以后，才能做出空間的全景搜索，耗時(shí)相當(dāng)長(zhǎng)；如果人機(jī)協(xié)同，結(jié)合人類經(jīng)驗(yàn)和洞察，看到哪一個(gè)點(diǎn)有線索就瞄準(zhǔn)這一個(gè)方向調(diào)查，判斷可能存在線索和可疑之處，進(jìn)行深入探查，就能快速得出結(jié)論，高效解決問(wèn)題。
1.1.1 感知智能—基于數(shù)據(jù)識(shí)別的場(chǎng)景應(yīng)用
感知智能是指將物理世界的數(shù)據(jù)通過(guò)攝像頭、麥克風(fēng)或者其他傳感器等方式進(jìn)行采集，借助語(yǔ)音識(shí)別、圖像識(shí)別等技術(shù)，映射到數(shù)字世界，并做標(biāo)準(zhǔn)化、結(jié)構(gòu)化處理，一方面實(shí)現(xiàn)在特定場(chǎng)景的應(yīng)用落地；另一方面可將數(shù)據(jù)提升至可認(rèn)知的層次，即將信息翻譯成及人類可理解、并用于分析和決策的數(shù)據(jù)，為認(rèn)知智能提供數(shù)據(jù)基礎(chǔ)。
在感知智能階段，人工智能的核心價(jià)值在于進(jìn)行數(shù)據(jù)的采集和處理，主要是圖像、語(yǔ)音、和文字的識(shí)別，分別對(duì)應(yīng)計(jì)算機(jī)視覺(jué)、智能語(yǔ)音和NLP三大技術(shù)。
計(jì)算機(jī)視覺(jué)主要實(shí)現(xiàn)產(chǎn)業(yè)應(yīng)用中對(duì)圖像或者視頻內(nèi)物體/場(chǎng)景識(shí)別、分類、定位、檢測(cè)、圖像分割等功能的需求，目前已被廣泛應(yīng)用于視頻監(jiān)控、自動(dòng)駕駛、車輛/人臉識(shí)別、醫(yī)學(xué)影像分析、機(jī)器人自主導(dǎo)航、工業(yè)自動(dòng)化系統(tǒng)、航空以及遙感器測(cè)量等領(lǐng)域。
智能語(yǔ)音技術(shù)主要是指語(yǔ)音識(shí)別與合成、語(yǔ)音增強(qiáng)、聲紋識(shí)別等，人機(jī)語(yǔ)音交互和語(yǔ)音控制中的主要部分是NLP中的人機(jī)對(duì)話部分。當(dāng)前已廣泛應(yīng)用于智能音箱、語(yǔ)音助手等領(lǐng)域。2018年第一季度，谷歌和亞馬遜的智能音箱出貨量分別為320萬(wàn)臺(tái)、和250萬(wàn)臺(tái)，根據(jù)清華大學(xué)中國(guó)科技政策研究中心發(fā)布的《中國(guó)人工智能發(fā)展報(bào)告2018》，近幾年智能音箱的年復(fù)合增長(zhǎng)率超過(guò)30%。
感知智能階段的NLP，主要是進(jìn)行文本結(jié)構(gòu)識(shí)別、關(guān)鍵詞匹配等，完成文本識(shí)別類任務(wù)并給出反饋，屬于NLP技術(shù)的初級(jí)應(yīng)用。比如在檢索中提取關(guān)鍵字并按照相關(guān)度為用戶呈現(xiàn)檢索結(jié)果，此時(shí)的機(jī)器并無(wú)法理解詞語(yǔ)、以及句子所表達(dá)的意思。
而更高級(jí)階段的NLP則能夠基于詞性標(biāo)注、實(shí)體命名識(shí)別、關(guān)系抽取等功能，從各類數(shù)據(jù)源中提取特定類型的信息，將非結(jié)構(gòu)化文本轉(zhuǎn)化成結(jié)構(gòu)化的文本，再通過(guò)語(yǔ)義分析掌握用戶需求，并基于與知識(shí)圖譜的融合，最終為用戶提供分析決策。
比如檢索“周杰倫的雙截棍”，基于知識(shí)圖譜的搜索引擎，背后有知識(shí)庫(kù)支撐，能夠自動(dòng)將周杰倫識(shí)別為人名，將雙截棍識(shí)別為歌名，我們就能理解用戶的搜索意圖是—歌手周杰倫的歌曲《雙截棍》。
不管是從感知智能技術(shù)發(fā)展，還是行業(yè)應(yīng)用普及來(lái)看，人工智能的第一階段——感知智能已經(jīng)到了行業(yè)發(fā)展成熟期。
斯坦福百年研究（AI 100）發(fā)布的全球“2018年人工智能指數(shù)”（AI Index）報(bào)告指出，計(jì)算機(jī)視覺(jué)領(lǐng)域的人工智能性能正在不斷提升。
比如，通過(guò)測(cè)試廣泛使用的圖像訓(xùn)練庫(kù)ImageNet的基準(zhǔn)性能，啟動(dòng)按照最新精度對(duì)圖片進(jìn)行分類的模型的時(shí)間，已經(jīng)從1小時(shí)下降至4分鐘，意味著訓(xùn)練速度提升約15倍。MIT媒體實(shí)驗(yàn)室的數(shù)據(jù)也顯示，在真笑和假笑的表情識(shí)別測(cè)試中，當(dāng)前最優(yōu)算法的成功率達(dá)到93%，表現(xiàn)大幅度優(yōu)于人類。
在智能語(yǔ)音方面，百度、科大訊飛、搜狗等主流平臺(tái)識(shí)別準(zhǔn)確率均在97%以上。科大訊飛擁有深度全序列卷積神經(jīng)網(wǎng)絡(luò)語(yǔ)音識(shí)別框架，實(shí)驗(yàn)條件下語(yǔ)音輸入法的識(shí)別準(zhǔn)確率達(dá)到了 98%；阿里巴巴人工智能實(shí)驗(yàn)室通過(guò)語(yǔ)音識(shí)別技術(shù)開(kāi)發(fā)了聲紋購(gòu)物功能的 人工智能產(chǎn)品。
感知智能的發(fā)展主要得益于計(jì)算機(jī)視覺(jué)和智能語(yǔ)音技術(shù)的滲透，以及硬件的進(jìn)步，當(dāng)前，感知智能應(yīng)用已經(jīng)在各行各業(yè)開(kāi)始普及，實(shí)現(xiàn)多場(chǎng)景落地。
在各個(gè)場(chǎng)景應(yīng)用中，智能安防是感知智能最大的場(chǎng)景應(yīng)用，誕生了商湯、曠世、依圖、云從等獨(dú)角獸級(jí)別企業(yè)，此外，華為、海康威視等企業(yè)也在智能安防領(lǐng)域布局。
安防主要是基于對(duì)大量圖像、視頻數(shù)據(jù)的標(biāo)注，訓(xùn)練出能夠識(shí)行人、車輛、建筑等的模型，應(yīng)用于治安防控領(lǐng)域，包含警用和民用兩個(gè)方向。其中警用主要是實(shí)時(shí)分析圖像和視頻，及時(shí)從海量的視頻端識(shí)別人員、車輛信息、或者直接追蹤犯罪嫌疑人，極大的提升案件偵查、抓捕等工作的效率。民用領(lǐng)域主要是人臉門禁打卡、機(jī)場(chǎng)安檢、發(fā)現(xiàn)盜竊等場(chǎng)景。
感知智能進(jìn)入行業(yè)成熟期的另一個(gè)重要標(biāo)志是，已經(jīng)開(kāi)始在工業(yè)、農(nóng)業(yè)等傳統(tǒng)領(lǐng)域滲透。
浙江正泰新能源是國(guó)內(nèi)規(guī)模最大的民營(yíng)光伏發(fā)電企業(yè)，企業(yè)在生產(chǎn)電池片過(guò)程中都是通過(guò)肉眼做產(chǎn)品質(zhì)檢，成本高、效率低。有了以計(jì)算機(jī)視覺(jué)為主的感知智能滲透，質(zhì)檢檢出率和效率得以雙雙提升。
通過(guò)阿里云AI圖像技術(shù)，企業(yè)可以通過(guò)深度學(xué)習(xí)與圖像處理技術(shù)進(jìn)行自動(dòng)產(chǎn)品缺陷判定，令碎片率（瑕疵品）下降50%。而且，從圖像拍攝到數(shù)據(jù)接收、處理，到數(shù)據(jù)上傳MES系統(tǒng)做缺陷判定，再到MES系統(tǒng)下達(dá)指令給機(jī)械手臂抓取缺陷產(chǎn)品，整個(gè)過(guò)程無(wú)需人工干預(yù)，且耗時(shí)不到一秒，僅為原先的一半。
1.1.2 認(rèn)知智能—基于行業(yè)知識(shí)圖譜的深度應(yīng)用
由于不同領(lǐng)域、不同場(chǎng)景應(yīng)用的識(shí)別技術(shù)相差無(wú)幾，因此感知智能階段，可以提供各行業(yè)通用的識(shí)別解決方案。而認(rèn)知智能則更注重與行業(yè)知識(shí)的融合，在各行各業(yè)的落地應(yīng)用中需要有更細(xì)分的解決方案積累。
感知智能不具備理解和推理能力，從特征抽取和不斷的學(xué)習(xí)訓(xùn)練中完成識(shí)別任務(wù)，機(jī)器解決的多是人類能夠解決的模式識(shí)別類的問(wèn)題，重在提升效率。
認(rèn)知智能是感知智能的進(jìn)階，需要在感知智能的基礎(chǔ)上，結(jié)合行業(yè)知識(shí)，理解數(shù)據(jù)之間的邏輯關(guān)系以及代表的業(yè)務(wù)意義，并在此基礎(chǔ)上進(jìn)行分析和決策。
在認(rèn)知智能階段，機(jī)器能夠通過(guò)知識(shí)圖譜挖掘隱性關(guān)系，洞察“肉眼”無(wú)法發(fā)現(xiàn)的關(guān)系和邏輯，用于最終的業(yè)務(wù)決策，注重行業(yè)知識(shí)圖譜和關(guān)系挖掘，是AI在行業(yè)中更深層次的落地應(yīng)用。
從數(shù)據(jù)處理流程和應(yīng)用環(huán)節(jié)來(lái)看，認(rèn)知智能可以分為連接、分析和決策三大環(huán)節(jié)。
連接環(huán)節(jié)完成業(yè)務(wù)數(shù)字化、以及數(shù)據(jù)結(jié)構(gòu)化，即基于業(yè)務(wù)需要，將業(yè)務(wù)流程全部在線化、數(shù)字化，并加入行業(yè)知識(shí)和場(chǎng)景知識(shí)，完成實(shí)體、屬性、以及實(shí)體之間的關(guān)系梳理，將不同數(shù)據(jù)進(jìn)行分類、統(tǒng)一和結(jié)構(gòu)化，構(gòu)建知識(shí)庫(kù)。
在人工智能第一階段——感知智能的發(fā)展中，計(jì)算機(jī)視覺(jué)和智能語(yǔ)音是核心驅(qū)動(dòng)技術(shù)，NLP則是小何才露尖尖角，完成觸及的文本類數(shù)據(jù)標(biāo)注和識(shí)別；當(dāng)人工智能進(jìn)入認(rèn)知智能階段的發(fā)展，NLP和知識(shí)圖譜開(kāi)始深度結(jié)合，在數(shù)據(jù)處理層面，其價(jià)值是將海量的、非結(jié)構(gòu)化的、異構(gòu)數(shù)據(jù)，轉(zhuǎn)換為機(jī)器能夠更好理解的數(shù)據(jù)，成為行業(yè)應(yīng)用落地的技術(shù)支撐。
比如，在公安領(lǐng)域，連接打通跨警鐘數(shù)據(jù)，可以建立基于知識(shí)圖譜的一體化指揮作戰(zhàn)平臺(tái)，提升預(yù)警研判的準(zhǔn)確度以及犯罪嫌疑人抓捕等行動(dòng)效率。
其中，真正的“數(shù)據(jù)打通”并不是簡(jiǎn)單的系統(tǒng)連接和數(shù)據(jù)對(duì)接、查詢等簡(jiǎn)單應(yīng)用，而是實(shí)現(xiàn)“數(shù)據(jù)為元、全息獲取”的公安大數(shù)據(jù)庫(kù)，建立“人、事、地、物、組織”等動(dòng)態(tài)信息數(shù)字化，并分別對(duì)應(yīng)到受害人、犯罪嫌疑人、作案工具、作案規(guī)模等維度，確定數(shù)據(jù)屬性及其相互之間的基礎(chǔ)關(guān)系，構(gòu)建公安數(shù)據(jù)知識(shí)庫(kù)，實(shí)現(xiàn)業(yè)務(wù)數(shù)字化、數(shù)據(jù)結(jié)構(gòu)化。
分析環(huán)節(jié)主要是根據(jù)提供的數(shù)據(jù)，基于行業(yè)知識(shí)圖譜尋找到合適的結(jié)果，發(fā)現(xiàn)各種潛在的、隱性關(guān)系。
明略科技基于某全國(guó)股份制銀行全行近十年全量數(shù)據(jù)構(gòu)建成“企業(yè)、個(gè)人、機(jī)構(gòu)、賬戶、交易以及行為數(shù)據(jù)”規(guī)模達(dá)十億點(diǎn)百億邊的知識(shí)圖譜數(shù)據(jù)庫(kù)。通過(guò)采用復(fù)雜網(wǎng)絡(luò)、圖計(jì)算等知識(shí)圖譜技術(shù)，實(shí)現(xiàn)海量數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的分析和探索，加強(qiáng)對(duì)業(yè)務(wù)開(kāi)展過(guò)程中的遠(yuǎn)程風(fēng)險(xiǎn)管控能力，深入挖掘只靠人力所不能發(fā)現(xiàn)的問(wèn)題，加強(qiáng)業(yè)務(wù)過(guò)程中的操作風(fēng)險(xiǎn)、員工道德風(fēng)險(xiǎn)管理，提升銀行整體風(fēng)控能力和風(fēng)控效率。
比如，基于生成的客戶關(guān)系網(wǎng)絡(luò)圖譜，可完整展現(xiàn)對(duì)公客戶“個(gè)人-企業(yè)-個(gè)人”的復(fù)雜關(guān)系，構(gòu)建復(fù)雜的資金流轉(zhuǎn)全貌，通過(guò)圖挖掘技術(shù)，挖掘復(fù)雜的隱形關(guān)系和利益共同體，實(shí)現(xiàn)無(wú)死角的資金監(jiān)控管理。
決策環(huán)節(jié)，主要是基于沉淀的行業(yè)Know-how和業(yè)務(wù)經(jīng)驗(yàn)，形成解決方案，從而為客戶解決具體問(wèn)題提供輔助建議以及依據(jù)。
1.1.3 認(rèn)知智能—基于知識(shí)圖譜的隱性關(guān)系挖掘和推理
從實(shí)際行業(yè)落地層面來(lái)看，認(rèn)知智能與感知智能最大的區(qū)別有兩點(diǎn)。一是認(rèn)知智能能夠基于行業(yè)知識(shí)圖譜，挖掘僅靠識(shí)別功能難以完成的隱性關(guān)系；另一方面，認(rèn)知智能不僅能“知其然”，還能“知其所以然”，即具備推理功能。
這兩點(diǎn)的核心支撐都是知識(shí)圖譜。
比如，AI輔助診斷一般的模式為“理解病癥—評(píng)定醫(yī)學(xué)證據(jù)—選擇治療方案”三個(gè)步驟，分別對(duì)應(yīng)認(rèn)知智能連接、分析、決策三個(gè)環(huán)節(jié)。醫(yī)學(xué)知識(shí)圖譜是AI輔助診斷的基礎(chǔ)支撐。
第一步，病癥的獲取包括患者自 述、醫(yī)生檢查、化驗(yàn)結(jié)果分析等，系統(tǒng)會(huì)提取其中關(guān)鍵的特征并結(jié)合患者的歷史健康信息，通過(guò)NLP讀取病歷。
第二步，AI基于已有醫(yī)學(xué)知識(shí)圖譜分析患者病情，除了對(duì)病歷上已有癥狀的分析，也注重可能的并發(fā)癥等隱性關(guān)系的排查。要求患者或醫(yī)生提供某方面的病癥補(bǔ)充，或提示需做的檢查、鑒別要點(diǎn)。
第三步，AI 結(jié)合從文獻(xiàn)、診療標(biāo)準(zhǔn)、臨床指南和臨床經(jīng)驗(yàn)等數(shù)據(jù)積累中學(xué)習(xí)的知識(shí)，通過(guò)知識(shí)圖譜和推理假設(shè)將獲取的病癥信息聯(lián)系起來(lái)，形成可能的結(jié)論、置信度及證據(jù)，并生成診斷結(jié)論和治療方案建議。
最終，醫(yī)生在權(quán)衡療效、副作用、疾病轉(zhuǎn)移及其他因素之后，給出診斷。
作為感知智能的進(jìn)階版，伴隨認(rèn)知智能而來(lái)的，是更高的技術(shù)要求、更廣闊的市場(chǎng)前景、以及更高的行業(yè)進(jìn)入壁壘。
這對(duì)提供認(rèn)知智能解決方案的廠商提出了兩個(gè)方面的要求。一是深耕細(xì)作，注重行業(yè)知識(shí)圖譜的打磨和積累；二是將垂直行業(yè)業(yè)務(wù)經(jīng)驗(yàn)，沉淀到平臺(tái)，并轉(zhuǎn)化為知識(shí)，服務(wù)于業(yè)務(wù)決策。
1.2 AI行業(yè)趨勢(shì)—從感知智能到認(rèn)知智能
當(dāng)前，隨著人工智能在安防、智能音箱等領(lǐng)域的大規(guī)模應(yīng)用落地，整個(gè)人工智能行業(yè)已經(jīng)走過(guò)感知智能階段，進(jìn)入認(rèn)知智能時(shí)代。
體現(xiàn)在兩個(gè)方面，一是人工智能行業(yè)的基礎(chǔ)設(shè)施——數(shù)據(jù)的標(biāo)準(zhǔn)化，已經(jīng)趨于成熟；二是行業(yè)實(shí)際需求的牽引，行業(yè)亟需機(jī)器基于行業(yè)Know-how、業(yè)務(wù)經(jīng)驗(yàn)沉淀提供決策支持類應(yīng)用。
在感知智能階段，智能語(yǔ)音和計(jì)算機(jī)視覺(jué)技術(shù)的成熟，以及NLP技術(shù)在文本識(shí)別等場(chǎng)景的大規(guī)模應(yīng)用，使得大量的多源異構(gòu)、非結(jié)構(gòu)化數(shù)據(jù)，成為可應(yīng)用于知識(shí)庫(kù)和知識(shí)圖譜構(gòu)建的標(biāo)準(zhǔn)化、結(jié)構(gòu)化數(shù)據(jù)，完善了認(rèn)知智能發(fā)展的基礎(chǔ)設(shè)施。
比如，感知智能相關(guān)的機(jī)器視覺(jué)、語(yǔ)音識(shí)別、NLP領(lǐng)域，已有大量的通用數(shù)據(jù)庫(kù)，應(yīng)用于視覺(jué)、語(yǔ)音、文本等各類數(shù)據(jù)的識(shí)別訓(xùn)練。
感知智能在識(shí)別領(lǐng)域的行業(yè)應(yīng)用也早已普及，比如語(yǔ)音識(shí)別、通用物體識(shí)別、人臉識(shí)別、目標(biāo)跟蹤、姿態(tài)識(shí)別等。人工智能的下一場(chǎng)，將進(jìn)入認(rèn)知智能的戰(zhàn)場(chǎng)。
從行業(yè)應(yīng)用角度來(lái)看，在感知智能解決數(shù)據(jù)采集和識(shí)別問(wèn)題的基礎(chǔ)上，各行各業(yè)的業(yè)務(wù)部門開(kāi)始對(duì)認(rèn)知智能帶來(lái)的低運(yùn)營(yíng)成本（比如更高效節(jié)省時(shí)間成本、或者是直接的人力替代）、以及知識(shí)圖譜驅(qū)動(dòng)的業(yè)務(wù)決策有了越來(lái)越明確的訴求。
以認(rèn)知智能滲透較為領(lǐng)先的金融行業(yè)為例，當(dāng)前金融行業(yè)面臨運(yùn)營(yíng)成本高，客戶服務(wù)壓力大；產(chǎn)品服務(wù)單一，無(wú)法很好的覆蓋長(zhǎng)尾客戶；交易欺詐風(fēng)險(xiǎn)高等實(shí)際業(yè)務(wù)問(wèn)題，這些都無(wú)法通過(guò)感知智能技術(shù)解決，而知識(shí)圖譜驅(qū)動(dòng)的認(rèn)知智能則能提供相應(yīng)的解決方案。
基于語(yǔ)義理解的智能客服能夠與客戶就簡(jiǎn)單問(wèn)題進(jìn)行人機(jī)交互，降低金融機(jī)構(gòu)客戶服務(wù)的成本，而且效率和客戶體驗(yàn)都能大大提升。人工客服培訓(xùn)成本高、服務(wù)效果難以統(tǒng)一、而且流動(dòng)性很大。智能客服能夠依靠知識(shí)圖譜回答簡(jiǎn)答的、重復(fù)性的問(wèn)題，減少人工客服使用，提升銀行等金融機(jī)構(gòu)客服效率及效果。不僅僅是金融領(lǐng)域，全行業(yè)來(lái)看，根據(jù)德勤的數(shù)據(jù)，當(dāng)前客服機(jī)器人已替代40%-50%的人工客服工作，預(yù)計(jì)到2020年，85%的客服工作將依靠人工智能完成。
在理財(cái)高端市場(chǎng)，理財(cái)規(guī)劃師能夠提供專屬服務(wù)，但在中產(chǎn)之下的長(zhǎng)尾市場(chǎng)，付費(fèi)能力有限，單靠理財(cái)師也很難覆蓋大眾的個(gè)性化需求。利用大數(shù)據(jù)、人工智能技術(shù)開(kāi)發(fā)的智能投顧，能夠向更多客戶提供個(gè)性服務(wù)，助力零售銀行低成本覆蓋廣大長(zhǎng)尾市場(chǎng)。比如，招商銀行推出的“摩羯智投”可提供投資理財(cái)咨詢，2016年戶均購(gòu)買金額為3.69 萬(wàn)元，機(jī)器在理財(cái)師很難覆蓋的領(lǐng)域大顯身手。
相比于人工信貸審核，人工智能不僅效率高，更重要的是能夠進(jìn)行更多維度的關(guān)聯(lián)數(shù)據(jù)分析，將知識(shí)圖譜應(yīng)用于風(fēng)控環(huán)節(jié)。例如螞蟻金服推出的“蟻盾”、“芝麻信用”，網(wǎng)易金融推出的風(fēng)控系統(tǒng)“北斗”，相比于比傳統(tǒng)銀行，這類解決方案能夠基于更多維度的用戶數(shù)據(jù)（知識(shí)圖譜可以關(guān)聯(lián)到用戶職業(yè)、行為、社交等各類數(shù)據(jù)），開(kāi)展更高效的信貸業(yè)務(wù)，同時(shí)也能降低交易欺詐等信貸風(fēng)險(xiǎn)。
在公安領(lǐng)域，行業(yè)應(yīng)用也已經(jīng)從最初的人臉識(shí)別、車輛識(shí)別等感知層應(yīng)用，向情報(bào)研判等認(rèn)知智能應(yīng)用發(fā)展。
近些年公安大數(shù)據(jù)建設(shè)、各垂直系統(tǒng)的縱向業(yè)務(wù)拉通，各單位橫向數(shù)據(jù)的融合和分層解耦奠定了公安業(yè)務(wù)數(shù)據(jù)規(guī)范化、標(biāo)準(zhǔn)化的基礎(chǔ)，同時(shí)感知智能的快速發(fā)展，基于人臉特征的聚類、分類，一人一檔、一車一檔，視圖庫(kù)的建設(shè)，圖像不僅能辨認(rèn)人，更能連接人、管理人。視頻網(wǎng)和公安信息網(wǎng)的內(nèi)容融合趨勢(shì)愈發(fā)強(qiáng)烈，構(gòu)建全域感知圖譜，并在此基礎(chǔ)上構(gòu)建公安知識(shí)圖譜，驅(qū)動(dòng)更多上層應(yīng)用的時(shí)機(jī)日益成熟。
在這樣大背景下，明略科技將海量感知數(shù)據(jù)納入知識(shí)構(gòu)建與積累，打造了認(rèn)知力更強(qiáng)、時(shí)效性更快、更具行動(dòng)力的全域知識(shí)圖譜，讓機(jī)器更好的進(jìn)行推理與規(guī)劃，從而從平臺(tái)服務(wù)、數(shù)據(jù)服務(wù)到應(yīng)用服務(wù)構(gòu)建了由感知到認(rèn)知再到行動(dòng)的完整閉環(huán)，形成了基于AI技術(shù)的警務(wù)支撐體系和安全保障體系，目前已經(jīng)廣泛應(yīng)用于專業(yè)研判、情指一體化、社區(qū)治安防控等場(chǎng)景中。
1.3 認(rèn)知智能技術(shù)演進(jìn)
知識(shí)圖譜和NLP是認(rèn)知智能兩大關(guān)鍵性技術(shù)，兩者在認(rèn)知智能中的融合日漸緊密。
知識(shí)圖譜既是一種語(yǔ)義網(wǎng)絡(luò)，是認(rèn)知智能中知識(shí)表示的最重要方式；同時(shí)也是一種技術(shù)體系，完成知識(shí)推理，實(shí)現(xiàn)對(duì)人類認(rèn)知活動(dòng)的模擬，其發(fā)展經(jīng)歷了三大階段。
第一階段（1955年—1977年），是知識(shí)圖譜起源階段，最先是從科學(xué)文獻(xiàn)索引應(yīng)用中衍生出知識(shí)圖譜的概念。
第二階段（1977年-2012年），是知識(shí)圖譜發(fā)展階段，知識(shí)圖譜的前身——基于規(guī)則的專家系統(tǒng)登臺(tái)亮相；知識(shí)表示、知識(shí)組織等知識(shí)圖譜的關(guān)鍵技術(shù)開(kāi)始發(fā)展；知識(shí)本體、知識(shí)推理等知識(shí)圖譜關(guān)鍵要素開(kāi)始大規(guī)模普及。
第三階段（2012-至今），是知識(shí)圖譜的繁榮階段，知識(shí)圖譜強(qiáng)調(diào)語(yǔ)義檢索能力，關(guān)鍵技術(shù)包括從互聯(lián)網(wǎng)的網(wǎng)頁(yè)中抽取實(shí)體、屬性及關(guān)系，旨在解決自動(dòng)問(wèn)答、個(gè)性化推薦和智能信息檢索等方面的問(wèn)題。
目前，知識(shí)圖譜技術(shù)正逐漸改變現(xiàn)有的信息檢索方式，如谷歌、百度等主流搜索引擎都在采用知識(shí)圖譜技術(shù)提供信息檢索。一方面通過(guò)推理實(shí)現(xiàn)概念檢索（相對(duì)于現(xiàn)有的字符串模糊匹配方式而言）；另一方面以圖形化方式向用戶展示經(jīng)過(guò)分類整理的結(jié)構(gòu)化知識(shí)，從而使人們從人工過(guò)濾網(wǎng)頁(yè)尋找答案的模式中解脫出來(lái)。
NLP是認(rèn)知智能領(lǐng)域的關(guān)鍵技術(shù)，分為語(yǔ)音分析、詞法分析、句法分析、語(yǔ)義分析和語(yǔ)用分析五個(gè)層次。其中詞法分析、句法分析和語(yǔ)義分析是認(rèn)知智能領(lǐng)域構(gòu)建行業(yè)知識(shí)圖譜的重要性技術(shù)。
NLP的發(fā)展也經(jīng)歷了三個(gè)階段。
第一階段（ 20 世紀(jì) 50 年代到 70 年代）：1950 年提出的“圖靈測(cè)試” 是NLP思想的開(kāi)端， 當(dāng)時(shí)的NLP主要采用基于規(guī)則的方法。但是由于硬件條件不足以支撐NLP的落地應(yīng)用，因此并未得到充分的發(fā)展。
第二階段：70 年代以后互聯(lián)網(wǎng)高速發(fā)展，語(yǔ)料庫(kù)豐富、硬件不斷更新完善， NLP由理性主義向經(jīng)驗(yàn)主義過(guò)渡，基于統(tǒng)計(jì)的方法逐漸代替了基于規(guī)則的方法。NLP基于數(shù)學(xué)模型和統(tǒng)計(jì)的方法取得了實(shí)質(zhì)性的突破，從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用。
第三階段：從 2008 開(kāi)始，深度學(xué)習(xí)逐漸開(kāi)始被引入做NLP研究，此后深度學(xué)習(xí)與NLP的結(jié)合一度被推向高潮，并在機(jī)器翻譯、問(wèn)答系統(tǒng)、閱讀理解等領(lǐng)域取得了一定成功。
在認(rèn)知智能實(shí)現(xiàn)的過(guò)程中，知識(shí)圖譜解決了兩大核心問(wèn)題——一是基于實(shí)體、屬性及其實(shí)體間關(guān)系的顯性關(guān)系的構(gòu)建，二是基于圖檢索和圖挖掘技術(shù)的隱性關(guān)系的挖掘。
其中，知識(shí)圖譜和NLP技術(shù)的融合必不可少。
行業(yè)知識(shí)圖譜的構(gòu)建，是認(rèn)知智能實(shí)現(xiàn)的前提，而在行業(yè)知識(shí)圖譜構(gòu)建的過(guò)程中，NLP技術(shù)必不可少。
隨著大數(shù)據(jù)時(shí)代的到來(lái)，傳統(tǒng)手工的方式對(duì)于知識(shí)圖譜的構(gòu)建可以說(shuō)基本上是無(wú)法完成的任務(wù)，必須依賴NLP的技術(shù)在海量數(shù)據(jù)中自動(dòng)化的抽取知識(shí)，有監(jiān)督的構(gòu)建知識(shí)體系以及可持續(xù)的補(bǔ)充完善知識(shí)圖譜。
1.4 認(rèn)知智能行業(yè)圖譜
認(rèn)知智能領(lǐng)域廠商可以分為兩大類。
第一類是由于自身業(yè)務(wù)需要，實(shí)現(xiàn)認(rèn)知智能在業(yè)務(wù)流程中的滲透，甚至是基于認(rèn)知智能技術(shù)提供服務(wù)。比如阿里、百度、騰訊、美團(tuán)、滴滴、頭條等。
第二類是面向政府、金融、零售等行業(yè)客戶，提供認(rèn)知智能解決方案的廠商。其中，一部分是從感知智能向認(rèn)知智能延伸的廠商，比如商湯、曠世、云從、依圖等安防起家的廠商；還有一部分，是以認(rèn)知智能應(yīng)用為主的廠商，比如谷歌、今日頭條、明略科技等。
認(rèn)知智能的落地條件及挑戰(zhàn)
從底層數(shù)據(jù)治理，到上層行業(yè)場(chǎng)景應(yīng)用，認(rèn)知智能業(yè)務(wù)架構(gòu)可分為數(shù)據(jù)中臺(tái)、AI中臺(tái)、業(yè)務(wù)中臺(tái)以及行業(yè)場(chǎng)景應(yīng)用四層。
數(shù)據(jù)中臺(tái)不但要將大數(shù)據(jù)處理技術(shù)（流計(jì)算、批量計(jì)算、實(shí)時(shí)采集、離線采集）封裝起來(lái)，形成計(jì)算平臺(tái)；同時(shí)進(jìn)入數(shù)據(jù)中臺(tái)的數(shù)據(jù)都將成為其核心資產(chǎn)——即按照規(guī)范的建模方法論將數(shù)據(jù)形成主題域模型、標(biāo)簽?zāi)Ｐ突蛘咚惴Ｐ?。其功能在于打通固有多業(yè)務(wù)系統(tǒng)之間的數(shù)據(jù)壁壘，融合各個(gè)不同業(yè)務(wù)系統(tǒng)間所產(chǎn)生的數(shù)據(jù)，通過(guò)數(shù)字化的運(yùn)營(yíng)和驅(qū)動(dòng)來(lái)支撐前端業(yè)務(wù)的快速變化，從而產(chǎn)生更大的價(jià)值。
明略科技將知識(shí)圖譜融入數(shù)據(jù)中臺(tái)，用包含概念、實(shí)體、關(guān)系、事件、標(biāo)簽、指標(biāo)的知識(shí)圖譜統(tǒng)一視圖來(lái)定義面向領(lǐng)域的數(shù)據(jù)模型，并將所有隱性的語(yǔ)義，全部以顯性的形式放到知識(shí)圖譜里進(jìn)行呈現(xiàn)，將領(lǐng)域知識(shí)圖譜作為數(shù)據(jù)中臺(tái)的數(shù)據(jù)底座，從而實(shí)現(xiàn)面向業(yè)務(wù)領(lǐng)域數(shù)據(jù)組織方式的轉(zhuǎn)變，為企業(yè)打造真正具有行業(yè) Know-How的新一代數(shù)據(jù)中臺(tái)。
AI中臺(tái)本質(zhì)上是AI應(yīng)用的全生命周期開(kāi)發(fā)和管理平臺(tái)，用于數(shù)據(jù)分析與處理、模型訓(xùn)練與評(píng)估、模型應(yīng)用與監(jiān)控。提供統(tǒng)一的數(shù)據(jù)存儲(chǔ)系統(tǒng)，和基于容器的異構(gòu)計(jì)算資源管理系統(tǒng)、機(jī)器學(xué)習(xí)庫(kù)與模型訓(xùn)練實(shí)驗(yàn)管理系統(tǒng)以及模型部署與運(yùn)行監(jiān)控系統(tǒng)，采用分布式模型訓(xùn)練，大幅提升數(shù)據(jù)和模型的性能、效果、目標(biāo)。從實(shí)現(xiàn)功能角度來(lái)看，AI中臺(tái)以實(shí)現(xiàn)業(yè)務(wù)智能為目標(biāo)，為數(shù)據(jù)科學(xué)家團(tuán)隊(duì)提供服務(wù)，加速用戶畫像、推薦系統(tǒng)、圖像識(shí)別、智能客服等智能應(yīng)用開(kāi)發(fā)。
業(yè)務(wù)中臺(tái)多出現(xiàn)在認(rèn)知智能應(yīng)用相對(duì)比較成熟的領(lǐng)域，融合了行業(yè)或者特定場(chǎng)景的業(yè)務(wù)邏輯，其主要功能是實(shí)現(xiàn)業(yè)務(wù)能力的動(dòng)態(tài)共享和服務(wù)復(fù)用。一般每個(gè)行業(yè)都能抽象出相應(yīng)的業(yè)務(wù)中臺(tái)，某些通用的場(chǎng)景也能抽象出業(yè)務(wù)中臺(tái)，應(yīng)用于各行各業(yè)。以明略科技構(gòu)建的營(yíng)銷中臺(tái)為例，抽象了約10個(gè)模塊，應(yīng)用于快消、美妝、家電、汽車等零售相關(guān)領(lǐng)域。
行業(yè)場(chǎng)景應(yīng)用則是在業(yè)務(wù)中臺(tái)的支持下，實(shí)現(xiàn)特定功能。比如金融領(lǐng)域，認(rèn)知智能相關(guān)的場(chǎng)景應(yīng)用有反欺詐、反洗錢等。
以明略科技在零售領(lǐng)域的具體落地實(shí)踐為例，其認(rèn)知智能解決方案包括數(shù)據(jù)中臺(tái)、業(yè)務(wù)中臺(tái)和上層場(chǎng)景應(yīng)用。
數(shù)據(jù)中臺(tái)由數(shù)據(jù)匯聚平臺(tái)、數(shù)據(jù)治理和開(kāi)發(fā)平臺(tái)、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析和數(shù)據(jù)共享服務(wù)五層結(jié)構(gòu)組成。數(shù)據(jù)中臺(tái)沉淀的數(shù)據(jù)源既包括業(yè)務(wù)系統(tǒng)中存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù)（數(shù)據(jù)中臺(tái)與企業(yè)業(yè)務(wù)系統(tǒng)連接，可以通過(guò)網(wǎng)關(guān)中間件獲取線上的訂單、顧客等數(shù)據(jù)，以及線下的POS數(shù)據(jù)等，未來(lái)也將通過(guò)智能設(shè)備獲取顧客行為感知數(shù)據(jù)），也包括明略科技補(bǔ)充的DMP數(shù)據(jù)。
零售行業(yè)的業(yè)務(wù)中臺(tái)由組織中心、商品中心、庫(kù)存中心、財(cái)務(wù)中心、會(huì)員中心、營(yíng)銷中心、訂單中心、配置中心八個(gè)子模塊構(gòu)成。一般來(lái)說(shuō)，業(yè)務(wù)中臺(tái)具體模塊的搭建往往是產(chǎn)生于客戶的需求，比如業(yè)務(wù)中臺(tái)下的訂單中心，通過(guò)打通客戶不同渠道的訂單系統(tǒng)，制定訂單處理規(guī)則，用API接口和前端對(duì)接或直接替代前端訂單系統(tǒng)。
目前的場(chǎng)景應(yīng)用包括供應(yīng)鏈側(cè)和營(yíng)銷側(cè)，如供應(yīng)鏈側(cè)可以進(jìn)行銷量預(yù)測(cè)、存貨布局、自動(dòng)補(bǔ)貨、自動(dòng)調(diào)撥等，在營(yíng)銷側(cè)可以對(duì)用戶畫像，對(duì)顧客進(jìn)行個(gè)性化商品推薦，同時(shí)實(shí)現(xiàn)促銷評(píng)估、動(dòng)態(tài)變價(jià)等功能。
在認(rèn)知智能的四層基本業(yè)務(wù)架構(gòu)中，數(shù)據(jù)中臺(tái)層的海量數(shù)據(jù)的治理、以及AI中臺(tái)層基于行業(yè)知識(shí)圖譜的關(guān)聯(lián)關(guān)系挖掘，是認(rèn)知智能落地的兩大挑戰(zhàn)。
2.1 基于大數(shù)據(jù)平臺(tái)的海量數(shù)據(jù)治理
認(rèn)知智能面對(duì)的是海量的數(shù)據(jù)，海量數(shù)據(jù)治理存在技術(shù)和業(yè)務(wù)兩個(gè)維度的挑戰(zhàn)。
技術(shù)維度的挑戰(zhàn)主要是數(shù)據(jù)量大、多源異構(gòu)，造成治理難度大。要求平臺(tái)具備兩大能力，一是將多源異構(gòu)數(shù)據(jù)治理成可供算法模型使用的標(biāo)準(zhǔn)化數(shù)據(jù)的能力，二是分布式存儲(chǔ)和計(jì)算能力。
從數(shù)據(jù)源角度來(lái)看，認(rèn)知智能解決需要處理的數(shù)據(jù)來(lái)自視頻、圖片、音頻等感知智能應(yīng)用中采集的數(shù)據(jù)，業(yè)務(wù)系統(tǒng)已存儲(chǔ)的數(shù)據(jù)、以及業(yè)務(wù)運(yùn)行中時(shí)刻產(chǎn)生的數(shù)據(jù)，還有第三方補(bǔ)充數(shù)據(jù)、公開(kāi)數(shù)據(jù)等所有與業(yè)務(wù)相關(guān)的數(shù)據(jù)；從數(shù)據(jù)結(jié)構(gòu)來(lái)看，既有結(jié)構(gòu)化數(shù)據(jù)，比如視頻數(shù)據(jù)、金融系統(tǒng)的交易數(shù)據(jù)等，也有非結(jié)構(gòu)化數(shù)據(jù)，比如各類文本數(shù)據(jù)，以及大量的半結(jié)構(gòu)化數(shù)據(jù)。
多源數(shù)據(jù)的治理對(duì)認(rèn)知智能業(yè)務(wù)架構(gòu)（數(shù)據(jù)中臺(tái)）性能提出了高要求，需要通過(guò)可擴(kuò)展的數(shù)據(jù)源適配程序，將多源數(shù)據(jù)匯聚到一個(gè)知識(shí)圖譜中，實(shí)現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化、以及多源異構(gòu)數(shù)據(jù)的關(guān)聯(lián)融合。
海量數(shù)據(jù)存儲(chǔ)層面，則要求數(shù)據(jù)中臺(tái)實(shí)現(xiàn)知識(shí)存儲(chǔ)和知識(shí)計(jì)算，以前的數(shù)據(jù)庫(kù)多為矩陣結(jié)構(gòu)、立方結(jié)構(gòu)存儲(chǔ)，認(rèn)知智能時(shí)代需要圖狀結(jié)構(gòu)的存儲(chǔ)。借助圖存儲(chǔ)、列式存儲(chǔ)等方式，以及Hadoop和Spark平臺(tái)的分布式并行計(jì)算框架，達(dá)到每分鐘導(dǎo)入和處理幾百萬(wàn)數(shù)據(jù)量的數(shù)據(jù)庫(kù)性能，實(shí)現(xiàn)海量數(shù)據(jù)圖譜的高效存儲(chǔ)和查詢。
在實(shí)際的落地實(shí)踐中，業(yè)務(wù)維度需要考慮兩點(diǎn)，一是數(shù)據(jù)打通，涉及到系統(tǒng)互聯(lián)，以及具體執(zhí)行過(guò)程中的組織配合；二是數(shù)據(jù)清洗，即實(shí)現(xiàn)基于場(chǎng)景理解的數(shù)據(jù)資產(chǎn)化，將數(shù)據(jù)按照“實(shí)體-關(guān)系-屬性”的三元架構(gòu)進(jìn)行分布式存儲(chǔ)，以便構(gòu)建知識(shí)圖譜并實(shí)現(xiàn)關(guān)聯(lián)分析和挖掘應(yīng)用。
數(shù)據(jù)打通問(wèn)題更多需要高層重視并牽頭執(zhí)行認(rèn)知智能解決方案方案的落地，以“一把手工程”的思路引導(dǎo)業(yè)務(wù)、信息等部門積極參與，從數(shù)據(jù)采集和治理、業(yè)務(wù)邏輯梳理、以及場(chǎng)景應(yīng)用落地等方面保證認(rèn)知智能解決方案的順利落地。
數(shù)據(jù)清洗要求認(rèn)知智能企業(yè)有對(duì)行業(yè)的深入理解、對(duì)業(yè)務(wù)邏輯的深刻洞察，才能以終為始，按照最終場(chǎng)景應(yīng)用的需求，定義和儲(chǔ)存數(shù)據(jù)，使其成為能夠?yàn)锳I中臺(tái)、業(yè)務(wù)中臺(tái)等直接應(yīng)用的數(shù)據(jù)資產(chǎn)。
2.2 基于知識(shí)圖譜實(shí)現(xiàn)對(duì)關(guān)聯(lián)關(guān)系的快速挖掘
知識(shí)圖譜的構(gòu)建分為兩步，第一步是定義實(shí)體、屬性及其實(shí)體之間的關(guān)聯(lián)關(guān)系。
比如公安領(lǐng)域的人、物、地、事、組織；醫(yī)療領(lǐng)域的疾病種類、疾病癥狀、檢查檢驗(yàn)結(jié)果，都是各自領(lǐng)域知識(shí)圖譜常用的實(shí)體定義。
明略在2017年與光大銀行合作，幫助光大銀行構(gòu)建用于審計(jì)的知識(shí)圖譜。在這次合作中，明略科技幫助光大銀行建立了全行級(jí)別的知識(shí)圖譜，僅支持審計(jì)的知識(shí)圖譜有1億個(gè)實(shí)體和10億條關(guān)系鏈，全行級(jí)別的知識(shí)圖譜會(huì)在其他領(lǐng)域帶來(lái)更多的產(chǎn)出。
關(guān)于實(shí)體的定義、實(shí)體屬性的歸類、以及實(shí)體之間的關(guān)系構(gòu)建，一般來(lái)說(shuō)有兩種方式，一是基于規(guī)則庫(kù)進(jìn)行調(diào)整和學(xué)習(xí)，成本較低，但后期維護(hù)成本較高；二是以人工標(biāo)注的方式讓機(jī)器來(lái)模擬和學(xué)習(xí)，成本相對(duì)較高，但因具備自適應(yīng)能力，后期維護(hù)成本較低。實(shí)際操作過(guò)程中，一般是通過(guò)規(guī)則庫(kù)和人工標(biāo)注相結(jié)合的方式。
第二是基于知識(shí)圖譜的關(guān)聯(lián)關(guān)系挖掘。
知識(shí)圖譜在實(shí)際業(yè)務(wù)落地中最大的價(jià)值，就是能夠基于知識(shí)圖譜實(shí)現(xiàn)隱性關(guān)聯(lián)關(guān)系的挖掘，挖掘僅靠人的業(yè)務(wù)經(jīng)驗(yàn)、或者一般數(shù)據(jù)分析模型難以發(fā)現(xiàn)的業(yè)務(wù)邏輯和線索。
比如，在公安日常工作中，主要面臨嫌疑人是誰(shuí)，嫌疑人在哪里，嫌疑人和誰(shuí)在一起以及嫌疑人將去哪里等四大類問(wèn)題，公安人員開(kāi)展工作多數(shù)都是依賴現(xiàn)在信息化系統(tǒng)收集的軌跡工具而展開(kāi)的，通過(guò)對(duì)軌跡數(shù)據(jù)的分析，鎖定嫌疑人，發(fā)現(xiàn)嫌疑人行蹤及團(tuán)伙。而通過(guò)軌跡發(fā)現(xiàn)人與人之間，車與車等之間隱性關(guān)系，就是基于公安知識(shí)圖譜圖挖掘技術(shù)實(shí)現(xiàn)的，能夠在公安破案的過(guò)程中為公安提供有力的線索。
隱性關(guān)系的挖掘主要是基于圖挖掘技術(shù)，當(dāng)前面臨三大挑戰(zhàn)。
一是圖挖掘?qū)?shù)據(jù)查詢的要求較高，開(kāi)源數(shù)據(jù)庫(kù)難以支撐，需要基于開(kāi)源數(shù)據(jù)庫(kù)做優(yōu)化。
二是關(guān)聯(lián)關(guān)系挖掘的最短路徑、聚類分析等經(jīng)典算法，也需要做并行化、分布式化處理，才能達(dá)到圖挖掘技術(shù)的所需的性能要求。
三是以當(dāng)前知識(shí)圖譜和圖挖掘技術(shù)所能找到的隱性關(guān)系，還存在很多無(wú)效的關(guān)聯(lián)關(guān)系，也就是對(duì)實(shí)際業(yè)務(wù)來(lái)說(shuō)沒(méi)有任何意義和價(jià)值，需要結(jié)合業(yè)務(wù)經(jīng)驗(yàn)做校驗(yàn)，找到真正能夠適用于業(yè)務(wù)的隱性關(guān)系。
比如，將阿里云工業(yè)大腦應(yīng)用到攀鋼西昌鋼釩轉(zhuǎn)爐煉鋼工藝后，打通煉鋼全流程數(shù)據(jù)，通過(guò)建模分析獲得煉鋼工藝優(yōu)化的關(guān)鍵因子，結(jié)合專家知識(shí)之后，成功定位提釩、脫硫和煉鋼三個(gè)關(guān)鍵工序。
通過(guò)對(duì)這三個(gè)工序的深入建模分析，聚焦在脫硫工序，依靠脫硫仿真模型與參數(shù)尋優(yōu)模型尋找最優(yōu)參數(shù)。根據(jù)實(shí)際測(cè)算，通過(guò)優(yōu)化的參數(shù)推薦，每生產(chǎn)一噸鋼可以節(jié)省一公斤鐵，對(duì)于年產(chǎn)值400萬(wàn)噸鋼的攀鋼來(lái)說(shuō)，一年的成本節(jié)省就在700萬(wàn)以上。
其中，在建模獲得關(guān)鍵因子的基礎(chǔ)上，需要結(jié)合專家知識(shí)找到最關(guān)鍵的脫硫工序，才能最終挖掘到真正適用和解決業(yè)務(wù)實(shí)際問(wèn)題的關(guān)聯(lián)關(guān)系。
認(rèn)知智能的市場(chǎng)空間分析
3.1 認(rèn)知智能潛在市場(chǎng)規(guī)模
根據(jù)Gartner的預(yù)測(cè)，到2022年，中國(guó)對(duì)技術(shù)產(chǎn)品和服務(wù)的總支出會(huì)超過(guò)3.2萬(wàn)億人民幣，除去通信服務(wù)1.5萬(wàn)億，IT硬件、軟件、數(shù)據(jù)中心系統(tǒng)以及IT服務(wù)相關(guān)的總支出為1.7萬(wàn)億。
愛(ài)分析認(rèn)為，到2022年，認(rèn)知智能相關(guān)的解決方案占比將達(dá)到5-7%，屆時(shí)認(rèn)知智能市場(chǎng)規(guī)模約為850-1200億。
3.2 認(rèn)知智能市場(chǎng)集中度分析
相對(duì)而言，認(rèn)知智能行業(yè)市場(chǎng)集中度會(huì)高于信息化領(lǐng)域。主要是因?yàn)檎J(rèn)知智能領(lǐng)域門檻較高，而且認(rèn)知智能與行業(yè)、業(yè)務(wù)結(jié)合較緊密，頭部企業(yè)在服務(wù)客戶的過(guò)程中積累的模型會(huì)不斷完善，先發(fā)優(yōu)勢(shì)明顯。
AI行業(yè)集中度普遍較高。根據(jù)曠視科技招股說(shuō)明書披露， 2018年，曠視科技的設(shè)備解鎖與身份驗(yàn)證解決方案，在中國(guó)制造的搭載人臉識(shí)別設(shè)備解鎖功能的安卓智能手機(jī)中，占據(jù)超過(guò)70%市場(chǎng)份額。信息化領(lǐng)域很少有單家供應(yīng)商的某個(gè)產(chǎn)品或者解決方案能夠達(dá)到如此高的市占率。
但認(rèn)知智能領(lǐng)域行業(yè)集中度會(huì)低于感知智能領(lǐng)域。人臉識(shí)別、語(yǔ)音識(shí)別等感知智能類解決方案，能夠跨行業(yè)、跨場(chǎng)景實(shí)現(xiàn)應(yīng)用落地，即感知智能供應(yīng)商更容易憑借技術(shù)優(yōu)勢(shì)，實(shí)現(xiàn)在不同行業(yè)之間的快速?gòu)?fù)制，以通用解決方案占領(lǐng)市場(chǎng)，集中度相對(duì)較高。
而認(rèn)知智能解決方案在跨行業(yè)和跨場(chǎng)景層面則更具挑戰(zhàn)，主要是由于行業(yè)知識(shí)圖譜的構(gòu)建和積累需要深耕細(xì)作，未來(lái)認(rèn)知智能的落地將是行業(yè)性解決方案的輸出，很難像通用類解決方案在不同行業(yè)快速?gòu)?fù)制，各個(gè)行業(yè)都有機(jī)會(huì)成長(zhǎng)出小巨頭。
因此，認(rèn)知智能行業(yè)集中度不會(huì)太高。長(zhǎng)期來(lái)看，會(huì)呈現(xiàn)百花齊放的競(jìng)爭(zhēng)格局。
3.3 認(rèn)知智能重要場(chǎng)景應(yīng)用的市場(chǎng)規(guī)模
基于愛(ài)分析對(duì)各個(gè)行業(yè)技術(shù)滲透情況的了解和判斷，認(rèn)知智能滲透的核心行業(yè)包含智慧城市、自動(dòng)駕駛、零售、公安、金融、工業(yè)、醫(yī)療和教育。其中，智慧城市和自動(dòng)駕駛領(lǐng)域認(rèn)知智能潛在市場(chǎng)規(guī)模較大，零售、公安和金融次之，工業(yè)、醫(yī)療和教育滲透空間最小。
智慧城市領(lǐng)域的市場(chǎng)內(nèi)規(guī)模最大，僅住建部制定的十三五期間對(duì)智慧城市的投入就超過(guò)5000億人民幣。智慧城市整體規(guī)劃中，業(yè)務(wù)架構(gòu)也涵蓋數(shù)據(jù)中臺(tái)和業(yè)務(wù)場(chǎng)景應(yīng)用，其中，數(shù)據(jù)治理和各類場(chǎng)景應(yīng)用，認(rèn)知智能滲透的空間極大。比如交通調(diào)度指揮與管理輔助決策、分布式能源調(diào)度中心等場(chǎng)景應(yīng)用背后都是基于知識(shí)圖譜的分析決策做背后支撐。
自動(dòng)駕駛潛在市場(chǎng)規(guī)模較大，其產(chǎn)業(yè)鏈?zhǔn)袌?chǎng)空間近千億，未來(lái)考慮出行類服務(wù)，幾近萬(wàn)億市場(chǎng)。環(huán)境感知、路徑規(guī)劃和車輛自主決策是智能駕駛L5級(jí)要實(shí)現(xiàn)的目標(biāo)，其中路徑規(guī)劃和自主決策均是認(rèn)知智能能夠深度滲透的領(lǐng)域。
零售、公安和金融也是認(rèn)知智能重點(diǎn)滲透的領(lǐng)域，市場(chǎng)規(guī)模均在百億級(jí)別。工業(yè)、醫(yī)療和教育領(lǐng)域也有部分滲透，相對(duì)而言，市場(chǎng)規(guī)模較小，約在幾十億級(jí)別。
滲透率與政策、行業(yè)ROI、以及技術(shù)應(yīng)用成熟度密切相關(guān)。
其中智慧城市、公安和醫(yī)療領(lǐng)域，主要是政策驅(qū)動(dòng)，比如公安領(lǐng)域，自2015年開(kāi)始，公安部就陸續(xù)出臺(tái)《關(guān)于大力推進(jìn)基礎(chǔ)信息建設(shè)的意見(jiàn)》、《公安科技創(chuàng)新“十三五”專項(xiàng)規(guī)劃》，國(guó)務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，不斷推薦大數(shù)據(jù)以及人工智能在公安中的深度應(yīng)用，為知識(shí)圖譜驅(qū)動(dòng)的認(rèn)知智能解決方案在公安領(lǐng)域的滲透打下了基礎(chǔ)。
而金融、零售、工業(yè)和教育領(lǐng)域認(rèn)知智能滲透的驅(qū)動(dòng)力是ROI，在技術(shù)成熟的條件下，行業(yè)以業(yè)務(wù)降本提效為出發(fā)點(diǎn)，采購(gòu)并應(yīng)用認(rèn)知智能解決方案。
自動(dòng)駕駛當(dāng)前滲透率較低的核心原因是技術(shù)成熟度有限，行業(yè)距離L5級(jí)別的自動(dòng)駕駛還很遠(yuǎn)，環(huán)境感知還有很多尚待解決的問(wèn)題，認(rèn)知智能應(yīng)用的技術(shù)基礎(chǔ)尚未實(shí)現(xiàn)。
市場(chǎng)集中度與行業(yè)本身的行業(yè)集中度、以及行業(yè)信息化市場(chǎng)集中度有關(guān)。
行業(yè)本身集中度越高，該行業(yè)認(rèn)知智能市場(chǎng)集中度越高。比如自動(dòng)駕駛行業(yè)集中度高，決定了自動(dòng)駕駛領(lǐng)域認(rèn)知智能市場(chǎng)大的集中度也會(huì)很高；零售、金融和教育本身行業(yè)集中度很低，因此零售、金融和教育領(lǐng)域認(rèn)知智能市場(chǎng)集中度也很低。
行業(yè)信息化集中度越高，認(rèn)知智能行業(yè)集中度也越高。根據(jù)IDC統(tǒng)計(jì)，2014年公共安全領(lǐng)域前五名解決方案供應(yīng)商的市場(chǎng)份額為51.6%，而2017年，醫(yī)療領(lǐng)域前八家信息化上市公司的市場(chǎng)占有率僅有約14%。因此可以判斷，公安領(lǐng)域認(rèn)識(shí)智能市場(chǎng)集中度會(huì)大大高于醫(yī)療領(lǐng)域。對(duì)于認(rèn)知智能供應(yīng)商而言，市場(chǎng)集中度高、且滲透率高的領(lǐng)域，是當(dāng)前值得重點(diǎn)投入的領(lǐng)域，比如公安、智慧城市。而金融、零售領(lǐng)域雖然市場(chǎng)集中度較低，但是市場(chǎng)規(guī)?？捎^，因此也是值得重點(diǎn)深耕的行業(yè)。
認(rèn)知智能的重要場(chǎng)景應(yīng)用分析
本章將以具體落地案例來(lái)介紹認(rèn)知智能相關(guān)解決方案在各個(gè)行業(yè)的滲透。
4.1 公安
目前食藥領(lǐng)域制假售假呈現(xiàn)網(wǎng)絡(luò)化的發(fā)展趨勢(shì)，包括通過(guò)在網(wǎng)絡(luò)上發(fā)布信息，通過(guò)QQ、微信等聊天工具和網(wǎng)絡(luò)支付平臺(tái)交易，通過(guò)快遞等方式送貨等。由于網(wǎng)上、網(wǎng)下犯罪交織，傳統(tǒng)、新型犯罪手段疊加，打擊食藥環(huán)領(lǐng)域犯罪已成為專業(yè)程度高、經(jīng)營(yíng)和偵破難度大的系統(tǒng)工程。
其中，線索核查是食藥環(huán)支隊(duì)日常的基礎(chǔ)工作之一，主要是對(duì)全國(guó)范圍內(nèi)已破獲案件涉及本地的購(gòu)買人群進(jìn)行核查。過(guò)去由于對(duì)物流數(shù)據(jù)沒(méi)有有效的手段進(jìn)行研判，且警力有限，很難在大量的普通核查線索中確定核查重點(diǎn)，核查工作往往收效甚微。
明略科技智慧警務(wù)模型應(yīng)用平臺(tái)能夠很好的應(yīng)對(duì)這些問(wèn)題。
該平臺(tái)主要實(shí)現(xiàn)兩大功能。一是精準(zhǔn)研判，提升核查效率。
某市局食藥環(huán)支隊(duì)通過(guò)積分模型運(yùn)算相關(guān)線索數(shù)據(jù)，挖掘出高危人員、其關(guān)系網(wǎng)絡(luò)及高危程度等重要線索，指導(dǎo)辦案民警進(jìn)行精準(zhǔn)偵察，從而大幅度提升核查效率，快速精準(zhǔn)鎖定高危人員和高危團(tuán)伙。
二是擴(kuò)展經(jīng)營(yíng)，以點(diǎn)帶面，大范圍打擊犯罪。
破獲現(xiàn)行案件后，民警在對(duì)嫌疑人進(jìn)一步深入偵查，發(fā)現(xiàn)該嫌疑人的大部分違禁產(chǎn)品均通過(guò)某一商戶進(jìn)行購(gòu)買，民警立即對(duì)該商戶進(jìn)行偵查，發(fā)現(xiàn)該商戶極可能是連接各大銷售點(diǎn)與貨源地的中間商。
運(yùn)用明略科技智慧警務(wù)模型應(yīng)用平臺(tái)，某市局食藥環(huán)支隊(duì)通過(guò)數(shù)據(jù)分析和標(biāo)簽、模型綜合研判，推演出疑似假藥來(lái)源地和銷售網(wǎng)絡(luò)，后經(jīng)過(guò)民警連續(xù)多日多地的深入偵查，發(fā)現(xiàn)了存放假藥的倉(cāng)庫(kù)地點(diǎn)，并成功鎖定嫌疑人，一舉打掉該團(tuán)伙。
最終取得成效較為明顯，先后在全國(guó)多地共抓獲涉嫌銷售假藥嫌疑人20余人，當(dāng)場(chǎng)查獲涉案假藥1000余件，涉案價(jià)值5000余萬(wàn)元，顯示了假藥模型應(yīng)用平臺(tái)在精準(zhǔn)研判、擴(kuò)線經(jīng)營(yíng)中發(fā)揮的作用。
4.2 金融
明略科技為某全國(guó)大型股份制銀行基于全行全量數(shù)據(jù)構(gòu)建成“企業(yè)、個(gè)人、機(jī)構(gòu)、賬戶、交易、以及行為數(shù)據(jù)”規(guī)模達(dá)十億點(diǎn)百億邊的知識(shí)圖譜數(shù)據(jù)庫(kù)。并通過(guò)采用復(fù)雜網(wǎng)絡(luò)、圖計(jì)算等大數(shù)據(jù)算法，實(shí)現(xiàn)海量結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的分析和探索，搭建遠(yuǎn)程監(jiān)控體系下復(fù)雜計(jì)算及非結(jié)構(gòu)化模型建設(shè)的框架。
該項(xiàng)目中的知識(shí)圖譜應(yīng)用取得效果如下。
一是展現(xiàn)完整的客戶關(guān)系網(wǎng)及資金流轉(zhuǎn)全貌。生成客戶關(guān)系網(wǎng)絡(luò)圖譜，完整展現(xiàn)對(duì)公客戶“個(gè)人-企業(yè)-個(gè)人”的復(fù)雜關(guān)系，構(gòu)建復(fù)雜的資金流轉(zhuǎn)全貌，通過(guò)圖挖掘技術(shù)，挖掘復(fù)雜的隱形關(guān)系和利益共同體，實(shí)現(xiàn)無(wú)死角的資金監(jiān)控管理。
二是基于多元異構(gòu)數(shù)據(jù)處理能力提升風(fēng)控水平。通過(guò)搭建模型管理框架，引入圖像識(shí)別、自然語(yǔ)言處理、情感分析等技術(shù)，具備多種非結(jié)構(gòu)化數(shù)據(jù)處理能力，有效提高遠(yuǎn)程風(fēng)控技術(shù)水平。
三是實(shí)現(xiàn)業(yè)務(wù)應(yīng)用模型。建設(shè)監(jiān)控預(yù)警、追蹤查證為主的業(yè)務(wù)應(yīng)用模型，體現(xiàn)大數(shù)據(jù)模型項(xiàng)目業(yè)務(wù)價(jià)值，提升非現(xiàn)場(chǎng)審計(jì)效率和能力。
四是為銀行打下更多業(yè)務(wù)應(yīng)用的基礎(chǔ)。未來(lái)可以圍繞基礎(chǔ)能力對(duì)上輸出的能力，建設(shè)更多在遠(yuǎn)程監(jiān)控體系下的業(yè)務(wù)應(yīng)用。
4.3 零售
近年來(lái)，線上購(gòu)物場(chǎng)景隨著新零售、多語(yǔ)態(tài)、線上線下相結(jié)合，顯得愈加復(fù)雜。線上購(gòu)物場(chǎng)景中，搜索體驗(yàn)是決定用戶購(gòu)物體驗(yàn)的關(guān)鍵。由于普通客戶難以對(duì)想購(gòu)買的商品具備清晰地了解和認(rèn)知，故對(duì)搜索和推薦產(chǎn)生了一定程度的依賴。
但大部分搜索引擎難以有效認(rèn)知客戶的意圖，難以快速地響應(yīng)客戶的需求。原因在于：眼下電商搜索需要的互聯(lián)網(wǎng)數(shù)據(jù)超出了過(guò)往文本范圍，同時(shí)互聯(lián)網(wǎng)數(shù)據(jù)大多屬于非結(jié)構(gòu)化文本數(shù)據(jù)，且分散在各個(gè)源頭難以統(tǒng)一。導(dǎo)致數(shù)據(jù)呈現(xiàn)多噪聲、多模態(tài)、數(shù)據(jù)源分散、深度認(rèn)知的缺乏等特質(zhì)。
為了提升客戶搜索體驗(yàn)，阿里基于認(rèn)知智能技術(shù)打造電商認(rèn)知圖譜，以數(shù)據(jù)中臺(tái)支撐KG Enigne，再通過(guò)阡陌數(shù)據(jù)管理平臺(tái)，和圖靈業(yè)務(wù)對(duì)接平臺(tái)來(lái)優(yōu)化用戶搜索體驗(yàn)。
阿里推出的電商認(rèn)知圖譜在數(shù)據(jù)治理和認(rèn)知層面的投入，最終在用戶體驗(yàn)上得到了明確的收益。
首先，通過(guò)場(chǎng)景數(shù)據(jù)結(jié)構(gòu)化，分散數(shù)據(jù)得以統(tǒng)一表示。
阿里內(nèi)部大多是query、title、評(píng)論、攻略等，這些數(shù)據(jù)由于用戶習(xí)慣和商家訴求，會(huì)存在非常不同于普通文本的語(yǔ)法結(jié)構(gòu)，也會(huì)由于利益原因存在大量噪聲和臟數(shù)據(jù)。
阿里首先對(duì)數(shù)據(jù)進(jìn)行清洗，然后通過(guò)短語(yǔ)挖掘，信息抽取等方法把有效數(shù)據(jù)抓取出來(lái)，最后進(jìn)行數(shù)據(jù)的結(jié)構(gòu)化和層次劃分。對(duì)于結(jié)構(gòu)化后的數(shù)據(jù)，采用標(biāo)準(zhǔn)化的schema表示和存儲(chǔ)方法進(jìn)行概念數(shù)據(jù)融合，屬性的挖掘和發(fā)現(xiàn)。
其次，通過(guò)提升數(shù)據(jù)認(rèn)知度，獲取客戶關(guān)聯(lián)需求
搜索引擎難以快速的響應(yīng)客戶的關(guān)鍵在于對(duì)于客戶意圖認(rèn)知不明確，難以推薦合乎客戶要求的商品以及關(guān)聯(lián)需求的挖掘。
阿里依托電商認(rèn)知圖譜可以通過(guò)行為和商品本身的信息認(rèn)知到用戶購(gòu)買商品的意圖，再通過(guò)外部數(shù)據(jù)的輸入和摘要得到常識(shí)類和商品體系之外的用戶需求的關(guān)聯(lián)，再經(jīng)由圖靈業(yè)務(wù)平臺(tái)投放合適的商品，以達(dá)到精準(zhǔn)營(yíng)銷和額智能推薦的目的。
最終效果斐然，阿里自2017年6月推進(jìn)電商認(rèn)知圖譜的構(gòu)造后，截至2018年9月已經(jīng)完成pv top70的類目審核，增加了12W+的cpv對(duì)，實(shí)現(xiàn)能夠被全識(shí)別的query占比從30%提升到60%。
4.4 餐飲
明略科技為某知名餐飲品牌該餐飲企業(yè)提供了基于認(rèn)知智能的店長(zhǎng)通解決方案。
該餐飲企業(yè)最初面臨的主要問(wèn)題有三個(gè)。
一是隨著業(yè)務(wù)的不斷發(fā)展和新店的持續(xù)擴(kuò)張，水餃出品的品質(zhì)管理難度持續(xù)增高，而餃子出品的品質(zhì)又是決定門店經(jīng)營(yíng)狀況和品牌形象的關(guān)鍵，所以客戶希望通過(guò)創(chuàng)新的AI手段對(duì)各門店的出品品質(zhì)做高頻的持續(xù)的客觀的評(píng)判，并形成統(tǒng)計(jì)報(bào)告，以實(shí)現(xiàn)對(duì)餃子出品品質(zhì)的嚴(yán)格管控。
二是該餐飲企業(yè)有一套標(biāo)準(zhǔn)話術(shù)體系，覆蓋到門店客戶服務(wù)的各個(gè)環(huán)節(jié)。但日常服務(wù)人員的話術(shù)執(zhí)行情況和服務(wù)的工作量都難以量化評(píng)估，所以管理者希望能夠通過(guò)語(yǔ)音識(shí)別技術(shù)，量化評(píng)估每個(gè)服務(wù)人員的話術(shù)執(zhí)行情況，用以評(píng)判每個(gè)人的服務(wù)積極性和工作量。
三是該餐飲企業(yè)門店店長(zhǎng)每天面對(duì)繁重的管理任務(wù)，稍有不慎就會(huì)有疏漏，并且總部的各種管理制度要求都需要及時(shí)有效的推行和監(jiān)管，如果執(zhí)行不到位，可能被稽查巡店的監(jiān)察員扣分罰款，甚至降級(jí)。所以需要一款智能高效的管理工具，能夠幫助店長(zhǎng)規(guī)劃每日的管理任務(wù)，支持高效的客觀準(zhǔn)確的任務(wù)描述，并且可以自動(dòng)化的匯總?cè)蝿?wù)執(zhí)行情況，提升門店管理的效率。
基于該餐飲企業(yè)的需求，明略科技針對(duì)性提供了店長(zhǎng)通出品識(shí)別、服務(wù)評(píng)估和運(yùn)用管理三大解決方案。
店長(zhǎng)通解決方案實(shí)現(xiàn)的主要功能如下。
一是AI提升餃子出品品質(zhì)。
店長(zhǎng)通出品識(shí)別解決方案，在客戶的出餐口部署安裝集成的出品圖像采集設(shè)備，自動(dòng)抓取出品照片，通過(guò)云端的AI重點(diǎn)自動(dòng)識(shí)別每個(gè)餃子的品質(zhì)并量化打分，最終對(duì)每盤餃子做整體打分評(píng)判，并自動(dòng)化的形成品質(zhì)統(tǒng)計(jì)報(bào)告。對(duì)餃子出品的品質(zhì)做全面的實(shí)時(shí)的管控。出品識(shí)別的模型會(huì)根據(jù)日常的判斷結(jié)果，持續(xù)做訓(xùn)練優(yōu)化，不斷的自我完善。對(duì)餃子出品的品質(zhì)做全面的實(shí)時(shí)的管控。
并且，出品識(shí)別的模型會(huì)根據(jù)日常的判斷結(jié)果，持續(xù)做訓(xùn)練優(yōu)化，不斷的自我完善。
二是基于語(yǔ)音識(shí)別的服務(wù)積極性評(píng)估。
通過(guò)軟硬件一體化的設(shè)計(jì)思路，為服務(wù)員提供可隨身佩戴的智能語(yǔ)音識(shí)別設(shè)備，實(shí)時(shí)采集服務(wù)員話術(shù)，并將話術(shù)上傳到云端的AI中臺(tái)，對(duì)話術(shù)量，有效話術(shù)執(zhí)行情況，菜品推薦情況做統(tǒng)計(jì)匯總，并沉淀有效的推薦話術(shù)，幫助該餐飲企業(yè)沉淀和優(yōu)化服務(wù)話術(shù)知識(shí)。
三是提供門店管理輔助工具。
基于PDCA閉環(huán)管理模式，實(shí)現(xiàn)量自動(dòng)的創(chuàng)建計(jì)劃任務(wù)，智能描述式的任務(wù)交互，實(shí)時(shí)的結(jié)果檢查匯總，以及自動(dòng)化的問(wèn)題跟進(jìn)追蹤，內(nèi)置智能識(shí)別和判定AI，對(duì)每日任務(wù)的進(jìn)展和描述做智能的分析和判定。幫助店長(zhǎng)構(gòu)建高效、實(shí)時(shí)、靈活、閉環(huán)的管理能力。
認(rèn)知智能的未來(lái)趨勢(shì)
5.1 5G、邊緣計(jì)算與認(rèn)知智能
認(rèn)知智能時(shí)代，數(shù)據(jù)是核心資產(chǎn)，在數(shù)據(jù)產(chǎn)生、傳輸、存儲(chǔ)、計(jì)算、分析和應(yīng)用的過(guò)程中，5G、邊緣計(jì)算等技術(shù)將和認(rèn)知智能相互融合，形成從終端、邊緣到中央云的一體化數(shù)據(jù)處理流程和解決方案。
其中，爆炸式的終端增長(zhǎng)將產(chǎn)生海量的數(shù)據(jù)；5G負(fù)責(zé)高效的數(shù)據(jù)傳輸；邊緣節(jié)點(diǎn)和中心節(jié)點(diǎn)將共同協(xié)同完成數(shù)據(jù)的存儲(chǔ)和計(jì)算；認(rèn)知智能則在此基礎(chǔ)上實(shí)現(xiàn)各類數(shù)據(jù)分析和應(yīng)用。
邊緣節(jié)點(diǎn)的存在，不管是在計(jì)算資源層面，還是本地化模型調(diào)用層面，都彌補(bǔ)了中心節(jié)點(diǎn)在反應(yīng)速度上的不足，雖然有5G的加持可以更提供高速、穩(wěn)定的數(shù)據(jù)傳輸，但邊端計(jì)算類似于本地化計(jì)算和固化模型，其優(yōu)勢(shì)依然無(wú)可比擬。
其中，5G的價(jià)值在于，能夠促進(jìn)認(rèn)知智能的滲透和落地。
5G有三大特性：大帶寬高速率、低時(shí)延高可靠和海量連接。
對(duì)網(wǎng)絡(luò)速度要求很高的業(yè)務(wù)能在 5G 時(shí)代被推廣，例如，目前由于4G速度不足以支撐云 VR 對(duì)視頻傳輸和即時(shí)交互的要求，用戶需要依靠昂貴的本地設(shè)備進(jìn)行處理。依托于5G 的高速率，云 VR 將能夠獲得長(zhǎng)足發(fā)展。
5G 超低時(shí)延的特性可以支持敏感業(yè)務(wù)的調(diào)度，為車聯(lián)網(wǎng)、工業(yè)控制、智能電網(wǎng)、遠(yuǎn)程醫(yī)療等垂直行業(yè)提供更安全、更可靠的網(wǎng)絡(luò)連接，促進(jìn)認(rèn)知智能在這些領(lǐng)域的落地。
5G 網(wǎng)絡(luò)每平方公里百萬(wàn)級(jí)的海量連接數(shù)使萬(wàn)物互聯(lián)成為可能。5G 網(wǎng)絡(luò)面向的不僅僅是個(gè)人用戶，還有企業(yè)用戶和工業(yè)智能設(shè)備，5G 將為 C 端和 B 端的用戶或智能設(shè)備提供網(wǎng)絡(luò)切片、邊緣計(jì)算等服務(wù)，從而直接促進(jìn)認(rèn)知智能在當(dāng)前滲透率尚在低位的領(lǐng)域?qū)崿F(xiàn)應(yīng)用落地。
比如，自動(dòng)駕駛、智慧城市等已經(jīng)發(fā)展了一段時(shí)間，但是當(dāng)前尚未取得突破性進(jìn)展，其中一大原因就是網(wǎng)絡(luò)連接，自動(dòng)駕駛和智慧城市真正實(shí)現(xiàn)落地的前提是萬(wàn)物互聯(lián)，而當(dāng)前階段，由于功耗高、可用頻段少和高時(shí)延等限制，硬件設(shè)備之間只是單獨(dú)獲得了連接能力，很難將所有硬件設(shè)備連接在一起，并沒(méi)有實(shí)現(xiàn)真正的連動(dòng)。5G的成熟將改變這一現(xiàn)狀，未來(lái)，5G將成為認(rèn)知智能在自動(dòng)駕駛、智慧城市等大規(guī)模落地的基礎(chǔ)設(shè)施。
邊緣計(jì)算與云計(jì)算的協(xié)同，將優(yōu)化認(rèn)知智能解決方案的落地機(jī)制。
邊緣計(jì)算是指在用戶或數(shù)據(jù)源的物理位置或附近進(jìn)行的計(jì)算。從云計(jì)算與邊緣計(jì)算的關(guān)系來(lái)看，邊緣計(jì)算是云計(jì)算概念的延伸，是云計(jì)算向終端和用戶側(cè)延伸。
邊緣計(jì)算和云計(jì)算的協(xié)作，能夠優(yōu)化認(rèn)知智能解決方案的更新和應(yīng)用機(jī)制，在實(shí)際的落地過(guò)程中，同時(shí)顧及反應(yīng)速度和模型更新。
邊緣節(jié)點(diǎn)存儲(chǔ)了認(rèn)知智能模型，直接應(yīng)用于終端設(shè)備；邊緣節(jié)點(diǎn)和中心云之間存在交互，各個(gè)邊緣節(jié)點(diǎn)處的認(rèn)知智能模型在應(yīng)用過(guò)程中的處理的數(shù)據(jù)結(jié)果會(huì)回傳至中心云端，匯聚至中心云處的認(rèn)知智能初始模型，并基于大量的數(shù)據(jù)和結(jié)果做模型更新，再將最新的認(rèn)知智能模型下發(fā)至邊緣節(jié)點(diǎn)。
整個(gè)過(guò)程類似于云邊協(xié)同在華為IEF平臺(tái)中實(shí)現(xiàn)方式。在該平臺(tái)中，人臉檢測(cè)、人流監(jiān)測(cè)等模型就是以邊緣計(jì)算和云計(jì)算之間的協(xié)作實(shí)現(xiàn)優(yōu)化落地的。
5.2 認(rèn)知智能的下一站—人機(jī)協(xié)同
人工智能分為感知智能、認(rèn)知智能和行動(dòng)智能三個(gè)階段。當(dāng)前正處于認(rèn)知智能的起步階段，展望未來(lái)，人工智能必然走向行動(dòng)智能，這個(gè)過(guò)程需要人機(jī)協(xié)同來(lái)完成。
在感知智能和認(rèn)知智能階段，機(jī)器能夠自主完成特定的任務(wù)，但有很多知識(shí)和管理復(fù)雜度高的領(lǐng)域，機(jī)器很難獨(dú)立完成工作，人機(jī)協(xié)同是新一代AI技術(shù)在知識(shí)和管理復(fù)雜度高的行業(yè)中的落地，也是人類與機(jī)器和諧共處的開(kāi)端。簡(jiǎn)單來(lái)說(shuō)，人機(jī)協(xié)同的業(yè)務(wù)邏輯就是，在復(fù)雜任務(wù)中充分發(fā)揮機(jī)器和人的各自優(yōu)勢(shì)，創(chuàng)造性的完成特定任務(wù)。
人機(jī)協(xié)同可分人機(jī)互補(bǔ)交互、人機(jī)冗余交互和人機(jī)混合交互三種情況。其中，人機(jī)互補(bǔ)交互主要是人將機(jī)器能夠完成的特定任務(wù)安排給機(jī)器來(lái)做；人機(jī)冗余交互強(qiáng)調(diào)人機(jī)在特定任務(wù)中的分工與配合，由機(jī)器完成能夠完成的部分，其余由人來(lái)完成；人機(jī)混合交互的難度最高，要求機(jī)器基于動(dòng)態(tài)知識(shí)圖譜推演出相關(guān)線索和結(jié)論等，并且人相機(jī)介入，以求達(dá)到最好的效果。
比如，通過(guò)社交洞察分析解決方案，明略科技可以幫助公司評(píng)估廣告投放的效果。具體操作流程是，需要基于小文章、評(píng)論、圖片、以及視頻等多元、海量、異構(gòu)的輿情數(shù)據(jù)中，通過(guò)知識(shí)圖譜的方式，為廣告內(nèi)容本身或者某個(gè)廣告平臺(tái)做畫像，最終告訴客戶廣告效益到底如何，這中間就涉及到人機(jī)協(xié)同。
認(rèn)知智能廠商競(jìng)爭(zhēng)分析及典型廠商介紹
6.1 認(rèn)知智能公司核心競(jìng)爭(zhēng)力分析
認(rèn)知智能廠商競(jìng)爭(zhēng)力主要體現(xiàn)在以下四個(gè)方面：技術(shù)能力、產(chǎn)品能力、獲客能力、以及場(chǎng)景應(yīng)用理解。
技術(shù)能力主要體現(xiàn)在數(shù)據(jù)治理能力、知識(shí)圖譜構(gòu)建能力、以及項(xiàng)目實(shí)施中的工程化能力方面。
產(chǎn)品能力主要是產(chǎn)品完整性，廠商需要具備從底層數(shù)據(jù)采集、治理、知識(shí)圖譜構(gòu)建、到上層應(yīng)用構(gòu)建的整體能力。產(chǎn)品能力不僅影響項(xiàng)目交付周期，而且也影響認(rèn)知智能廠商的利潤(rùn)率。
獲客能力方面，由于認(rèn)知智能在行業(yè)的滲透尚處于早期階段，而早期階段也是廠商打磨解決方案、積累競(jìng)爭(zhēng)優(yōu)勢(shì)的重要階段，獲客能力既是先發(fā)優(yōu)勢(shì)的重要體現(xiàn)，也將決定認(rèn)知智能廠商長(zhǎng)期的競(jìng)爭(zhēng)力。
場(chǎng)景理解能力決定了廠商是否有能力服務(wù)于行業(yè)頭部客戶，并在此基礎(chǔ)上打磨知識(shí)圖譜。
6.2 認(rèn)知智能國(guó)內(nèi)廠商代表——明略科技
明略科技是國(guó)內(nèi)最早大規(guī)模布局認(rèn)知智能的廠商之一，致力于探索認(rèn)知智能技術(shù)在知識(shí)和管理復(fù)雜度高的行業(yè)中的落地。
基于多年的數(shù)據(jù)積累、數(shù)據(jù)治理經(jīng)驗(yàn)積累、場(chǎng)景應(yīng)用理解能力積累，明略科技將打通感知與認(rèn)知智能，通過(guò)多模態(tài)人工智能和大數(shù)據(jù)技術(shù)，連接人、機(jī)器、組織的智慧，實(shí)現(xiàn)具有分析決策能力的高階人工智能應(yīng)用——即認(rèn)知智能的大規(guī)模落地。
不同于傳統(tǒng)軟件解決方案，認(rèn)知智能應(yīng)用是具有反饋機(jī)制的動(dòng)態(tài)解決方案，因此只有形成從業(yè)務(wù)數(shù)據(jù)化、到數(shù)據(jù)業(yè)務(wù)化的業(yè)務(wù)閉環(huán)，才能真正為生產(chǎn)和組織帶來(lái)效率提升、價(jià)值創(chuàng)造等收益。其中，業(yè)務(wù)閉環(huán)的過(guò)程是——通過(guò)監(jiān)管體系持續(xù)采集數(shù)據(jù)，自上而下產(chǎn)生數(shù)據(jù)；匯聚數(shù)據(jù)之后形成智能化解決方案，自下而上提供服務(wù)。
從認(rèn)知智能廠商競(jìng)爭(zhēng)力層面來(lái)看，明略科技在技術(shù)、產(chǎn)品、獲客和場(chǎng)景理解方面都具備相當(dāng)?shù)膬?yōu)勢(shì)。
知識(shí)圖譜領(lǐng)域先發(fā)優(yōu)勢(shì)明顯，具備服務(wù)省市公安局、長(zhǎng)沙市大數(shù)據(jù)局、寶潔等標(biāo)桿客戶的技術(shù)能力，擁有約400人的數(shù)據(jù)科學(xué)家團(tuán)隊(duì)。產(chǎn)品能力主要體現(xiàn)在具備整體解決方案的能力。且通過(guò)數(shù)據(jù)治理和知識(shí)圖譜產(chǎn)品，能夠幫助提升項(xiàng)目中產(chǎn)品化率。但在實(shí)際的落地過(guò)程中，當(dāng)前大型企業(yè)個(gè)性化需求較多，服務(wù)客戶時(shí)需要提供必要的咨詢服務(wù)。
明略科技獲客能力較強(qiáng)，在各個(gè)領(lǐng)域已有行業(yè)標(biāo)桿客戶，公安領(lǐng)域已經(jīng)服務(wù)了超過(guò)100個(gè)客戶、金融領(lǐng)域服務(wù)人民銀行、建設(shè)銀行、光大銀行、太平洋保險(xiǎn)，軌交領(lǐng)域已服務(wù)上海地鐵。
場(chǎng)景理解能力方面，頭部標(biāo)桿客戶的數(shù)據(jù)治理能力積累和業(yè)務(wù)場(chǎng)景梳理將成為明略科技行業(yè)知識(shí)圖譜構(gòu)建和優(yōu)化的長(zhǎng)期競(jìng)爭(zhēng)力。
6.3 認(rèn)知智能國(guó)外廠商代表——Palantir
成立于2004年的Palantir是國(guó)外認(rèn)知智能廠商的代表。Plantir起家于大數(shù)據(jù)分析，最初服務(wù)于CIA等美國(guó)政府機(jī)構(gòu)，做情報(bào)人員提供輔助分析，通過(guò)幾年與CIA的合作，Palantir的技術(shù)逐漸成熟，最后形成產(chǎn)品Gotham，這款產(chǎn)品也是Plantir的兩大核心產(chǎn)品之一，主要面向政府，用于描述、探究、查詢信息以及信息之間的聯(lián)系，找到事物背后的關(guān)系，實(shí)際上其核心就是基于知識(shí)圖譜的隱性關(guān)系挖掘。
從2010年開(kāi)始，Palantir開(kāi)始涉足商業(yè)領(lǐng)域，推出另一款產(chǎn)品Metropolis，為銀行、對(duì)沖基金的分析師提供輔助量化分析，JP摩根是其第一個(gè)商業(yè)領(lǐng)域客戶，將Palantir的技術(shù)用于反欺詐，尋找那些試圖盜取他人賬戶的人。這款產(chǎn)品也是認(rèn)知智能技術(shù)在金融反欺詐領(lǐng)域落地的典型代表。
從認(rèn)知智能廠商競(jìng)爭(zhēng)力維度來(lái)看，Palantir在技術(shù)、獲客和場(chǎng)景應(yīng)用理解方面都比較擅長(zhǎng)，產(chǎn)品能力相對(duì)較弱。
技術(shù)能力主要體現(xiàn)基于知識(shí)圖譜的隱性關(guān)系挖掘方面，技術(shù)優(yōu)勢(shì)明顯。
產(chǎn)品能力一般，主要是Palantir基本做大客戶的定制化項(xiàng)目，產(chǎn)品化能力較弱。且產(chǎn)品功能較為局限，覆蓋場(chǎng)景比較有限。
Palantir能夠順利切入政府和銀行大型客戶領(lǐng)域，獲客能力較強(qiáng)。
場(chǎng)景應(yīng)用理解能力很強(qiáng)，公司起家于大數(shù)據(jù)分析，最初服務(wù)于CIA等美國(guó)政府機(jī)構(gòu)，后服務(wù)于大型金融機(jī)構(gòu)，以及可口可樂(lè)等大型企業(yè)，場(chǎng)景理解能力強(qiáng)。
