2020年人工智能落地發展趨勢

做者 | 網絡大數據
來源 | raincent_com

轉眼間，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，看空的投資人也愈來愈多了。從當年大數據的發展趨勢看，這種狀況反而對產業發展是有利的。由於這意味着，進入賽道的野蠻競爭玩家會愈來愈少。

對於已經拿到賽道入場券的選手來講，如何合理配置手中的資源成爲生死存亡的關鍵，同時細分市場上的領頭羊可能在這樣焦灼的市場競爭中成長爲獨角獸。

對於從事大數據與人工智能相關領域多年的人來講，其最終目標仍是「從數據中挖掘價值」。在挖掘價值時，具體某類技術只是整個過程當中某個階段的輔助工具，單純某類技術解決不了全部問題。所以，咱們基於「最終目標」劃分三大類場景去運用「大數據」和「人工智能」構建總體解決方案：

1、尋找業務增加點：數據建模能力成爲核心，當前Fintech/Regtech領域需求普遍

• 核心要素：幫助企業解決經營決策中遇到的數據支撐問題。不管是營銷仍是風控，最終都是經過一些報表、模型去輔助業務人員作決策。
• 解決方案：機器學習類產品已經成爲金融行業尋求業務增加點的標配工具，同時愈來愈多的傳統行業也開始使用大數據、人工智能等技術作輔助決策。
• 解決方案難點：因爲跟業務結合緊密，雖然已經在不一樣行業開始落地，但實際進展緩慢。因爲業務的特殊性，每每不可以單單經過算法自己去解決全部業務問題。這同時也意味着，交付目標以及實施週期的不肯定性。

2、加深業務壁壘：知識中樞成爲重要工具，當前金融/安全等行業試點較多

• 核心要素：對現有業務實現優化。
• 解決方案：在這一場景中，知識中樞運用較多。咱們將三大塊技術：知識圖譜、搜索引擎、深度圖譜糅合進知識中樞的概念中。首先經過搜索引擎進行行業知識檢索，再經過知識圖譜進行概念串聯，最後經過深度圖譜進行行業知識推理。
• 解決方案難點：如何將行業知識抽象出來，造成公司內部的知識系統，從而有針對性地對現有業務流程、具體業務點進行總體優化。

3、下降業務成本：自動化成爲基礎要素，當前能源/交通等行業突破開始

• 核心要素：如何減小人工干預。
• 解決方案：現有的場景中，偏業務性質的自動化能夠經過RPA等技術實現。RPA自己技術門檻不高，但在NLP、OCR、CV等AI技術帶領下，已逐步被用在愈來愈多的場景中。另外一方面，因爲圖像識別以及5G、邊緣計算的推進，愈來愈多的安防監控、無人巡檢等AIOT場景開始落地。相對於RPA，AIOT的場景給客戶業務帶來的顛覆跟價值更大。
• 解決方案難點：現實場景中的有效樣本較少，影響模型的準確率和落地。

下面咱們將結合三種不一樣的場景來闡述六大AI趨勢。

趨勢一：Fintech/Regtech AI落地過程當中，AI平臺逐步成爲事實標準

AI平臺，在不少地方又稱爲AI中臺/數據科學平臺/機器學習平臺/人工智能平臺，主要涵蓋的功能除了傳通通計分析軟件包含的功能之外，還包括大數據、分佈式計算平臺、NLP、CV等能力。

行業先行者在探索AI落地過程當中，逐步意識到AI平臺的重要性。從一開始只針對幾個小的業務線進行試點，到後續在更多的場景中推進落地，你們達成共識：與數據中臺相似，煙囪式的各自爲政只會使得後續AI的落地越發艱難。

AI平臺在Fintech市場的爆發，驗證了一個基本事實：只要業務領域有足夠通用的需求，就會出現足夠通用的平臺。數據庫自己是上一個數據的事實標準，而AI平臺則沒有一個明確的定位。因爲這個想象空間，AI平臺便成了各大玩家的必爭之地。

趨勢二：數據建模開始在非金融行業的龍頭企業流行，國產化趨勢明顯

AI平臺在其餘行業的試點也如同星星之火。雖然其餘傳統行業的信息化水平廣泛比金融略低，但也在迎頭遇上。每每這些行業取得的成果比金融要多，這是由於滿地都是順手可摘的果子，成果落地比金融行業相對容易。

這些企業本來可能使用的是SAS、SPSS或者Matlab等國外產品，如今可能在試用國產AI平臺。一方面是由於SAS等產品不足以支撐最新流行的框架算法，另外一方面也有國產化層面的考量。

AI平臺做爲人工智能基礎平臺，自己須要對各領域專業算法具有深刻理解以及實現的能力。同時做爲平臺，也有通用性、高性能以及安全可靠等各方面的平臺需求，對相關研發人員有極高的技術要求。當前，國產平臺跟SAS等比較，總體仍是略佔劣勢，可是在某些細分領域已經實現了超越。

趨勢三：圖譜應用開始在全行業推廣，僞需求略多，注意辨別

圖譜類的應用，主要對應於上面提到的「知識中樞」。基於「知識中樞」去作特定行業的圖譜類應用已經在市場上流行了一段時間。

只是，一方面因爲客戶對這塊有不切實際的要求，另外一方面，大多數實施圖譜應用的廠商能力良莠不齊，實際項目也沒辦法最終落地。

2020年對大多數圖譜類應用，客戶會有一個更清醒的認識：作什麼它擅長，作什麼它不行，應該怎樣作，都會有必定的經驗。這也對圖譜應用有更高的技術層面的要求，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、實施週期、最終效果等。

趨勢四：深度圖譜在反欺詐、反洗錢、犯罪團伙分析等場景開始落地

因爲深度學習自身相關技術的停滯，將深度學習與圖譜結合成爲了學術界的主攻方向。而在反欺詐、反洗錢、犯罪團隊分析等場景下，複雜網絡分析已經成爲主流的分析手段。經過深度學習與圖譜的融合，深度圖譜給傳統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高到另外一個高度。

然而，一旦涉及到落地，故事並無那麼簡單。一方面，同大多數AI應用同樣，落地過程是比較曲折和複雜的。自己模型精度須要不斷迭代，同時也須要對業務很是熟悉的人員進行及時反饋，這就致使對業務跟算法的要求都很是高，一旦實施過程當中出現誤差，容易有挫敗感。另外，在一些對實時性要求比較高的場景中，對底層圖數據庫的性能也有要求。而當前的市場上，圖數據庫廠商雖然多，但大多數時候沒有懂技術的人員去調優，使得真正能同時知足性能要求和算法要求的圖數據庫百裏挑一。

趨勢五：視頻圖像類應用的碎片化與場景化成爲AI快速落地推廣的攔路虎

CV類場景是引爆AI大火的導火索，同時，因爲大多圖像場景偏識別類，跟業務離得比較遠，能夠大規模地在市場上擴張。

不過，咱們能夠驚奇地看到，CV類的需求還在不停地膨脹。這是由於，當前市場的CV巨頭在人臉、車輛等通用需求方面進行了大規模落地，而對於一些偏碎片化的場景，好比設備故障識別、異常識別，甚至特殊場景的人臉識別，都缺少足夠的技術支撐與耐心去推進落地。

所以，怎樣提高CV場景落地的效率成爲大多數CV從業者的主要工做方向，這裏麪包括多個維度：第一，從科研層面去革新算法，第二，從工具層面去落實標註、訓練、部署等的一體化平臺，第三，從市場角度定義行業通用化的場景，第四，從技術角度去優化模型，從而下降實施成本。

在這個大背景下，四大CV獨角獸也好，互聯網巨頭也好，都試圖去推進平臺的落地。然而，在這樣的「四維」要求下，要踏踏實實地在細分場景中打磨通用模型、平臺，談何容易。但這也讓耕耘細分行業的小CV廠商有足夠的空間去摸索。

趨勢六：AIOT物聯網場景沒有大規模的需求爆發，細分行業開始出現落地

咱們看到，所謂的AIOT場景，主要仍是CV類場景帶動，但一些深刻需求(如須要傳感器數據參與的預測性維護類場景)落地較少。

這跟「智能製造」的特色比較相關。客戶在車間現場一般須要一個開箱即用的產品，而大多數AI類場景須要足夠多的時間去打磨。另外，大多數工業場景須要的不只僅是大量有價值的數據，還須要對工業場景有深入的理解。

首先，「大量有價值」的數據自己不大可能得到。好比，在預測性維護的場景下，所謂「有價值」，就是指相同或者相似的設備歷史上出現故障的時候對應的數據，這種數據固然不多。其次，在部分異常數據的加持下，通常的統計分析算法可能分析不出什麼。這跟金融類的風控場景不一樣，風控場景考驗的是人性，從人性的角度去作必定深度的分析，並結合算法就能夠取得不錯的效果。而對於設備，這裏須要的是一個深入理解機械原理的算法專家。

即便面對這樣的困境，咱們仍是看到了一些製造業企業開始摩拳擦掌，雖然深刻的AI算法用不上，簡單的BI也能提供價值嘛。

只是感嘆，Predix仍是出來太早了，那2020年會有突破嗎?仍是得看「智能製造」的內生動力多大，指望一些細分場景會有落地。

人工智能的2019年註定是平靜的一年，由於技術爆發以及投資引導時期已過，避免不了被冷清。然而，正如大多數技術週期同樣，當技術自己有價值且具有落地能力的時候，技術落地的過程逐步展開。

咱們相信對於大多數在探索人工智能落地過程的從業人員來講，故事纔剛剛開始。而對於參與炒做概念的玩家來講，也找到了新的方向：區塊鏈。

從更宏觀的數字化轉型的角度來看，還有太多的事情值得你們去落實。抓緊2019年的尾巴好好作幾個落地項目吧。