如何讓AI深入滲透各行各業?在我看來，用技術和AI賦能傳統行業，我們必須“軟硬皆施”，一方面打好技術功底，一方面從行業的數據採集開始，利用算法和模型優化疊加優勢，最終轉化為洞察力，打造能真正落地的解決方案。
2016年，擴博智能成立了，我們深耕計算機視覺和機器學習技術，目標很清晰，那就是為技術滲透程度和速度跟新興互聯網行業相比還比較低的傳統行業帶來 “立竿見影” 的效果，即在不更改企業現有運營模式和流程的同時，幫助企業大幅度降本提效。目前，我們已在風電和零售兩大領域收穫顯著成果，並一步一個腳印，錘鍊優勢技術的具體場景落地。
為風電廠煉就“火眼金睛”
對於風電行業，風機葉片的巡檢是剛需，任何毫米級的裂紋都有可能產生“蝴蝶效應”，在一定時間內可能導致風機葉片整體斷裂，而一臺風機價值是百萬甚至上千萬元人民幣，葉片裂紋問題不及時發現和補救，不但會對發電量造成影響，還會為企業帶來慘重的經濟損失。傳統情況下，風電場會指派巡檢小組來完成這項任務：比如說，某風電場共有30颱風機，小組工作人員每天巡視1-2座塔，他們會穿戴安全帶，在安全繩和作業繩的保護下，沿著葉片從葉根到葉尖進行巡檢，用手機或數碼相機把有缺陷的位置拍下來反饋給團隊。這一解決方法並不能夠防患於未然，工作人員巡檢完整個風電廠需要一個月的時間，碰上惡劣的天氣，工作週期還會增加，拍攝的照片也難以反映全貌，也不能實時反映裂紋的及時變化情況，對於週期性數據的採集和整理更是一個困難重重的挑戰。
對於這一場景，我們打造了智能化運營平臺，以特種飛行機器人為生產力工具，以計算機視覺為技術支撐，創造了能提高近二十倍效率的解決方案：結合計算機視覺及傳感器技術，我們下足功夫打造了強有力的算法，讓配備了高分辨率攝像頭的特種機器人替代人力來巡檢葉片——在四到五級風的情況下，特種機器人先飛到距離葉片十幾米的距離，實時智能規劃路線，當飛到距離葉片8米左右的位置時，它開始在飛行過程連續拍攝風機葉片不同角度照片，拍照的時間點保持雲臺相機相對穩定，確保拍圖片清晰完整，能夠拍出顆粒度細至1mm*3mm裂紋的照片。我們的解決方案能為風電廠帶來持續不斷的數據更新，提供完整的數字化全生命週期資產管理。讓風電場不遺漏每一個裂紋，巡檢小組的工作效率和安全性大大提升，整個巡檢時間從原來的4-6小時縮短為15分鐘。我們曾做過壓力測試，在每秒12米的風速下，特種機器人不但能穩步飛上葉片的高度，還能夠順利完成整個巡檢工作流程。此外，我們還開發了一整套數據報表體系，巡檢完成的數據能在雲端生成分析報表，工作人員在若干工作日後就可以看到。
根據國家能源局的數據，過去五年，風電產業在中國以及全球都取得了快速的發展和成長。2012年，中國風電總裝機容量約6000萬千瓦，到2017年已經接近2012年的3倍。隨著風電運營市場規模的不斷擴大，風電場對於精細化、智能化運維的需求也會越來越多。風機本身是物聯網節點，其包含的大量傳感器產生大量數據，這些數據都可以作為風電場的洞察力，幫助他們做出更好的決策。企業希望擁有一個如最強大腦般的平臺，收集並統一管理豐富的數據。目前，我們在風電領域已經發展了多個行業主流客戶，包括業主方，如盾安新能源、津能電力等;設備製造商，如雙瑞集團;還有第三方運維商，如上海長知等。在不久的將來，我們有望成為中國規模最大的，利用特種機器人做葉片巡檢的廠商，為更多客戶帶來降本提效的解決方案。我們的解決方案還能夠“複製”到更多領域的場景中，成為強有力的生產力工具。
“最後十釐米”零售行為數字化追蹤
2016 年，全國零售總額突破了33 萬億元，其中線上零售增速下降7.1個百分點，線下零售仍然佔銷售總額的80%。各大零售和互聯網巨頭的關注不約而同的轉向了線下市場和實體零售。
在線下零售業“人、貨、場”三要素中，人與貨的連接與追蹤還是一片藍海。客戶瀏覽了什麼商品，把哪些放在了購物車中，到最終完成交易，這些對於線上零售完全透明，而對於線下零售卻盡是“盲區”，比如說，商家為超市設計棚格圖，包括哪些貨架擺哪些貨物，卻難以判斷超市是否真正按設計執行，也難以追蹤顧客對於這些設計的反饋如何。商品從倉庫運送到各個售貨商，到最終賣出的整個環節中，只有來到了“最後十釐米”的店面，才“有機會”接觸到消費者，而這一部分的數據洞察能夠反向推動商家對各個環節做出更好的決策。
貨物更新迭代速度非常快，每一季度都有新包裝和新款式，這是商家對進行貨品管理的難點之一。傳統情況下，商家安排人手為每個商品粘貼RFID二維碼，用人工觀察和記錄數據，這樣做成本非常高昂，且時效性和數據完整性差，例如新品推出的市場數據往往要幾個月後才能收到抽樣反饋。而計算機視覺技術是能夠解決這個問題的更好的方法，我們打造了國內首個線下零售“人工智能好助手”，並建立了龐大的SKU知識庫。我們教機器識別並標記每種貨品。調研人員只要為貨架拍照，“人工智能好助手”就能夠貨品的SKU識別出來，在秒級反饋高精確度結果，幫助店員實時發現貨品在店面中的擺放問題，貨架情報，競品追蹤等。
目前，我們已經擁有了龐大的SKU知識庫中，並時常更新數據，將模型的精確度保持在95%以上。貨架採集的整體數據，能夠幫助管理人員更精準快速地捕捉問題並制定更好的決策:比如針對某一飲料品牌在某一地區銷售成績不及其他地區的原因快速改變運營策略。
將來我們有潛力也有能力實現更大的目標：在任何一個超市或者小賣鋪裡，只要拿出手機拍張照片，我們就能識別貨架上的全部商品。將物理貨架通過一張照片實現真正的數字化世界。
結緣微軟
我們團隊與微軟結緣很深，我與許多夥伴都曾在微軟奮鬥和成長過，我們的團隊有著很深的技術功底(碩博以上學歷佔比85%，40%以上的員工有海外留學或工作經歷)，在創建擴博智能後，我們又有了與微軟一同成長的機會，微軟Azure智能雲和微軟加速器就是我們的紐帶。在微軟Azure雲的ToB大生態中，我們與Azure一起成長。目前，我們的雲平臺正是基於Azure搭建的。
我們在Azure智能雲平臺上搭建了完整的端到端方案部署能力，在這一平臺上，運算，存儲和數據庫資源可以直接按需使用，在我們專注的領域跑得更快。Azure上的IoT以及數據倉庫和數據分析等相關服務幫助我們減少了開發時間，我們不需要將大部分細節從0開始部署，只需要專注於搭建計算機視覺機器模型和模型的調優即可。
對於風電場景，我們的特種機器人飛行任務結束後，用戶需要將數據進行上傳，系統將根據風機號進行歸類，對應雲端數據庫，上傳到Azure雲平臺進行下一步的數據處理。雲端數據處理服務平臺收集到無人機採集的用戶數據之後，雲端就會自動處理照片數據，通過機器學習將初篩缺陷結果返回給用戶，初篩結果包括缺陷類型，缺陷大小，缺陷位置，處理建議等。用戶基於此缺陷數據，可以編輯、修改、輸入相關信息，並自動化一鍵式導出服務報告。
對於零售場景，基於微軟 Azure 智能雲的靈活動態部署，快速適應海量的業務處理需求。系統底層為機器視覺引擎，包括自主學習引擎、大規模自主學習框架、商品品類標籤庫以及數據運維團隊;平臺層部署了與客戶業務相關的統計模型、用戶管理模塊、任務管理模塊，以及對應的 API服務，能夠快速開發基於網頁、手機第三方應用或設備的APP。數據層利用雲端的數據倉庫和數據湖等服務可以快速啟動對大量數據的複雜分析和計算，提供更高維度的數據價值挖掘。
2017年，我們入選了被譽為比哈佛大學更難錄取的微軟加速器，微軟加速器是最懂創業企業的加速器，在他們的幫助下，我們有機會與大客戶對接資源，比如說，我們與零售行業大客戶全球可口可樂合作，幫助他們在商品識別方面做出大改進。由於微軟及Azure的全球佈局，我們與可口可樂在許多國家的分公司的合作，保持服務與體驗的一致性。同年，我們還成為了微軟全球金牌合作伙伴。站在“巨人的肩膀”上，我們已經看得更高、更遠。在微軟加速器成功加速後，我們獲得了來自GGV紀源資本的首輪融資，今年1月，我們又拿到了500萬美元A+輪融資。
能讓自己的優勢技術落地，解決客戶的實際問題，我們實感欣慰。我們的解決方案對於各行各業有融會貫通之處，我們會持續深耕技術，拓寬場景，普羅大眾。
閱讀更多 笨菜鳥 的文章
