過去的2019年，人工智能進入了技術成熟度曲線的低谷期，技術炒作的泡沫破裂，行業關注重心開始轉變為人工智能如何落地產業。
來源 | 愛分析
然而，由於技術與業務需求之間的鴻溝，人工智能在走向產業落地的過程中面臨一系列的挑戰。企業在應用人工智能技術推進業務轉型升級的過程中，必須要了解這些問題並加以有效應對。
為了分析上述問題，報告回顧了人工智能的行業概況，並結合實踐案例分析了人工智能技術給產業帶來的具體價值創造和各行業落地進展和未來應用趨勢。同時，報告系統性地分析了人工智能落地產業過程中，在數據、算法模型、業務場景理解、服務方式、投入產出比等方面面臨的挑戰和應對方式，希望幫助企業推動人工智能的價值落地。
目錄
一. 人工智能走向產業應用
二. 人工智能助力企業數字化轉型
三. 人工智能落地挑戰與應對
四. 人工智能應用趨勢展望
結語
1.人工智能走向產業應用
人工智能是計算機科學的分支，是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。
人工智能的基礎理論由來已久，由深度學習引爆的第三次人工智能浪潮，以及算力的進步和數據的爆發，使得人工智能技術快速走向成熟，並逐步落地產業應用。
1.1 人工智能行業圖譜
從底層基礎技術到上層行業應用，可以把人工智能行業劃分為基礎層、通用層和應用層三部分。基礎層為圖像、語音等人工智能基礎技術提供芯片、計算框架等計算能力支持，通用層提供感知、認知計算等通用技術，而應用層則是人工智能通用技術與各行業深度融合產生應用價值的產品和服務。
1.2人工智能的商業模式
人工智能走向產業應用的過程中，從向企業和個人用戶提供人工智能產品服務的角度，人工智能公司的商業模式主要分為四種類型：API調取、產品訂閱/License、“產品+服務”解決方案及效果付費。
2.人工智能助力企業數字化轉型
發展至今，人工智能經歷了明顯的泡沫降溫，進入了技術成熟度曲線的低谷期。行業開始迴歸理性，更多地關注人工智能如何落地產業，推動企業的數字化轉型。
本章，我們將分析人工智能在企業數字化轉型中創造的價值，以及人工智能在各個行業的落地進展和實踐案例。
2.1人工智能價值創造的三個層次
人工智能落地產業帶來的價值創造，可以分為自動化、智能化、創新化三個層次，每個層次創造的價值度逐步提升。
2.2人工智能助力企業業務智能化
數字化，是指利用數字技術來重塑業務流程，從而帶來新的收入和價值創造機會。數字化轉型，已經成為企業實現業務增長的必然選擇。
數字化的典型路徑分為“信息化——在線化——智能化”三個階段。信息化即IT基礎設施的完善，是企業服務客戶和經營管理在線化的基礎。在線化包括用戶交互場景以及企業經營場景的在線化。智能化是基於在線化沉澱的數據，讓企業的經營決策從經驗和流程驅動轉向數據驅動、自動化決策，實現降本增效。
2.3人工智能的落地進展
隨著產業數字化帶來的數據基礎的日益成熟，人工智能在營銷、金融、數字政府、零售、醫療等行業的落地持續推進，並開始帶來顯著的效益，但落地進展有先後之分。在部分行業，傳統企業已經充分認可人工智能的應用價值，開始在實際業務場景規模化地引入相關技術。
2.3.1營銷
營銷領域，線上營銷場景已經是完全在線化、數據化的，線下營銷場景也隨著攝像頭、屏幕等終端設備的智能化以及智能手機的普及而邁向數字化階段。同時，品牌企業自身也在推進客戶觸點的數字化，並通過構建客戶數據中臺等基礎設施，完善客戶數據資產的積累。
基於這些條件，人工智能在營銷業務全流程已經得到廣泛應用：從早期的用戶畫像建立、程序化投放、流量防欺詐等自動化應用，到基於數據做市場預測、銷量預測、智能客服等智能化應用，再到目前基於圖像識別在視頻等媒介的創新廣告形式。
2.3.2金融
金融行業的數字化進程一直走在產業前列。在金融業務的強需求和充足的IT預算支持下，雲計算、大數據等技術已經廣泛應用，積累了完善的數據基礎設施，“金融科技”浪潮正在深刻改變整個金融業態。
人工智能技術在金融行業的應用也越來越廣泛，在產品設計、市場營銷、風險控制、客戶服務等環節已經實現了不同程度的滲透。
其中，智能投顧是一個典型的創新化應用，通過人工智能技術為用戶進行風險識別、資產配置（公募基金匹配）、投資風險提示等工作。例如，招商銀行推出的“摩羯智投”產品，為用戶提供個性化的投資理財諮詢服務。
阿博茨科技助力港交所提升數據處理能力
阿博茨科技專注於推動人工智能在金融領域應用落地，主要向銀行、交易所、資管機構等提供人工智能解決方案。
基於AI技術，集奧聚合提供信貸全生命週期解決方案
集奧聚合成立於2012年8月，基於人工智能技術為金融機構提供客戶探查、智能風控、反欺詐、信用評估、策略分析、監控預警、貸後管理等信貸全生命週期人工智能解決方案。全流程幫助金融機構準確識別欺詐風險，有效降低逾期壞賬率，並可最大程度降低企業成本，提升運營效率與利潤，助力企業邁向AI路。
過往商業銀行主要依賴人工來完成信貸業務各個環節的操作，這導致商業銀行面臨獲客難、信貸風險高、運營效率低下等問題。
商業銀行信貸風控大致分為貸前信審、貸中監控、貸後管理三大階段。貸前信審主要解決申請用戶准入和風險定價問題，貸中監控主要關注客戶還款情況和賬戶變化行為，貸後管理主要針對逾期用戶進行還款提醒減少損失。
如何在風險可控的情況下，讓普惠金融更多的惠及大眾，是各大金融機構和集奧聚合共同關注的問題。人工智能科技的應用首先讓信貸業務的人力成本、運營成本降低；同時，機器代替人可以有效地提升信貸業務效率和準確率，最終使得信貸業務更加智能化、自動化。
1）智能外呼客戶探查，人機交互降低運營成本。金融信貸業務高速發展，營銷業務人力密集，企業員工或外包人員通過電話外呼進行客戶探查，客戶體驗較差，且轉換效率不高，而隨著市場競爭加劇和人力成本逐年攀高，此傳統營銷模式將面臨更大挑戰。隨著人工智能技術的發展成熟，以智能語音交互為基礎的智能客戶探查將逐步替代傳統人工作業模式。具備語音識別、自然語言處理及語音合成能力的語音機器人，批量化、智能化的進行客戶探查作業，並將交互結果進行標籤和明細輸出，從而幫助企業實現提高業務產能，降低成本的管理經營目標。
2）貸前反欺詐洞察風險，貸中監控挽回損失。以往金融機構的信審環節是基於人工和紙面材料完成，這導致信貸欺詐行為頻出。集奧聚合運用設備指紋、規則引擎、流計算引擎、模型引擎等技術和設備幫助金融機構對申請用戶進行全方位矛盾點挖掘及可疑點識別。同時集奧聚合基於人工智能技術為客戶構建精準的申請信用評分模型，為客戶構建一站式智能化風控評分體系，從而準快速準確判定用戶的信用風險等級，有效幫助金融機構做出授信決策。
在貸中監控環節中，集奧聚合藉助深度學習、策略引擎等技術深度挖掘用戶變化、新增及異常波動風險，進行還款風險監控。
3）全景貸後管理系統，保障作業合規，拉動貸前、貸中、貸後高效協作。
利用人工智能科技應用賦能貸後管理，通過貸後解決方案及系統化產品輸出幫助客戶強化貸後管理能力，有效降低不良率，提升逾期資產回收率，加強作業合規管控，降低貸後運營成本。
集奧聚合的全景貸後管理系統涵蓋全景信息分析報表、決策中心、電催管理、外訪管理及外訪APP、訴訟仲裁管理、合規管理、坐席軌跡監控、智能語音機器人等功能。實現提升運營效率、降低運營成本、保障作業合規、拉通貸前、貸中、貸後高效協作。
同時 對於中短逾期案件，集奧聚合的智能語音機器人可高效精準觸達客戶，告知借款人逾期情況及後果，大幅降低人力成本，實現高效作業，同時還可解放人工專員，專注於處理疑難複雜的逾期欠款，從而向專家轉型。
2.3.3數字政府
中國的數字政府正在進入全面提升的階段，致力於通過運用數字技術持續提升公共治理水平和服務水平。
工信部中國軟件評測中心的評估顯示，截至2019年11月，我國已有10個省級地方政府出臺並公開數字政府規劃計劃；多地統籌建成全省政務服務App；交通部、生態環境部、廣東、山東等部門、地方推進政府數據向社會開放，促進治理能力提升。
2.3.4安全
在政策和需求的雙重推動下，網絡安全領域正在迎來新一輪黃金機遇。雲計算、大數據、物聯網等技術的滲透，給網絡安全帶來了全新的挑戰，並使得網絡安全日益延伸到業務層的安全防護。
網絡安全包括了大量的數據處理和分析流程，且業務場景本身就是數字化的，因此，人工智能技術在其中有良好的應用基礎和豐富的應用場景。信通院發佈的《中國網絡安全產業白皮書》指出，人工智能技術在數據分析、知識提取、自主學習、智能決策等方面的優勢，為應對動態多變、複雜交織網絡安全問題提供了新的思路，推動網絡安全治理向智能化趨勢發展。
芯盾時代AI反欺詐模型，全面提升銀行業務安全水平
芯盾時代是領先的業務安全產品和服務提供商，由信息安全、人工智能、大數據等多維技術驅動，依託堅實的企業服務能力，為客戶提供場景化全生命週期業務安全防護方案，助力客戶打造安全、智能、可信的業務體系。
2.3.5醫療
醫療行業的數字化水平已經具備一定的基礎。2019年全國衛生總費用約63800億，其中醫療信息化投入佔比約為1%。以醫院為例，目前智慧醫院的建設已經進入基礎設施梳理的早期階段，信息化基本完成，下一步的重點是完善數據的互聯互通。
具體而言，醫療行業包含了藥企、醫療機構、醫保商保等不同產業鏈主體，以及相對應的藥物研發、診療（分為診前、診中、診後）、費用控制等業務流程，人工智能在其中都有所滲透。整體而言，人工智能在醫療行業的應用場景處於自動化向智能化邁進的階段。
2.3.6 教育
教育行業已近經歷了廣泛的在線化歷程，在K12、語培、STEM教育等領域的一大批在線教育公司崛起，改變了供給側的格局。伴隨著在線化的進程，教育行業初步積累起大量的數據。同時，教育行業的數據大多為文本、語音、視頻等非結構化數據，人工智能在數據分析和應用方面將發揮重要價值。
目前，教育行業的數據積累還在初期，且與核心教學環節相關的數據積累還相對較少，對於非結構化數據的處理分析技術還不成熟，整體落地成熟度還有較大提升空間。
2.3.7工業
工業是國家經濟命脈，關係到國家核心競爭力。以《中國製造2025》為總綱領，中國工業的轉型升級在快速推進中。其中，發展工業互聯網，藉助互聯網、物聯網、雲計算、大數據、人工智能等數字技術實現工業智能化升級，是核心主線之一。
總體來看，中國工業行業的數字化水平偏低，IT投入不足，數據基礎還在完善的過程當中。
在工業互聯網推進過程中，人工智能技術的滲透主要體現在邊緣層與IoT結合提升數據感知能力，以及平臺層的機器學習與數據分析的結合賦能上層應用。人工智能在工業領域的應用落地還處於智能化的起步階段。
自動化的場景已經相對成熟，典型的應用是工業機器人。在傳統工業機器人的基礎上，疊加計算機視覺、語音識別等人工智能技術，機器人的智能化水平提升，能夠實現散亂物品識別與抓取、運動路徑自主規劃、多機協作等場景，從而應對更加複雜的生產任務。
在智能化方面，工業互聯網彙集設備、產線、企業和產業數據，可以結合機器學習技術，深入挖掘數據背後的應用價值。例如，基於設備運行和故障數據，藉助機器學習算法建立設備故障預測模型，實現設備的預測性維護，降低運維成本和故障損失。
在工廠運營管理環節，計算機視覺技術可以提升工廠安防監控系統的智能化水平。例如，富士康智慧工廠採用視頻監控系統和計算機視覺技術，對工廠車間進行特殊區域可疑人員闖入監測、安全生產監測等。
3.人工智能落地挑戰與應對
在深入產業落地的過程中，人工智能技術與企業需求之間仍然存在鴻溝。
企業用戶的核心目標，是利用人工智能技術實現業務增長，而人工智能技術本身無法直接解決業務需求，需要根據具體的業務場景和目標，形成可規模化落地的產品和服務。在此過程中，人工智能在數據、算法、業務場景理解、服務方式、投入產出比等方面都面臨一系列挑戰。
3.1數據
數據是人工智能應用的基礎要素。在應用人工智能技術解決特定業務場景問題過程中，與數據相關的流程主要包括數據獲取、數據治理和數據標註。
3.2算法模型可解釋性
在算法模型層面，人工智能在與業務系統結合的過程中面臨的挑戰是模型的可解釋性問題。
從迴歸算法、決策樹等傳統模型，到深度學習等新興算法，人工智能的複雜性在不斷增加，這使得算法決策機制越來越難以被人類所理解和描述。在原理上，大部分基於深度學習的算法是個“黑盒子”，模型不具備可解釋性。
3.3業務場景理解
隨著人工智能深入落地各垂直行業，要解決的業務問題從通用場景、單點問題，向特定場景、業務全流程演進，需要從感知智能進化到認知智能，從而具備分析決策能力。同時，業務場景的複雜度和進入壁壘變得更高，對業務場景理解能力的要求也不斷提升，給技術驅動的人工智能廠商帶來更大的挑戰。
在這樣的背景下，人工智能廠商單純依靠算法技術和經驗積累，難以滿足對業務場景理解能力的需求。因此，人工智能算法需要與專家經驗、業務規則融合，共同解決問題，知識圖譜技術成為關鍵。
藉助知識圖譜技術，可以將行業經驗沉澱為行業知識圖譜，在此基礎上讓算法更好地理解業務。實際落地過程中，先通過建立統一的知識圖譜來實現知識融合，再進一步推進人工智能的快速落地應用，是解決業務場景理解問題的比較可行的方式。
3.4服務方式
人工智能落地過程中，還需要考慮服務方式的問題。
一方面，傳統企業往往不具備很強的技術能力，無法直接應用技術。因此，標準化的人工智能技術輸出或者API調取的服務方式，無法滿足企業業務人員的最終需求。人工智能廠商需要根據具體業務場景，基於技術能力提供定製化的解決方案，並封裝成可直接應用到業務系統的產品，需要“AI+產品”。
另一方面，企業用戶的需求是達成最終的業務目標，需要保證業務系統的持續運營，讓AI產品真正發揮價值，但自身的運營能力也有限。因此，往往需要人工智能廠商提供持續的業務運營服務，以保證最終業務效果的達成，需要“AI+服務”。
這給人工智能廠商面臨的挑戰，則是自身業務模式的問題，需要考慮如何避免過於定製化和重服務。例如，可以通過中臺化的方式賦能前端業務人員，共同為客戶解決業務問題。中臺層把各項通用能力都中臺化，基於中臺支撐賦能前端人員去服務客戶的業務運營，共同推動解決方案的落地和業務目標的達成。
3.5投入產出比
目前，企業用戶投入人工智能技術應用仍然會面臨總擁有成本過高的問題，導致投入產出比不高，進而影響對人工智能技術的採納。
為了在業務中落地人工智能技術應用，企業的總擁有成本至少包括以下項目：一方面，涉及到芯片、算法平臺等硬件在內的智能化產品。另一方面，人工智能應用對專業人員的依賴非常大，需要引進算法工程師等人工智能人才。這些人工智能產品和人工智能人才的成本都比較高，這導致對於某些行業而言，投入產出比成為限制人工智能應用規模化落地的最大阻礙。
在成本方面，可以看到數據科學平臺、機器學習平臺等產品的湧現，正在提升人工智能建模的自動化程度。數據科學平臺可以在數據準備、模型建立、決策部署、模型管理等方面實現自動化，降低整個業務流程對算法工程師的依賴，從而降低人工智能應用的總擁有成本。
此外，未來人工智能的投入產出比提升的機會還在於算法的進步帶來對硬件要求的降低，以及人工智能芯片等硬件成本的下降。
4.人工智能應用趨勢展望
展望未來，基礎設施的升級、從決策到行動的技術演進，以及應用場景從企業智能延伸到產業智能，是人工智能應用值得關注的幾大趨勢。
4.1基礎設施升級，拓展人工智能應用場景
2019年，中國正式進入5G商用元年。作為具備高帶寬、低時延、廣連接特性的新一代通信技術，5G正在成為產業變革、萬物互聯的新基礎設施。
首先，5G可以支撐大量設備實時在線和海量數據的傳輸，使得企業可獲得的數據量、數據實時性大幅圖提升，為更多人工智能應用提供可能。其次，隨著5G部署範圍的拓展，基於5G之上的超高清視頻等應用將迎來增長，人工智能在其中大有用武之地。
4.2人機協同帶來全新業務模式
按照解決問題的能力劃分，從識別——理解——分析——決策——行動的鏈條來看，人工智能的發展可以分為三個階段——感知智能、認知智能和行動智能。
4.3產業智能互聯
隨著企業數字化轉型和產業互聯網的不斷推進，產業智能互聯的數據基礎設施不斷完善。產業互聯網實現了產業鏈各環節的數據打通，在此基礎上，人工智能的應用將從企業內部智能化延伸到產業智能化，實現採購、製造、流通等環節的智能協同，進一步發揮產業互聯網的價值，提升產業整體效率。
結語
2020年代，如何落地產業將成為人工智能的主要命題。
在通用基礎技術基本成熟的條件下，與行業應用緊密結合推動產業的數字化轉型和生產力提升，人工智能技術才能真正實現價值。同時，在行業應用中將人工智能技術轉變成可規模化落地的產品和服務，也是人工智能廠商進一步深化技術能力、打造競爭壁壘的關鍵。
對於處在數字化轉型浪潮中的企業而言，採用人工智能技術推動業務的智能化升級已經刻不容緩，關鍵是尋找到投入產出比最佳的落地場景。
閱讀更多 物流產品網 的文章
