近日，爱分析在京举办了2018爱分析·中国人工智能高峰论坛。爱分析特别邀请了人工智能领域标杆公司百分点的COO刘钰进行主题演讲。
百分点是大数据+AI行业的头部服务商，在人工智能落地进行了诸多实践，特别对于人工智能如何实现感知、认知、决策产生了诸多思考。现将百分点COO刘钰的主题演讲实录进行分享。
人工智能的核心：用虚拟数据创造真实价值
百分点是行业头部大数据+AI服务商，在AI领域重点布局认知层技术，基于自然语义处理和知识图谱等技术提供行业智能决策系统。刘钰总演讲的主题是《落地传统行业，人工智能如何实现从认知到决策》。
刘钰： 大家好！从百分点2009年成立的第一天开始，我们所有业务与产品的出发点就是希望在数字世界创造真实价值，比如百分点第一个产品是线上的个性化推荐系统。虽然个性化推荐系统发展到现在大家已经非常熟悉了，就是如今在电商网站上普遍使用的看了又看、买了又买、猜你喜欢等推荐栏；但实际上，百分点的个性化推荐系统打通了数据的感知到认知再到决策，是一个体现大数据和人工智技术的经典SaaS产品，它实现的人和商品、人和资讯、以及人和人之间的匹配和推荐，都是智能认知和决策的体现。
从2009年百分点发布这第一款产品开始，就已经是在做基于大数据的机器认知和决策，所以百分点做AI并不是一件新鲜的事情。
百分点在第三方个性化推荐这个细分市场上，一度做到全中国市场份额第一，现在个性化推荐已经成为电子商务的一项标配，成为海量的用户行为数据创造实实在在的效率和价值的成熟用例。百分点在2014年正式转型做企业级服务之后，一直都非常重视这一点，那就是，虚拟世界一定要创造真实的价值。
经过多年实践后，我们认为人工智能落地基本上涵盖三方面：感知、认知和决策。我们认为，终极的智能不管是对人来讲、对机器来讲，还是对要使用机器智能的企业和机构来讲，都是解决问题的智能，而决策是最核心的地方。
近期，得益于丰富的大数据全栈产品和领先的认知智能技术，以及行业市场的快速增长，百分点与SAP、阿里云并列入围国际知名咨询机构发布的Forrester Wave报告中的卓越表现者（Strong Performer）象限。从这个报告可以看到在“预测性分析和机器学习解决方案”这个领域，在中国市场上都有一些什么样的玩家，以及他们分别在什么样的象限。
预测性分析和机器学习解决方案这个领域对应的恰恰就是百分点从认知到决策背后的技术体系。比较热门的各种机器学习的具体技术都在底层，全面支撑感知到认知到决策；之上还有智能交互，比如语音交互、手势交互等。最终形成一个技术集的融合，全面支持ToB、ToG和ToC的各种应用。
业务定义数据，对症下药的数据才最有价值
那么，百分点所拥有的这些技术集群，应用到各个行业当中，如何落地？
先讲一个例子，国家市场监督管理总局缺陷产品管理中心两年前开始和我们做汽车召回的事情。传统的会商制需要一、二十个专家，大概一个季度要花两百多个小时，才能决定是否召回。
而使用我们系统之后随时可以开工，在机器协同的帮助下，只需要一个操作员，在两个小时的时间内便可以完成汽车召回的整个决策流程。
因此，认知+决策的产品和技术系统在这样的传统行业，同样可以极大地提高效率，缺陷产品管理中心和我们合作到现在，合作的内容已经开始从汽车领域扩展到其他的品类，比如玩具和食品的召回等等，造福民生。
通过这个案例我想说明，百分点从诞生起来的第一天就是在数字世界里面寻找创造真实价值的方法，并且在创造价值方法方面有了一些心得，缺陷产品管理中心这个案例展现了第一个心得：数据是要由业务来定义的。
我们跟很多客户交流的时候发现，客户很焦虑，他们认为做大数据和人工智能产品都需要大量数据，而自己并没有那么多数据，怎么办？
我们的答案是：业务需要的数据才是有价值的数据，外面是有海量的数据，但是很多数据其实没有价值。与企业具体业务问题有关的数据，需求量经常并不会很大。很多时候只需要将自己的内部数据充分利用起来，再加上一些公开互联网上的数据，就已经能够创造很高的价值了。与此同时，提升组织的数据思维、数据运营和数据创新能力，为未来扩大数据和AI应用的业务范畴奠定组织基础。
以缺陷产品管理中心案子为例，车型的基础信息、市场服务信息、国外的召回信息等都属于比较常规的信息，是他们已经有的数据积累。但是消费者投诉和舆情信息，在我们为他们服务之后发生了很大变化，这个变化在哪里呢？原来消费者投诉需要消费者主动投诉，他们收到主动投诉信之后才会发起一个召回的调查，最终得出一个结论。现在我们的系统会帮助中心去做公开互联网上的数据抓取，然后进行自动的语义分析，最后呈现的是一个互联网舆论上的综合结果。这样就帮助中心从被动收集变成主动抓取，只需在互联网上分析出有消费者对某一款或某一类产品有足够多的抱怨、负面评价之后就可以主动开始开展调查，极大地改变了他们的信息来源和工作方式。这就是业务定义数据的体现，数据并不是越多越好，对你要解决的业务问题对症下药的才是好的数据。
找到价值回报率最高的点，从点到线再到面
再举另外一个例子，一家国有的综合汽车制造厂商，制造小汽车和大卡车，在思考如何运用新技术的时候，客户也是很焦虑。他们组织员工去德国参观宝马无人生产车间，发现生产车间一个人都看不到，全自动化的智能生产流程非常炫酷。但是一对照自己的现状就焦虑了：差距太大，要改进的内容太多，无从下手。
百分点和这家厂商合作后，明确地给出建议：人工智能的落地，要从点开始，最后连成线，多条线之后才能形成真正全面的智能升级。
我们和客户一起绘制了他们的生产链条的示意图，首先选择了销量预测作为落地点，这个听起来很简单，但他们生产的重型运输卡车，对这种车型来讲，零配件的采购到库存是一件极其复杂的事情，如果能够帮客户把这种大卡车的销量预测做准，就可以大幅缩减配货和生产时间，极大程度地降低生产成本。
我们的合作从销量预测开始，一年多以后推广到生产计划，以及产品设计。因为这种重型卡车还面临另外一个问题——维修费用极其高昂。当卡车的关键主件和配件都加入传感器，实时监测车辆的运行数据和健康状况，就可以适时采取预防和维修措施，从而降低维修费用和事故风险。这就是百分点和客户一起，从点到线落地大数据驱动的智能认知和决策。
当然，全面的智能升级可能还需要非常长的时间，但这就是我们所说的第二个心得：一定要从业务开始来推导，找到价值回报率最高的点，逐渐把它串成线，最后再到面。
业务定义产品，人工智能落地产品各不相同
第三个心得：业务定义产品。
从认知到决策，背后的技术体系的核心逻辑是相似的三层结构：底层是数据接入之后的数据管理和操作平台，中间层是数据处理如建模、语义分析、构建知识图谱等认识层，上层是行业化和场景化的业务应用系统。上层是最可见的，所以，在不同行业和不同场景，客户所看见的产品，就呈现出非常不同的形态。
先看一下这个主要应用于公安行业的产品DeepFinder，智能安全分析系统。现在，各种线上和线下的数据越来越融通，如互联网上的消费、转账和社交数据，现实生活中的地理位置、出行数据、住宿数据等。一个犯罪团伙的成员是不可能不发生交集的，那么，有了一个嫌疑人的电话号码、邮件、银行帐号、出行等数据，找到通过各种方式和他产生关联的其他人，再经过战法模型的推理和预测，就可能挖掘出他所在团伙的其他成员。
第二个是适用于政务的DeepGoverner，智能政府决策支持系统。这个系统很复杂，界面也很多。例如区域经济态势，能够实时呈现特定区域的各项经济指标，以及相关的人口、企业、资源（医疗卫生机构、教育机构、交通资源等）等数据，为政府进行市政规划和资源管理提供决策模拟。
还有一个产品DeepSensor，智能设备健康管理系统。工业制造中有很多生产设备的维修非常昂贵；还有一些设备，比如发射塔、传播站，在全国广泛分布，定期巡检和维修成本也很高。而有了百分点的这个设备健康管理系统，可以从中央控制系统中远程检测到设备运行状况，绿色正常，红色报警，等等，大量减少人力巡检。
最后看一个产品DeepCreator，智能营销系统。这个产品脱胎于百分点在零售、快消、金融等领域的多年的会员大数据管理经验，结合大小数据在态度和行为两方面的洞察，是我们最成熟、也应用最广泛的产品。
综上所述，要在数据世界中挖掘出真正的商业价值，这是百分点创业过程当中体会很深的一点，也是我们在服务客户时的第一指导思想。
最后，我想以人工智能之父John McCarthy的话来总结，他说：“只要人工智能开始正常工作，就没人把它当做人工智能了。”这就正如百分点最早期的个性化推荐产品，实际上是大数据+人工智能结合的产品，但是当推荐产品天天出现在你身边时，你已经完全感受不到它其实是人工智能，因为它已经完全融入了你的生活。谢谢大家。
原文地址：https://www.cnblogs.com/chuangyezixun/p/10024128.html