作为“新基建”七大版块中的重要组成部分——人工智能将会成为推动经济高质量发展的一个重要引擎,智能驾驶、智能机器人、智能医疗、智慧金融等人工智能应用都在逐渐成熟,企业对于人工智能技术诉求不断增加。 据《2019-2020中国人工智能计算力发展评估报告》显示,互联网仍然保持第一并且占据中国62.4%的人工智能算力投资市场份额,典型应用场景包括电商的精准营销、图像识别和智能客服,视频的内容审查、人脸识别和智能写作等。政府应用紧随其后,典型应用场景主要集中在平安城市、智慧城市、智慧交通等城市运营和管理平台。金融行业典型应用场景主要包括金融行业的身份验证、支付过程中的人脸识别、欺诈分析与调查等。制造业的质量管理(QC自动化)、智能工厂等发展迅猛。电信行业首次入围前五,典型应用场景包括相对成熟的智能客服和精准营销等。

那么,人工智能如何才能从概念真正落地到企业并给企业带来确确实实的商业价值呢?对此,记者采访了供职于人工智能及大数据重点实验室的研究人员蔡轶佳。这是记者对他的第二次采访,早在2017年,当时任职于国外研究机构的蔡轶佳曾就深度学习领域问题接受了记者的专访。他毕业于悉尼大学,具有在澳洲人工智能及大数据科研机构多年的研究经验。

蔡轶佳表示,在过去行业的具体实践中,他有一个非常深刻的体会,要推动人工智能的快速落地,会遭遇需求多元化且相互矛盾的压力,产业人工智能的发展同时受到技术上和商业上双重的挑战,只有不到10%的人工智能概念能够顺利投产。虽然不少企业都在部署人工智能解决方案,也取得了一定的成果,但是只有少数企业做到利用人工智能解决方案为企业带来真正的商业价值。基于人工智能目前整体形势,蔡轶佳建议可以采取以下的四步法探索这项技术在企业中的具体落地路径:

第一步:概念验证(Proof of Concept)

当涉及到 AI 项目时,企业需要首先通过概念验证(Proof of Concept)来证明即将采用的人工智能方案可以削减成本或者在某种程度上给企业带来效益。概念验证需要将企业结构、客户、企业规模和内部工作流程等考虑在内, 并且采用相对简单的算法,训练数据也是即时可用的或内部标记的,其最终目的是证明可以用少量的数据训练算法以解决特定场景的问题。当然,企业必须意识到实际数据可能比概念验证所用的训练数据更容易出现建模问题。

第二步:试点阶段(Pilot Program)

试点阶段(Pilot Program)是概念验证与项目最终产品化之间的一个步骤。在对算法进行调整和训练的过程中,企业不可能关闭任何其他正在运行的现有系统或更改已有的人员配置,试点与现有系统一起运行。这是一个必要的步骤,因为在此过程中可以发现许多工作流程的问题。

第三步:最终产品(End Product)

最终产品(End Product)是我们在现实生活中使用的系统,它必须是能够用真实数据来解决现实问题的系统。在将小规模的算法转移到生产过程并最终产品化时,必须考虑到扩展原有算法而需要的数据。由于目前基于深度学习的人工智能高度依赖大数据,企业的数据基础往往是决定AI项目是否能成功实施并且产品化,同时企业必须考虑以下因素:

- 运营成本

- 操作的复杂度

- 数据是否充足

第四步:系统集成(System Integration)

在最后的集成阶段,AI 项目可能会跨多个业务线,面临着来自企业级基础架构、安全性和技术支持等多方面的挑战,甚至可能需要直接面对普通用户或客户。而当中最大的问题是如何将AI项目与现有流程和系统进行集成(System Integration)。如果无法最终使AI项目合理地集成于现有企业整体架构,那么即使是最有前景的AI项目也无法为企业带来真正的商业价值。经验告诉我们,能够将 AI 与企业原有的信息系统和架构连接起来的最优方法是提供算法模型的API,或将其作为现有系统中的程序代码模块进行嵌入。

以上四步是将人工智能进行商业落地的基本框架,在实际操作的过程中可能还会遇到许多现实问题,例如:企业能否采取务实推进AI的战略、实施人工智能是否会打破企业内部已有的技术架构等等。蔡轶佳指出,在技术上由于人工智能还没有完全成熟,所以在不同行业和场景中也会有各种局限性,这既是一个挑战,也是发展中的机遇。蔡轶佳举了个例子,他曾经为企业设计了基于深度学习的工艺品三维模型检索原型系统,实现了对CAD模型无监督的分类,最终帮助企业的工艺品设计人员在设计过程中能够正确检索和重用已设计的三维 CAD模型,极大缩短了产品设计时间,提高设计效率。因此,他指出除了互联网软件行业,所有的行业都很有潜力,谁能最先将AI发展成自身行业的一种“通用技术”并制定标准,就将会在自己的行业中取得巨大的优势。（作者:林伟斌）