特别感谢(按拼音排序)
自2019年以来，人工智能的发展已进入加速与产业融合的阶段。经过近年来的发展，人工智能已广泛渗透到金融、零售、工业、能源、医疗、城市管理等行业和领域，一些行业龙头企业已经完全接受了智能转型。
由于可获得和参考的建设经验有限，加上不同的行业和发展阶段、不同的需求和不同的资源禀赋，人工智能在行业中充满了挑战。在本报告中，爱分析从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度梳理了人工智能在行业中面临的20个主要挑战。
智能转型没有统一的路径和方法，不同企业在不同阶段通常面临不同的问题。因此，在实施智能转型之前，企业需要对自己进行处理AI评估应用成熟度，明确不同成熟阶段需要提高的能力，制定下一步实施计划，有效推进智能化转型。
本报告将在本报告中进行AI应用成熟度从低到高分为五个阶段：早期实验、初步投资、多维布局、深度应用和综合整合，并从多个维度列出了每个成熟阶段企业的主要能力特征。此外，爱分析还将是中国主要行业的企业AI显示了应用成熟度各阶段的数量比例。
在本章中，我们喜欢从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度分析企业在应对智能转型的各种挑战时可以采取的方法和措施，并从本研究案例中选择相关的实践经验，为企业提供参考说明。同时，本章还建议不同成熟阶段的企业在上述六个维度中需要分阶段提高的关键能力。
同时，爱分析本次调查的企业智能化转型AI详细梳理了应用实践案例，并在本章中呈现了案例内容，包括以字母命名的案例，具体包括：
- 案例1：中新天津生态城建设智慧城市产业大脑AI挖掘数据价值
- 案例2：AI数据管理平台帮助上汽安吉物流量化迭代AI模型使物流管理更加智能化
- 案例3：美一佳打造商业智能决策管理平台，实现线下零售的智能运营
- 案例4：依托计算机视觉技术，餐饮连锁企业为饺子质量控制安装了智慧的眼睛
- 案例5:中宏保险通过共享和重用保险知识，构建营销人员智能助理，赋能销售
- 案例6：AI在算法的支持下，AR虚拟试穿让安克创新用户获得更好的在线互动体验
- 案例7：银行建立智能消费者保护平台，帮助消费者权益保护、监控和预警
- 案例8：海信集团介绍AI平台，构建独立AI开发能力
- 案例9：大型集团建设AI支持数智化升级升级
- 案例A：大型保险集团制定大型保险集团制定平台、应用和技术三个领先战略和四个关键措施
- 案例B：虚拟数字人帮助江南农村商业银行为客户提供创新的远程视频柜员服务
- 案例C：某全球头部日用消费品公司在华公司以费用支出为导向规划AI应用场景
- 案例D：建造大型国有商业银行MLOps系统，实现快速模型迭代，高效模型交付
- 案例E：某头部家电集团的建立AI开发和管理的组织架构，全面支持产品的智能化创新
爱分析认为，未来所有企业都必须全面拥抱智能，才能在市场上保持竞争力。预计未来3-5年，大量国内企业将对其进行处理AI单点应用AI建设走向全面智能化转型，企业需要规划完善的智能化转型路径和方法，结合自身AI应用程序的成熟度，根据自身情况制定行动计划。
相信随着企业智能化进程的推进，AI该行业仍将面临许多新问题。爱分析将继续跟踪研究这一领域，关注前沿案例，为企业智能转型提供更多决策参考
\1. 人工智能在行业内的20大挑战
\2. 评估AI应用成熟度，因地制宜推进智能化
\3. 企业智能转型方法论
\4. 企业智能化趋势展望
关于爱分析
研究咨询服务
法律声明
在国家政策、产业需求、数据和技术体系趋于完善的三个因素的推动下，人工智能的发展自2019年以来已进入加快与产业融合的阶段。经过近年来的发展，人工智能已广泛渗透到金融、零售、工业、能源、医疗、城市管理等行业和领域，各种创新的应用场景源源不断地涌现。特别是在金融、智能制造等领域，一些龙头企业在各业务和职能部门引进了大量的人工智能应用，建立了更完善的技术能力、组织结构和智能运营创新机制。
行业总体趋势叠加了龙头企业的示范效应，吸引了许多企业跟进智能转型。然而，虽然许多人参与了智能转型，但很少有人真正实现新世界的深度培育，企业可获得和参考建设经验有限，加上行业、发展阶段、自身需求和资源禀赋，需要有针对性的人工智能规划建设因素，导致行业人工智能充满挑战。
基于国内多家领先企业的智能转型和人工智能应用实践案例的深入研究和分析，以及过去对行业数字化和智能的持续跟踪研究，梳理了人工智能在行业实施中将面临的20个主要挑战，包括战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度，具体如下表所示：
智能转型没有统一的路径和方法，不同企业在不同阶段可能面临的问题通常也不同。因此，在实施智能转型之前，企业需要建立一套企业智能转型的能力框架，评估框架内的多个能力维度，以确认企业本身AI应用成熟度。在此基础上，企业可以明确不同成熟阶段智能转型的关键能力要素和关键能力要素，制定下一步实施计划，有效促进智能转型AI落地。
基于本研究和过去研究的积累，爱分析将AI应用成熟度从低到高分为早期实验、初多维布局、深度应用、综合整合五个阶段，从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度列出了各成熟阶段的主要能力特征，具体如下表所示：
同时，爱综合分析IDC、红杉的相关数据和研究结果发现，在国内金融、零售、工业、医疗等主要行业进行过智能化建设的企业中，约30%处于早期实验阶段，约40%处于初始投资阶段，约20%处于多维布局阶段，约9%处于深度应用阶段，不到1%处于综合整合阶段，只有少数行业超级龙头企业达到这一水平。
考虑到企业内部处于早期实验阶段AI规划建设没有实质性进展，现阶段企业可以参照初步投资阶段的方法和实践经验推进智能转型；同时，一方面国内样本量很少，另一方面，现阶段企业基本完成了智能转型，需要更加关注和解决智能运营问题。因此，本报告将只详细讨论如何进行初步投资、多维布局和深度应用，并分别提出建议。
在本章中，爱分析将从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度讨论企业在应对智能转型的各种挑战时可以采取的方法和措施，并从本研究案例中选择相关实践经验，为企业提供参考说明。同时，本章还将建议不同成熟阶段的企业在上述六个维度中需要分阶段提高的关键能力。
综合智能转型需要从顶层设计，避免因依靠局部业务需求驱动的AI能力和应用散点建设造成后期难以统一管理和资源浪费。因此，企业应该首先明确智能化转型的关键目标，以及明确为了达到相关目标的建设思路和路径，针对这些问题对智能化转型进行具备前瞻性和系统性的规划。同时，企业需要在组织、治理结构和制度流程等方面达成统一，才能高效地推动智能化建设，达成相应目标。
例如在案例A中，某大型保险集团制定了平台、应用、技术“三个领先”战略，并成立专门大数据和人工智能部门，从项目管理机制、前沿技术研究、国产化方案替代、应用成果孵化等方面开展建设，从而推动智能化转型。
AI应用本质上具有实验性和创新性，因此也天然地会伴随着一定的不确定性和失败风险。为了实现AI应用的落地，企业需要首先建立鼓励创新，容忍失败的工作氛围，其次，建立业务创新机制，在内部密切关注AI技术的发展趋势，及时识别将AI技术用于业务创新的机会，以及不断强化组织内的AI开发能力，并推动应用的落地。
初步投入阶段：企业在该阶段应明确当前需要开发的具体应用，并考虑采取怎样的方式实现落地。
多维布局阶段：企业在该阶段应首先在组织内广泛地鼓励创新，明确智能化转型短期的目标和路径。同时需要对中长期的目标有所考虑和规划。
深度应用阶段：企业在该阶段应建立完善的智能化转型中长期目标和规划，在组织内就智能化转型的方法、流程、创新机制达成了统一，并给予全方位支持。
某大型保险集团于2019年成立了集团科技中心大数据和人工智能部，由此开启了人工智能技术发展之路。该保险集团拟在人工智能建设方面实现“三个领先”的战略目标。一是领先的平台：持续打造涵盖NLP、语音、OCR、人脸识别、大数据应用子平台的集团统一人工智能技术平台，各项技术指标居于行业领先水平。二是领先的应用：聚焦客服、管理、销售三类机器人突破，机器人研究和应用水平居于行业领先水平。三是领先的技术：核心算法全部自研，关键技术和硬件具备国产化替代方案。 在建设思路方面，为了实现“三个领先”的战略目标，该保险集团实施了如下关键举措： 1）制定长期规划，营造创新氛围。集团制定了长期人工智能发展规划，和适合科技创新的项目管理机制，营造鼓励创新、容忍失败的工作氛围。 2）钻研前沿技术，加快技术落地。密切跟踪人工智能技术的演进趋势，并适当开展前沿技术的研究，缩短前沿技术落地的周期；重点加强多模态AI应用落地的能力，加强大数据和AI深度协同的能力，加强研发人员对业务的理解。 3）探索国产化替代方案，实现技术的提前储备和自主可控。探索PaddlePaddle等国产深度学习基础框架，验证国产GPU的实际性能，形成备用方案，确保极端情况下仍然可以开展人工智能的应用和研究。 4）加快机器人突破工程成果孵化，探索研发通用机器人。利用机器人研发成果，进行销售和管理机器人嵌入式研发，重点突破人机混合运营下的机器学习；依托各类私域流量和公域流量，实现纯线上化的销售模式和销售管理模式；由小规模、人机协作向全覆盖、无人化演进，并探索研发通用机器人。
良好的数据基础是支撑智能化转型的前提，针对数据孤岛、数据质量低、数据广度与深度不足、数据架构老旧等企业数据基础中的问题，企业需要重视数据治理与数据平台建设工作。
在数据治理方面，企业应该组织专门的数据治理工作，制定数据标准和数据治理体系，提高数据质量。如在案例1中，中新天津生态城在利用内部外数据，构建智慧城市产业大脑之前，首先成立专门的数据治理小组，开展相关工作以提高数据的质量。
在数据平台建设方面，企业需要构建统一的大数据平台或数据智能平台，打通各部门、各系统的数据，丰富数据的来源，提高数据的广度和深度。同时，设计面向AI应用的数据架构，方便AI应用开发和运营中对数据的调用。例如在案例7中，某银行为了构建智能消费者保护中台，其首先建设了全口径的投诉管理大数据平台，整合行内10多类异构多模态数据，以打破多业务部门、各区域、各系统数据壁垒。关于数据平台的详细构建方法可参考爱分析于2021年11月发布的《2021爱分析･数据智能平台实践报告》。
为了高效地给AI开发提供匹配的数据，支撑AI应用的规模化落地，企业内部需要建立一套面向AI开发的自动化的数据采集、数据处理和数据管理的方法与能力。具体而言，可以在数据采集端如摄像头、传感器内置相应算法自动采集所需数据；采集的数据上传至云端或本地后，设置相应条件，自动触发数据标注任务，交由业务专家标注数据，在某些情况下还需要自动将新标注的数据与原先的数据集进行合并；当平台监测到新的数据版本后，再自动对模型进行训练，并对新的模型进行评估和上线。
例如在案例2中，上汽安吉物流在研发其视觉智能管理系统时，采用了这套标准化和自动化的从数据采集，到数据标注，到模型训练的流程和方法，支撑了平台功能高效和批量化地迭代更新。
初步投入阶段：企业在该阶段应首先解决的数据基础较差的问题，因此需要积极开展数据治理工作，提高数据治理；并建立统一的数据平台，打破数据孤岛，丰富数据来源。
多维布局阶段：企业在该阶段应已经解决了数据基础较差的问题，同时对于AI开发和运营对数据的要求较明确，初步建立面向AI开发的数据采集、数据处理相关的标准化方法，并考虑如何提高整个流程的自动化能力。
深度应用阶段：企业在该阶段应建立起完善的数据治理机制，并常态化的执行，建立能够支撑AI应用的数据智能平台；同时，企业还应建立起面向AI开发的数据采集、数据处理和数据管理等方面的标准化方法和高度自动化的能力。
中新天津生态城（以下简称“生态城”）是中国与新加坡两国政府战略性合作开发的生态城市，于2008年9月开工建设，总规划面积为150平方公里，旨在打造产城融合、绿色发展、智慧城市、国际合作的示范区。 为了构建智慧城市产业，生态城当前重点发展5G创新应用、大数据交易生态、传统产业融合创新应用三大交互应用产业，希望打造从数字生产资料挖掘、到智能产业研发孵化、再到龙头企业牵引的产业链。然而，生态城在产业发展中，其产业规划、招商引资、企业服务工作都面临着一些痛点问题，这些问题包括： 产业规划与分析缺乏数据支撑。生态城在做产业规划时，没有每个产业链细分领域的信息和数据支撑；或者有总体数据，但缺乏产业深度分析能力。 招商引资方式粗放、单薄。生态城在确定产业招商方向后，由于没有产业链信息，导致招商缺乏针对性的标的；或者有明确的招商标的，但对待招商企业进行评估时缺乏支撑数据和智能评估方法。 产业扶持与企业服务缺乏主动能力。生态城在服务园区内的企业时，无法为企业准确匹配合适的扶持政策，也无法主动为企业提供全面、个性化服务。 从根本上而言，上述问题都在于生态城在开展产业发展工作的过程中，缺乏以数据为支撑的产业分析工具。事实上，生态城经过多年发展，已经积累了大量的智慧城市公共数据，包括了区域经济运行、内部工商、财税、政策扶持等数据。与此同时，大量公开的数据，如企业工商、业务、专利、招投标、投融资、舆情、风险等数据也能够为生态城的产业发展规划所用。 因此，生态城要解决产业规划、招商引资、企业服务工作中面临的问题，就需要首先借助一系列的工具和方法，从海量的结构化和非结构化数据中挖掘出有用的信息，并以体系化的形式呈现出来，为生态的产业规划和发展提供数据支撑和科学的指导。 基于知识图谱、NLP等AI技术，构建智慧城市产业大脑解决方案 针对上述挑战，中新天津生态城希望通过引入大数据和人工智能技术来构建解决方案。在对厂商的产品、技术和服务能力进行综合评估后，生态城选择与爱数合作共建解决方案。爱数成立于2006年，是一家大数据基础设施提供商，提供结构化数据、非结构化数据、机器数据、知识图谱数据等全域数据能力，为政府、公共事业及企业的数字化转型赋能，帮助各行各业的客户释放数据价值，实现即时、随时、实时的数据服务。 爱数为中新天津生态城提供的智慧城市产业大脑解决方案，包含了一个产业知识网络、三个能力平台、N个应用模块的“1+3+N“架构，为智慧城市产业发展中的“产业-招商-服务”全环节提供数据服务。 产业知识网络即底层的知识图谱数据湖，其将海量的外部网络数据和智能城市内部数据进行汇总，形成数据湖，为产业大脑提供能力底座。 三个平台包括企业主动服务平台、经济运行分析平台和产业精准招商平台。通过三个平台连接政府与企业，为产业大脑提供应用基础。 N个应用模块是将产业发展和智慧营商环境分为若干个应用模块，实现产业大脑的实用性和应用性。
图 2： 中新天津生态城智慧城市产业大脑架构图 
如前文所述，整个解决方案的核心在于如何从海量数据中提取出有用信息，并构建以产业链、企业图谱为中心的大规模知识网络。为了解决这一问题，爱数项目团队重点开展了如下工作： 1）数据治理。生态城内外部大量数据的数据质量状况较低，因此爱数为该项目成立了数据治理小组，制定数据标准和数据治理体系，提高数据质量。 2）知识抽取。在构建知识网络前，需要对数据尤其是大量非结构化数据中的知识进行抽取。对此，爱数使用其AnyDATA产品内置的语言模型，同时也为生态城定制了一些自然语言处理模型，比如产业政策、企业基础画像、招投标、投融资等模型，从数据中精准地抽取关键要素或属性。在此基础上，为这些属性设立匹配规则，从而构建知识间的关系。 3）构建知识网络。爱数基于AnyDATA产品内置的知识图谱、决策树等技术为生态城构建产业知识网络。同时，提供AnyDATA意图理解、规则、推理、图计算等引擎，可以实现精准的知识搜索、关联分析和辅助决策。 最终建成的知识网络主要包含如下类型： 产业链图谱：以产品上下游、上下层为关系构建的5000多个产品价值链图谱，并与国民经济、战略新兴产业实现有机对接，可以实现对产业链精准分类和关联分析； 企业图谱：基于工商、知识产权等公开数据，构建企业集团关系链、市场布局、产品业务链，实现企业链的精准定位和分析； 产品竞争图谱：基于企业产品标签集相似度构建竞争网络，寻找细分领域隐形冠军； 政策图谱与规则知识库：省市区多级政策要素自动抽取，形成分类、分级的政策要素与政策适用规则库，以便政策的自动精准匹配推荐； 产业及经济运行预测分析：基于产业链、企业链及其他产业要素动态事件的可视化推理及关联分析预测； 投融资雷达：基于投融资事件知识与企业链、产业链的匹配，实现焦点招商、以商招商（园区关联企业的投融资线索）。 智慧城市产业大脑落地后的价值和效果 智慧城市产业大脑在中新天津生态城的招商引资、产业经济、企业服务中产生显著的应用价值和效果。 1）招商引资更加精准。产业大脑汇聚了生态内外部的工商、产业等数据，结合知识图谱技术，深度研究行业、企业业务，基于产品标签集相似度，可以寻找到同类企业，然后利用企业画像工具对企业实力进行评估，寻找行业隐形冠军，从而更加精准地进行招商引资。 2）产业与经济运行状况了解更及时。产业大脑根据企业产业标签管理，了解生态城产业结构，生态城因此能够紧跟国家发展战略目标；同时，通过多维度分析，生态城可以了解各产业发展情况，掌握产业增长与下降趋势，以及影响产业发展走势的主要企业；并收集宏观经济与区域经济数据，并进行对比，掌握经济发展差距，为宏观调控提供支持。 3）企业服务更主动。借助产业大脑，生态城可以从从企业入驻起对企业进行全生命周期管理。对标同行上市企业画像，判断企业发展方向、可能遇到的问题，进行主动培育服务。同时，基于政策试算器，向政策管理用户提供政策匹配企业列表、企业兑现情况清单。 智慧城市产业大脑项目经验总结 对于企业和政府部门而言，其在业务发展过程中会积累大量的文档和内容数据，这些数据中存在着大量有价值的信息，通过构建知识网络整合这些数据，能够为企业和政府部门的管理、业务发展提供有效的决策支撑。而从数据中挖掘价值，需要借助一系列方法和人工智能技术：首先要收集好各类型的内外部数据，并做好数据治理工作；然后借助NLP技术从数据中精准地抽取知识，建立知识间的关系，并且在此过程中，需要适当根据具体业务需求定制开发NLP模型。最后在此基础上构建知识网络，并利用规则、推理、图计算等引擎从知识网络中获取有效信息。
安吉智能是上汽安吉物流旗下专注于智能物流解决方案的服务商，服务于上汽安吉物流内部的同时，也向汽车制造、机械电子、医药、冷链、日化、服装等行业企业提供相关技术服务。 物流行业向来注重安全管理工作。以上汽安吉物流为例，其业务范围涵盖汽车零部件、整车、港口、快运四个物流业务板块，包括上汽、特斯拉等主要汽车公司的整车仓储与进出口业务，其在全国范围内管理10个港口、300多个网点、5万多名员工。为了保障如此庞大的物流系统能够安全有序地运转，上汽安吉物流每年花费上亿元用于雇佣安保人员。但随着业务规模的增长，过度依赖人力的传统安全管理模式已经无法满足其发展需求。 针对物流行业安全管理中的痛点问题，安吉智能自主研发了“安眸智能视觉管理系统”，利用计算机视觉技术对港口、园区、仓库等物流业务场景中的核心元素“人员、货物、设备”进行识别和分析，并对出现的违反安全管理规范的问题及时提醒和采取相应措施，主动化解潜在危险。以仓库场景为例，安眸系统能够对仓库内的叉车超速、禁区出现人员、员工危险动作、着装不规范等行为作出精准识别，并进行管理。 由于计算机视觉模型通常只能对预先训练过的场景和物体进行识别，为了满足上汽安吉物流管理的10个港口、300多个网点，以及其对外服务的200多个客户不断提出的各异的功能需求，在安眸系统中不断上线新的识别功能，安吉智能的研发团队就需要不断获取新的样本数据，并在不改变边缘算力的前提下，对AI模型进行不断的更新和运维。 因此，安吉智能需要解决AI模型频繁迭代过程中的多个工程化难题。例如，针对迁移学习时模型会产生旧数据遗忘的问题，安吉智能已经通过自研知识蒸馏、混合学习等技术让模型在学习新的数据特征后获得新的识别能力的同时，也保留原先的识别能力。但安吉智能仍然需要应对以下两点主要的问题： 1)缺少能对非结构化数据进行精细管理的工具。安吉智能有大的图像数据集，但每个网点或客户提出新的功能需求时，其提供的图像数据的采集时间、采集目标、标注类别等信息都不一致，安吉智能需要将这些数据增补进原先的数据集中，记录数据集的层次结构，并形成不同的数据版本，从而用于模型误差分析和模型反复迭代。然而之前基于文件夹的手动管理方式，不仅很难追踪过去版本的模型和数据集的对应关系，在上百甚至更多个网点和客户都提出需求时，其数据版本就很难以文件夹的形式进行管理。 2)算法团队需要深度介入数据处理工作，手动执行效率较低。由于模型开发中数据的收集、标注，以及模型训练等流程存在大量需要算法团队介入的数据处理工作，安吉智能需要依靠算法开发人员对数据处理工作进行层层把控，手动执行各种操作。当模型的迭代更新变得非常频繁时，算法和数据团队的深度绑定会使得模型迭代流程非常耗时耗力，甚至无法完成。 依托非结构化数据平台，保障模型迭代中的高质量数据供给和流程自动化 面对模型频繁迭代，以及由此带来的大幅增长的数据管理需求，安吉智能选择与格物钛智能科技进行合作，将格物钛的AI数据管理平台作为安眸系统研发中的AI基础设施组件之一，以解决其痛点需求。格物钛智能科技是一家人工智能基础设施提供商，其核心产品非结构化数据管理平台向各类创新企业及团队提供AI数据管理解决方案，以数据引擎为核心技术，解决非结构化数据的发现、管理、利用等难题，实现对海量复杂数据的灵活存取用，从而推动企业的数据资产化和AI工程化落地。 针对非结构化数据集管理中的难题，格物钛为安吉智能提供了如下解决方案： 第一，在云端对数据进行统一托管。安吉智能各个网点的数据都存储在云端，格物钛的数据平台全面托管了安吉智能的原始数据、标注数据和元信息。在平台的权限管理功能保障数据访问安全的前提下，安吉智能的团队可以在平台上方便地访问数据和进行团队协作。 第二，数据版本可追溯。安吉智能每月或每周会在数据集内新增图片和物品类数据，通过格物钛数据平台，安吉智能在新增的数据上做标注，然后合并进原有数据集，并打上标签，从而形成新的标准化的数据集版本。算法工程师只需要根据标签就能找到需要的数据集版本，并比较各个数据集之间的差异。 第三，数据集分布特征可视化。格物钛数据平台的可视化组件能让算法工程师从宏观层面查看数据集的特征分布，以及从微观层面查看单个文件和标注数据。安吉智能的算法工程师因此能够在模型训练前直接查看数据标注信息，也可以在模型训练后将预测结果作为一个数据版本，与人工标注的数据版本进行比较，从而判断模型效果和数据标注质量。 针对算法和数据团队的深度绑定，手动执行数据处理工作效率低的问题，安吉智能通过使用格物钛数据平台的Action功能，并结合了一些自研算法，对数据收集、数据标注、模型训练等关键流程设置任务自动触发机制，并让整个流程实现自动化。在数据收集阶段，安吉智能通过自研图像相似度和质量分析的算法，当发现符合要求的图像后自动在摄像头中进行抽帧并将图像上传至云端；在数据标注阶段，通过使用格物钛数据平台，当符合需要的图片数据达到一定量级后，平台自动触发数据标注任务，然后通过签约的数据标注公司在平台上对数据进行标注，再与原先的数据集进行合并。在模型训练阶段，当平台监测到数据标注完成形成新的数据版本后，会自动先进行模型训练，然后对更新后的模型的预测结果进行评估，识别预测效果不好的图片，并在平台上对数据标注实时地进行调整。
图 3： 安吉智能AI模型开发关键流程 
非结构化数据平台给安吉智能带来的价值和效果 首先，格物钛非结构化数据平台为安吉智能实现了模型开发中的高质量数据供给。借助平台的云端托管、版本管理、数据集分布可视化等功能，安吉智能解决了模型迭代中的多种数据痛点，减少了数据收集、数据准备和模型评估中大量手工操作，让算法工程师可以专注于用AI模型去解决业务问题，模型精度能因此能提高30%以上。 其次，平台的自动化能力大幅缩短了安吉智能模型迭代的周期，节约单模型训练的人工成本。安吉智能预期因此可以实现每周对模型进行一次迭代更新，从而上线新的识别功能，最终全年能上线50个识别功能，并且单次模型训练能节约25%的成本。 安吉智能AI模型开发和迭代经验总结 以AI应用的复杂性，其在产业中落地的一大瓶颈通常在于数据的质量和匹配度。对于大部分传统企业而言，其数据量有限，研发能力也相对不足，如果把AI应用开发的重心放在改进算法上，效果往往并不如意。因此，传统企业在AI应用开发中应该把重点放在获得质量更好、匹配度更高的数据上，帮助提高模型效果，让AI应用更好地落地。 企业在AI模型开发或迭代频次较低时，其数据管理可以通过文件夹形式手动管理，但随着AI应用的加速落地，企业每年需要开发几十甚至更多个模型的时候，手动管理的方式将难以为继。此时企业应该选择标准化的工具对模型开发中需要的数据进行高效地管理，从而保障模型的持续迭代和更新。同时考虑在流程中引入自动化能力，进一步缩短模型迭代周期。
通常，企业在确定和规划AI应用的落地场景时有业务需求导向和资金投入导向两种方式。
对于需要快速推进智能化转型，追求AI落地的时间和成本效益的企业，可以考虑业务需求导向的方式。具体而言，企业可以首先由专门的协调管理部门或技术部门联合各业务部门确认业务需求较强的应用场景，而业务需求强的判断标准包括了人员投入大、重复性劳动多、人工操作效率不高或效果不理想等；其次，需要考虑开发该应用所需的数据是否容易获取，如果内部数据不充分，可以考虑是否能从外部厂商引入相应的数据；最后，需要业内已经有针对该应用场景的较成熟的解决方案，降低开发新应用的时间和资金成本。
在上述判断的基础上，企业可以将强业务需求、所需数据能够获取、有较成熟解决方案的场景规划为需要实现AI落地的场景。例如案例3中的美宜佳和案例8中的海信集团都采用该种方式规划和落地AI应用的场景，其中，美宜佳前期根据业务需求确认了门店选址、门店运营和营销优化三类应用场景，并从外部引入了实现这些AI应用所需的时空数据，以及这些领域成熟的AI模型和应用解决方案。
对于需要持续做深智能化转型，且资金和研发实力较强的企业，可以考虑资金投入导向的方式。具体而言，企业可以由专门的协调管理部门或技术部门协同业务部门或相关管理部门确认费用支持较大的业务场景：其次，需要考虑开发该应用所需的数据是否充分和是否容易获取；最后，需要判断在该业务场景中是否能用算法找到数据中的规律，或者是否能用相关AI技术解决解决这一问题。
在上述判断的基础上，企业可以将费用支出大、所需数据能够获取、且能用算法或相关AI技术解决的业务问题规划为需要实现AI落地的场景。例如案例C中，某全球头部日用消费品公司在华公司由其数据科学与人工智能团队对品牌建设、销售管理中费用支出较高的业务场景进行筛选，结合数据和算法能力，最终在媒体规划、广告定位、会员活动设计、促销优化、供应链管理等场景中落地了多个AI应用。
对于任何类型的企业而言，其在实施智能化转型时都需要考虑AI应用场景落地的先后顺序，集中资源在高价值度场景中优先构建AI应用，因此需要对应用场景的价值度做排序，并对单个AI场景的ROI做事前预估和事后评估。
关于应用场景的价值度，一般从高到低可以分为三类。第一类是能够对业务模式或业务流程进行创新，从而为客户提供创新性的产品或服务的应用场景，这类应用场景价值度通常最高。例如在案例B中，江南农商银行将虚拟数字人嵌入多个业务系统中，从而能够在无人场景中为客户提供多种业务咨询和业务办理；在案例6中，在先进的AI算法的支撑下，安克创新利用AR虚拟试戴解决方案，为其用户提供真实度非常高的线上眼镜试戴功能，不仅为用户提供了创新性的体验方式，也大幅提升了购买转化率；第二类是能够为企业大幅提高运营效率和降低成本的应用场景，通常该应用可以为企业带来数倍甚至更多地运营效率的提升或成本的降低。例如在案例4中，某餐饮连锁企业用计算机视觉对饺子品质做检测，完全代替了原先用大量人工去抽查的方式，为企业大幅提高了运营效率和节约了成本；第三类是能够一定程度提升运营效率和降低成本的应用场景，通常其对运营效率的升和成本的降低在100%以内，这类应用场景可以在企业资源充足的情况下去考虑智能化。
关于ROI的评估，企业主要需要关注在特定业务场景中，投入某项AI应用前后，在该场景中企业的费用成本是否有降低，以及降低的比例。除了在事后评估ROI，事先也可以借助可参考的案例对ROI做预估，确定场景的价值度。例如，在供应链管理中，企业可以评估引入AI应用前后，供应链相关成本是否有得到优化。
3.3.2 给不同成熟度的企业的建议
初步投入阶段：该阶段的企业应主要参考高价值度应用场景定位的方法，优先选取价值度最高，且较容易落地的场景去落地。
多维布局阶段：该阶段的企业应先在多个主要的业务部门落地价值度较高的场景，同时要探索并初步建立场景落地的流程和方法。
深度应用阶段：该阶段的企业应建立并常态化执行场景落地的流程和方法，并且做好计划，每年在各主要部门批量化落地一定数量的场景。
美宜佳控股有限公司是国内第二大连锁便利店集团。自成立以来，美宜佳以广东为中心，并逐步在全国范围进行业务布局。目前，集团拥有美宜佳品牌门店两万多家，每日门店总客流量达2500多万。 线下零售的核心逻辑是以“场”为中心去对接“人”和“货”， 而“人货场”各自的特征要素以及它们之间的关系都在不同程度上影响着门店经营策略和结果。对于正加快在华东、华北等地区扩张门店的美宜佳而言，经过早期信息化建设，其已建有ERP、PIM、BI等业务系统，在内部积累了较丰富的“人货场”数据。现阶段，美宜佳希望用智能化的方法对人、货、场的特征要素及其关联进行分析和优化，支撑门店的稳步扩张和精细化运营。 结合业务需求、智能化可行性等因素，美宜佳决定在门店选址、门店运营、营销优化三类重要场景中引入智能化解决方案。在门店选址方面，美宜佳需要用智能化的方法在城市中确定合适的拓店区域、该区域消费者习惯以及自身定位等情况；在门店运营方面，具体包含门店评估、品店匹配、销量预测、竞品分析等应用场景，帮助美宜佳更好的制定经营策略、提高门店业绩；在营销优化方面，则需要结合人群定向，对广告投放策略做优化。 为了在上述场景中实现智能化决策，美宜佳决定打造商业智能决策管理平台。但美宜佳在相关数据的完备性、以及AI算法能力上存在不足，具体如下： 1）数据层面，美宜佳仅掌握店内经营数据和自有供应链体系的后端数据，但缺乏外部的地理位置、周边人群、周边竞品相关的数据。同时，在与外部厂商共同探索解决方案时，美宜佳需要分享内部数据时保证其数据的隐私和安全。 2）AI算法层面，选址、选品、消费者画像、营销的智能化分析需要大量AI模型支撑来实现，美宜佳需要外部厂商提供相关的AI模型，并用模型解决业务问题。此外，不同地区的数据分布会有较大区别，通用的模型很多时候不能直接适用，需要根据区域、环境等因素对模型做调整和迁移。 以时空数据为基础，AI模型为支撑，美宜佳为门店经营各环节提供智能化决策 在对厂商的数据、AI算法、应用解决方案等方面的能力进行评估后，美宜佳选择与维智科技合作，建设商业智能决策管理平台。维智科技是一家时空人工智能平台提供商，专注于线下场景的数字化和线上线下的时空融合，通过时空AI技术打造数字孪生体，为城市、交通、金融、地产、零售和品牌等提供精细化场景服务和智能解决方案。 基于维智Phy-gital飞吉特时空智能平台，美宜佳构建了商业智能决策管理平台，其架构上分三层：底层是联合数据仓库，包含维智科技提供的时空数据和美宜佳提供的门店数据；中间是技术服务层，包括AI模型、时空知识图谱、业务计算逻辑等；上层是各类分析应用，包括门店选址评分、门店绩效评级、归因分析、人群画像、销量预测、价格预测、竞品分析等。
图 4： 美宜佳商业智能决策管理平台架构 
针对数据层面的问题，平台通过联合数仓的形式整合了维智科技的营销智能基础数据与美宜佳的门店数据。维智科技的营销智能基础数据包含客流、画像、人群流动偏好、周边生态、交通情况、商业环境、竞合关系等类别的数据，具体包括了路网、交通、AOI（区块），POI（点位）等静态数据，以及测绘相关的人流、画像、场景、企业、经济等动态数据。在此基础上，通过梳理“人、货、场”之间的特征管理，形成时空知识图谱。为了保护美宜佳的数据隐私，维智科技将其时空数据、模型服务与美宜佳的内部数据结合，以一体机的形式部署在美宜佳的受限环境中，模型的构建、训练、管理和发布均在一体机完成，确保美宜佳的数据不出库。
图 5： 商业智能决策管理平台预训练模型仓库逻辑 
针对AI算法层面的问题，平台基于分类、排序、聚类、异常发现、回归预测、溯因推理分析等技术模型，结合特征工程、自动特征计算等服务，形成画像、选址、选品、营销等方面的预测分析模型。同时，对于通用模型需要针对区域数据特征有变化进行适配的问题，维智科技通过匹配可适配的用例或特征来做模型迁移，并通过数据增强或者小样本学习来解决数据量少和样本稀疏的问题。 商业智能决策管理平台落地的价值与效果 美宜佳落地商业智能决策管理平台，用数据智能赋能门店开拓与运营，实现了以下业务价值。 1）门店选址方面，平台为美宜佳在广东、以及华东地区选址拓店，提供了数据支持和智能化的决策依据。具体而言，通过分析当前地区用户的习惯、常驻和流动人员的习惯、场本身的特性（是周边是医院、社区、商业中心等）、周边竞争态势（供需饱和度）、交通便利性等数据，判断某个地点是否适合开店，并给出关于在该地店的评分，以及影响评分的因子。这比传统的依靠调研和专家经验的方式大幅提高了决策效率和准确率，可以支持美宜佳每年3000家门店的开店合关店决策。 2）门店运营方面，该平台有效帮助美宜佳品牌门店和加盟门店总计4w+门店，进行数字化智能化运营。在门店评级、销售预测、归因分析、运营优化和营销优化等方面，提供线下大数据和智能预测结果辅助决策，有效指导门店运营优化。 商业智能决策管理平台的项目经验总结 第一，线下零售业涉及的数据量大、维度多、动态更新也相对频繁，在选址选品、供应链配货以及营销等业务中需要依据这些数据做出相对实时的决策，因此复杂度和难度很大。但零售数据核心上还是围绕人货场及其关联，面对复杂的数据场景，可以考虑运用知识图谱技术，将各维度数据按人、货、场梳理，再形成场与场、人与场、货与场的关联；同时考虑运用AI模型来刻画复杂的变化规律、分析思路和决策经验。 第二，只有店内数据无法在线下零售场景中实现智能化，因此还需要引入店外的时空数据，将地理位置、周边人群、周边竞品等外部数据与内部数据结合，才能实现1+1>2的效果。并且，在将内外部数据进行结合时，需要考虑通过相应的技术或产品设计方式保障数据的隐私安全。
在银行业积极探索更丰富、更精细化的客户服务方式，消费者对银行服务的效率和便捷性也有了更明确的需求，以及疫情常态化对银行远程服务能力要求更高等因素的推动下，江南农商银行于2021年12月与京东科技合作推出的国内首个业务办理类数字人“言犀VTM数字员工”。 区别于以往咨询问答式机器人，VTM数字员工的创新之处在于，其采用拟人化的形象与用户进行对话交互，为用户提供了良好的沉浸式体验；同时，VTM数字员工与江南农商行的业务系统深度耦合，从而支持VTM数字员工从业务系统中调用数据支撑用户问答与交互，并代替业务人员在各类交易场景中帮用户闭环完成咨询、查询、导览，以及取款、开户、密码重置等业务。而支撑虚拟数字人与银行的业务交易场景打通，为银行实现创新性业务模式的是京东科技在NLP、TTS、ASR、虚拟形象、图像识别等多种自研AI技术上深厚的积累，通过将这些AI技术有机结合，VTM数字员工具备了音唇精准同步、表情丰富逼真、交互流畅自然等高度拟人化的特征，以及高准确率的语音语义识别能力，并能精准识别数字连读和方言，也为适老化能力的建设和乡村金融服务的街乡级渗透提供新路径。 VTM数字员工的投入使用，不仅大幅提升了江南农商银行远程银行的接待能力与服务效率，降低了运营成本，还勾勒出银行服务的未来发展的新形态：即通过运用人工智能等先进科技，银行可以构建无人场景下的服务能力，重塑服务模式与体验，为客户提供更便捷的服务。这将成为未来银行业甚至整个服务产业的发展趋势，具备大规模推广的潜力。
某全球头部日用消费品公司在华公司为保持其市场领先地位，需要在品牌建设、销售管理优化等方面实现全面的智能化。因此，其数据科学与人工智能团队采用了资金投入导向的方式对AI应用进行了规划。具体而言，该团队筛选应用场景的标准有三个：第一，优先考虑费用支持较大的场景；第二，重点考虑数据层面的问题，包括数据的充足度、数据获取的难易程度、数据的有效度；第三，能够用算法从数据中找到规律，从而解决该业务问题。 基于上述方法，该公司如下五类方向落地了多个AI应用，显著降低了公司的费用支出。 第一，媒体规划，即将媒体预算以最优的方式分配投入给不同的媒体形式，如视频、站内、电视、户外广告等。 第二，精准广告定位，即把广告投向更精准、更有可能产生购买行为的用户。 第三，会员活动设计，即针对会员的过往的表现设计合理的会员活动。 第四，促销优化，即根据历史数据来优化未来促销活动的规划，减少促销费用的投入。 第五，供应链管理，包括仓库的分布、送货路线的规划、库存的管理等。
对于处于早期投入阶段，尚无AI应用构建能力和经验的企业而言，企业构建AI应用应该主要考虑外采。
对于处于多维布局或者成熟度更高阶段的企业，其已经具备了一定技术能力、专业人员和AI应用开发经验，此时企业构建AI应用应该以自研为主。但是当企业在构建AI应用时，面临以下一个或多个问题时，需要考虑和外部厂商合作联合开发或者完全外采解决方案。这些问题包括：（1）应用解决方案复杂度较高，需要多种底层AI技术的支撑，自研难度大、成本高、时间长；（2）企业内部缺乏应用开发所需的数据；（3）企业自身不具备特定应用场景的业务知识或AI应用开发实践经验。
例如在案例9中，某集团科技公司由于在搭建供应链管理相关的AI应用时面临智能调度、仓配算法开发难度大，搭建智能营销应用时缺乏市场客户数据，搭建园区安全时缺乏实践经验，便选择与京东云合作在这些领域联合开发AI应用。
AI应用最终需要解决的是业务的问题，而精通技术的算法工程师或数据科学家往往对业务问题缺少了解，因此在AI应用开发中，AI开发团队需要寻求业务专家的帮助和指导。
在开发应用解决方案之前，要协调内部资源，对精通业务的人员进行深入调研，针对具体场景梳理业务流程，理清每个环节的业务需求。如在案例5中，中宏保险在搭建营销员智能助理解决方案之前，首先对保险营销员的需求进行了充分调研，了解营销员需要询问哪些保险知识，对知识的呈现有哪些要求，在问法上有哪些独到的习惯等问题。
在开发应用解决方案过程中，企业需要业务专家协助，确定业务的标准。具体而言，包括了在计算机视觉相关的应用开发中，由业务专家帮助确定图像的分类、图像是否符合要求的标准；在自然语言处理相关的应用开发中，由业务专家对词性、词语分割、情感等进行标注，提高语义理解的准确度。例如在案例4中，某餐饮连锁企业为了在饺子质检应用中确定饺子是否合格的标准，便由其业务专家与开发人员一起确定了饺子“白鼓”、“偏皮”等维度判断标准，并在图片中做相应的标记用于模型训练。
企业在探索性的AI应用开发中经常会受困于如何将业务问题转化为算法可解决的问题，通常这类问题的只能借助精通技术的同时能对业务也非常了解的数据科学家或算法工程师来解决。比如，需要经验丰富的数据科学家或算法工程师能够判断某个业务问题是属于分类问题，还是回归问题；特征工程的特征和目标是否有因果关系等。在此基础上，企业在具体执行中，还可以进一步参考案例4中明略科技在帮某餐饮连锁企业开发饺子质检解决方案时的做法，即通过多种可能的业务标准标注多个数据集，再对照多个算法不断测试，最终得出效果较好的模型。
传统企业在开发AI应用时，通常会面临样本数据量较小的问题，比如，制造企业想开发针对某个零部件的智能质检应用，其样本数据可能不足100个，或者医疗机构想要构建一个罕见病的疾病预测模型，其样本数据可能只有几十个。此时，企业一种方式是可以考虑采用较前沿的小样本学习技术开发此类AI应用，另一种方式是提高样本数据的数据质量，不仅是前期做数据采集时要考虑通过用一些定制化的方法让采集到的样本数据与需求尽量高度匹配，同时也要借助业务专家提高数据标注的准确度，从而能够以较小的样本数据集开发出AI模型。
为了让AI应用能早日上线发挥价值，企业可以在开发AI模型或AI系统时先用最少的数据量去训练模型或系统使其达到初步可用的状态即在业务中部署，后续在运营过程中再针对新收集的数据，对模型进行增量学习，或对系统进行更新，从而使AI应用更加聪明，功能更完善。例如在案例5中宏保险智能助理案例中，由于保险行业知识体系庞杂，为了让智能助理能够早日上线发挥价值，中宏保险�