关于人工智能:数智化-企业智能化如何落地格物钛领先实践入选爱分析2022人工智能应用实践报告

5次阅读

共计 2624 个字符，预计需要花费 7 分钟才能阅读完成。

智能技术赋能企业数字化转型，是否把握这一时机，成为企业扩充市场竞争力的要害。智能化过程中，企业正在或将会面临哪些挑战？有哪些成熟门路和方法论？有哪些值得借鉴的前沿实际案例？

近日，爱剖析公布《2022 人工智能利用实际报告》（下文简称为“报告”），梳理人工智能在产业中落地的 20 大挑战，评估 AI 利用成熟度来就地取材推动智能化，总结企业智能化转型方法论并展现 14 个优良案例。
报告中，格物钛数据平台助力上汽安吉物流批量化迭代 AI 模型的当先实际入选，格物钛创始人兼 CEO 崔运凯作为内部专家受邀参加报告钻研过程。

自 2019 年起，人工智能的倒退进入与产业减速交融的阶段，曾经宽泛浸透进金融、批发、工业、能源、医疗、城市治理等多个行业和畛域，一些行业头部企业曾经全面拥抱了智能化转型。因为可获取和参考的建设教训无限，加上企业所处行业、倒退阶段的不同，本身需要以及领有的资源禀赋各异等因素，人工智能在产业中落地充斥挑战。

报告基于大量调研和过往钻研积攒，从策略、数据、场景布局、利用解决方案开发、技术基础设施、组织和人才六个维度梳理出了目前人工智能在产业中落地面临的 20 个次要挑战。
策略层面
· 短少明确的短、中、长期指标与门路
· 组织、治理构造、制度流程等方面未达成对立
· 短少被动地辨认新技术用于业务翻新的机制
数据层面
· 数据根底较差，包含了数据孤岛、数据品质低、数据架构老旧等问题
· 短少面向 AI 开发的数据采集、数据处理、数据管理等方面的标准化办法和自动化能力
场景布局层面
· 业务价值链与可智能化的利用场景扩散，导致 AI 利用场景不明确
· 短少定位高价值度利用场景的办法
利用解决方案开发层面
· 企业对于何时自研，何时引入内部能力不明确
· AI 开发人员对业务流程、业务需要了解有余
· 将业务问题转化为 AI 算法可解决问题的难度大
· 数据样本量小、品质低，不足以撑持利用解决方案的开发
· 从验证想法到模型部署上线的工夫过长
· 业务零碎中部署 AI 利用面临场景化适配问题，需思考“云边端”的协同部署的形式
技术基础设施层面
· 业务和 IT 零碎的技术架构老旧，不能适配 AI 开发和部署的需要
· AI 开发技术门槛高，短少易用的平台型开发工具
· 大规模的利用开发成本高
· 组织内短少对立的 AI 技术治理和服务能力
· 短少笼罩模型全生命周期的治理和经营能力
组织与人才层面
· 组织：部门间短少协同机制、权责不明，妨碍智能化推动
· 人才：优良的数据科学家、算法工程师人才紧缺；一般 IT 和业务人员模型 AI 技能欠缺；管理人员 AI 素养有余

评估 AI 利用成熟度，就地取材推动智能化
智能化转型没有对立的门路和办法，不同企业在不同阶段面临的问题通常也各不相同。爱剖析调研发现，国内次要行业目前曾经发展过智能化建设的企业中，约 70% 仍处 AI 利用的晚期试验或初步投入阶段，仅约 30% 的企业进入多维布局或深度利用阶段，真正在组织内实现 AI 利用与业务全面交融的企业有余 1%。报告预测，在接下来的 3 至 5 年，国内大量的企业对 AI 的利用将从单点的 AI 建设走向全面的智能化转型。

既然梳理了企业智能化可能遇到的挑战，明确了各阶段着力的方向，企业具体如何做能力达到“数智化”指标呢？
报告从策略、数据、场景布局、利用解决方案开发、技术基础设施、组织与人才六个维度，阐述企业在应答智能化转型的多种挑战时能够采取的办法和措施，并选取了 14 个当先案例为企业提供参考。

策略层面
· 明确智能化的指标和门路，并在组织内达成对立
· 建设将新技术用于业务翻新的机制，并提供相应的资源反对
案例：
· 某大型保险团体制订了平台、利用、技术“三个当先”策略，并成立专门大· · 数据和人工智能部门，从项目管理机制、前沿技术钻研、国产化计划代替、利用成绩孵化等方面发展建设，从而推动智能化转型。

数据层面
器重数据治理与数据平台建设工作
建设面向 AI 开发的数据采集、数据处理和数据管理等方面的标准化办法和自动化能力
案例：
· 中新天津生态城构建智慧城市产业大脑，用 AI 开掘数据价值；
· 非结构化数据平台格物钛助力上汽安吉物流批量化迭代 AI 模型，让物流治理更智慧

场景布局层面
· 确定场景布局的流程和办法
· 定位高价值度利用场景
案例：
· 美宜佳打造商业智能决策治理平台，实现线下批发的智能化经营

· 虚构数字人助力江南农商银行为客户提供创新性的近程视频柜员服务
· 某寰球头部日用消费品公司在华公司以费用收入为导向布局 AI 利用场景
利用解决方案开发层面
· 明确自研和引入内部能力的条件
· 在 AI 开发团队中引入业务专家，提供业务知识方面的业余领导
· 依附经验丰富的 AI 开发人员将业务问题转化为算法可解决的问题
· 进步小数据集的数据品质以撑持 AI 利用开发
· 采取先以起码的数据让 AI 利用可用即上线，后续再保护更新的策略
· 综合思考算力、带宽等需要，设计正当的“云边端”协同部署形式
案例：
· 依靠计算机视觉技术，某餐饮连锁企业为饺子品控安上智慧之“眼”
· 中宏人寿保险构建营销员智能助理，通过常识的共享和复用赋能销售
· AI 算法撑持下，AR 虚构试戴让安克翻新用户取得更优的线上互动体验

· 某银行搭建智能消费者爱护中台，助力消费者权利爱护监控和预警
技术基础设施层
· 实现 AI 零碎与不同业务和 IT 零碎的交融
· 应用低门槛的平台化工具赋能企业内 AI 利用的开发
· 通过引入成熟模型，以及进步模型泛化能力等形式升高大规模 AI 利用开发的老本
· 建设对立的模型开发和模型治理能力，进步 AI 资源的利用率；
· 构建笼罩模型全生命周期 MLOps 体系，缩短模型迭代周期，并继续地保障模型品质
案例：
· 海信集团引入 AI 平台，构建独立自主的 AI 开发能力；
· 助力某大型团体搭建 AI 数据智能平台，撑持数智化降级；
· 某大型国有商业银行构建 MLOps 体系，实现麻利的模型迭代，高效的模型交付
组织与人才层面
· 建设适应 AI 开发和治理需要的组织架构，明确部门权责和协同机制
· 内外兼顾，造就 AI 人才队伍
案例：
· 某头部家电团体建设面向 AI 开发和治理的组织架构，全面反对产品的智能化翻新