報告編委

　　報告指導人

　　黃勇 愛分析 首席分析師

　　報告執筆人

　　莫業林 愛分析 分析師

　　李毓 愛分析 分析師

　　外部專家(按姓氏拼音排序)

　　陳志豪 華東空管局 氣象中心氣象創新實驗室主任

　　胡一川 來也科技 CTO

　　黃九鳴 星漢數智 CEO

　　簡仁賢 竹間智能 CEO

　　喬昕 深睿醫療 聯合創始人兼CEO

　　孫元浩 星環科技 創始人兼CEO

　　童臻 山景智能 資深行業專家

　　閆正 眼控科技 人工智能研究院院長

　　特別鳴謝(按拼音排序)

　　報告摘要

　　新基建加速人工智能應用落地

　　新冠疫情、經濟增長放緩、競爭加劇等多重挑戰下，企業加速應用人工智能進行智能化建設，但仍面臨諸多挑戰。

　　2020年，人工智能被列入新基建的范疇，新基建為人工智能發展提供數據、算力和算法三個層面的基礎設施支撐;同時，新基建將拓展人工智能的應用場景。

　　企業人工智能應用新趨勢

　　AI+RPA助力企業實現端到端自動化。AI與RPA技術的結合將實現RPA和AI技術單獨使用無法實現的效果，擴展了企業自動化的業務價值。

　　知識圖譜技術助力企業挖掘非結構化數據的價值，進一步從感知智能邁向認知智能。

　　人工智能工程化助力智能化應用規模部署。在數據治理、模型開發兩大環節，數據中臺、AI中臺等建設幫助企業提升智能化應用開發效率和業務響應敏捷性。

　　人工智能未來展望

　　人工智能正在從云計算向邊緣計算延伸，未來將形成云計算與邊緣計算協同發展的態勢，為人工智能提供更強大的基礎設施。

　　隨著人工智能應用不斷深入，作為基礎設施之一，人工智能治理體系建設的緊迫性不斷增強，企業應當將治理體系作為人工智能應用中的重要考量因素。

　　目錄

　　1. 新基建背景下，人工智能應用新機遇

　　2. 企業人工智能應用新趨勢

　　3. 人工智能落地進展與實踐案例

　　4. 人工智能未來展望

　　結語

　　1、新基建背景下，人工智能應用新機遇

　　1.1.新基建加速企業智能化轉型

　　當前，受經濟增長放緩、競爭加劇等多種因素影響，企業普遍面臨經營成本上升、業績增長的壓力，同時疊加新冠疫情的影響，越來越多的企業加速了數字化轉型。

　　智能化是企業實現數字化的深入階段，是指基于機器學習、深度學習、機器視覺、知識圖譜等人工智能技術，對企業內外部數據進行處理、分析，挖掘數據的業務價值，改進企業業務流程。

　　企業智能化的表現形式主要體現在三個方面：流程自動化、分析決策智能化、商業模式的創新化。流程自動化主要針對企業內部操作流程和客戶交互流程的自動化，一般只涉及數據識別，屬于感知智能技術的單獨應用;分析決策智能化則對應的是認知智能，能夠在數據結構化處理的基礎上，理解數據之間的關系和邏輯，進行分析和決策;商業模式創新化對應行動智能，主要表現形式為人機協同。

　　總體上，企業對于人工智能技術的應用，大部分處在流程自動化階段，分析決策智能化及商業模式創新化還處在嘗試探索階段。計算機視覺、語音識別和NLP文字識別等技術已能夠代替部分重復的人力勞動，幫助企業實現諸多業務流程的自動化。越來越多的企業開始利用AI輔助業務決策：海量的數據經過數據治理，通過AI模型分析數據之間的關聯，挖掘數據的業務價值， 進行原因挖掘、趨勢預測等，輔助業務決策。

　　同時，企業在應用人工智能技術方面，也面臨多方面挑戰。

　　首先，在自動化層面，企業已在實際業務中運用AI技術，實現了單點業務或者部分的自動化，不過自動化智能程度有待改善，限制了更高價值釋放。例如在發票錄入的業務場景中，企業已能夠利用OCR技術識別、抽取發票信息，不過后續信息錄入的場景中，仍然依靠人工，缺乏相關技術手段實現全流程自動化的閉環。

　　其次，在分析決策環節，智能化程度仍不夠成熟，尤其面對海量非結構化數據，企業仍沒有可靠的技術應對手段。

　　最后，隨著應用場景的增長，需要企業具備AI工程化開發的能力，而傳統上企業采用“煙囪式”的AI建設思路，也即通過單點開發的方式部署AI應用。這種建設思路帶來很大問題：AI應用開發速度跟不上變化，無法實現對業務的敏捷響應;同時，“煙囪式”開發造成極大的資源浪費，開發成本居高不下。

　　2020年以來， 新基建政策不斷推進，人工智能被列入新基建范疇。新基建政策成為了企業采納人工智能技術的助推器，將加速人工智能行業的發展。

　　1.2.新基建完善人工智能基礎設施

　　數據、算力和算法是支撐人工智能發展的“三駕馬車“。數據是AI的根基，為模型訓練提供基本的資料;算力是實現AI系統所需的硬件計算能力，為AI技術提供底層基礎設施的支撐;算法是機器的學習方法，提供各種各樣的通用算法模型，并結合具體應用場景提供特定技術接口。

　　2020年初，人工智能被納入新基建的范疇，與5G、特高壓、城際高速鐵路和城市軌道交通、新能源汽車充電樁、工業互聯網、大數據中心一起被確立為新基建的七大領域。

　　新基建的概念于2018年12月的中央經濟工作會議首次提出，隨后全國各地掀起了一股新基建建設的熱潮，各地政府和企業踴躍參與，紛紛宣布相關投資計劃。根據信通院的數據，“十四五”期間，新基建投資預計將達到10.6萬億，占全社會基礎設施投資10%左右。

　　人工智能本身被定義為一種新型基礎設施，將助力產業實現智能化;反過來，新基建又將推動人工智能產業化，為人工智能產業提供基礎設施，助力人工智能場景落地。

　　具體來看，新基建將在數據和算力、算法三個層面為人工智能提供基礎設施支持。

　　數據量迎來爆發增長。新基建推動數據量增長的源泉主要是5G網絡和IoT的發展。根據工信部的數據，截至12月中旬，中國累計建成71.8萬個5G基站，數量位居全球第一。隨著未來5G基站數量進一步增加，5G網絡逐漸普及。 5G網絡具備高傳輸速率、低延時的特點，5G時代，更多的線下設備將聯網，真正迎來大規模物聯網時代，數據量將迎來爆發增長。

　　新基建為人工智能發展提供算力支持。數據中心是新基建的重要領域之一，成為各地方政府和企業加碼投資的對象。數據中心的大規模建設將為數據中心的使用方——包括云服務提供商以及其他傳統行業企業——降低數據托管的成本。數據中心的建設將加速企業上云，通過云端進行AI模型開發、訓練和推理等，將降低AI對傳統芯片硬件算力的依賴。

　　此外，在物聯網環境下，大部分IoT場景對數據實時性要求高，屬于延遲敏感、數據密集型技術，需要在邊緣處進行數據處理，帶動了邊緣數據中心的崛起。邊緣數據中心的發展有利于減輕云數據中心壓力，降低數據中心的整體電力消耗，從而降低企業發展人工智能所需的總體算力成本。

　　算法層面，作為新基建的一部分，人工智能本身將受益于新基建的政策支持。目前中國人工智能產業主要依賴以TensorFlow、Caffe等為主的美國企業或機構研發的算法框架，新基建強調加強自主創新，將推動中國企業構建自主可控的算法支撐體系。

　　1.3.新基建拓展人工智能應用場景

　　新基建區別于傳統基建的核心在于數字化、智能化的屬性，人工智能將在新基建的智能化建設中發揮關鍵作用，拓展應用場景。新基建涉及到的5G、特高壓、城際高速鐵路和軌道交通、新能源汽車充電樁、工業互聯網、大數據中心等領域，都存在大量可利用AI改進業務流程、提升效率的場景

　　以下將以5G、工業互聯網、城際高速鐵路和城市軌道交通三個領域為例，通過具體實例分析新基建相關場景如何使用人工智能技術，改造業務流程。

　　1)5G

　　5G建設涉及到基站選址、機房設備更新、5G通訊設備安裝等環節，在這些環節中，AI都可發揮作用，如在選址環節，可基于當地人口規模、產業發展狀況等數據，利用人工智能技術預測不同片區對5G網絡的需求，從而實現更科學的選址。

　　中國鐵塔是由中國移動、中國聯通、中國電信和中國國新共同出資設立的大型通信鐵塔基礎設施服務企業，承擔了部分5G基站的具體實施部署工作。中國鐵塔搭建了鐵塔AI中臺，將AI技術融合于公司運營管理的每個環節，支撐了5G網絡的部署、節能和運維。

　　具體來看，鐵塔AI中臺為鐵塔公司各項AI應用研發提供了需求、方案、建模、上線、反饋等全環節的全棧式支持，并沉淀符合鐵塔公司業務場景的共性AI能力。對內，可賦能鐵塔公司運營管理效率提升、降低成本、實現業務自動化;對外，將強化鐵塔公司的產品質量和服務水平、創新用戶體驗。

　　2)工業互聯網

　　工業互聯網平臺能夠基于設備運行數據、工業參數、質量檢測數據、物料配送數據和進度管理數據的采集，利用AI技術，對數據進行分析，在制造工藝、生產流程、質量管理、設備維護等具體場景進行優化。

　　中國石油將人工智能技術運用在了石油勘探開發業務中，共同打造了勘探開發認知計算平臺，建設了覆蓋勘探開發所有專業的知識圖譜。石油勘探的一個重要環節“測井”，要對數千米以下的底下構造和油藏特征進行判斷，十分依賴專家經驗。不過，借助該平臺，中國石油的大港油田，對900口油井進行機器學習，實現了油氣層位的智能識別，平均時間縮短了70%，識別準確率達到了測井解釋專家的水平，降低了從業門檻。

　　3)城際高速鐵路和城市軌道交通

　　高速鐵路和城市軌道交通建設過程中，在工程建設、勘查設計、裝備制造、鐵路運輸等環節，都可利用人工智能技術，提高效率、減少人力成本。

　　中國中車某分公司上線了高速列車故障預測與健康管理系統，實現了對車輛的關鍵部件、核心系統等狀態的實時監測，助力其對高鐵車輛從狀態維修轉變為預測性維護。

　　具體來看，該系統通過遠程獲取高鐵軸箱軸承的狀態信息原始數據和判據特征，在監測中心做深度的分析與診斷，對列車關鍵設備及運營關鍵設備提供狀態監測、PHM、故障診斷等服務，并轉變被動維護策略為預測性維護策略。上線了該系統后，中國中車某分公司提升了列車運營的安全性和穩定性，能夠準備識別20余種故障模式，軸承故障識別精準率超過90%。

　　2.企業人工智能應用新趨勢

　　2.1.AI+RPA助力企業實現端到端自動化

　　在企業實現智能化的初期階段，首先涉及通用AI技術的運用，包括機器視覺、語音識別、部分NLP技術等。此類技術行業屬性弱，具備開箱即用、標準化程度高的特點，也因此能夠快速鋪開。

　　這些技術已能夠在大量業務場景下代替人力。例如，智能外呼已廣泛被金融、消費與零售等行業企業采納，應用于營銷與銷售、貸款催收等場景;OCR技術能夠處理類似圖片、PDF等非結構化文本，被廣泛應用于企業文件處理的場景。

　　不過，大部分企業在數字化轉型過程中，由于缺乏統一規劃，對于此類AI技術的部署一般比較孤立，與其他IT系統互通性較差。這導致AI賦能實現的流程自動化比較局限，難以實現橫跨多個系統的全流程自動化。以智能外呼技術為例，現階段大多數外呼平臺都是SaaS服務，通常只能完成外呼相關工作，很難與企業業務系統如CRM、ERP等進行集成，在用戶信息導入、外呼結果導出以及客戶回答提取方面無法實現自動化。

　　在已有AI技術應用的基礎上，融入RPA技術可以很好的解決這些問題。RPA是一種軟件自動化技術，由運行在電腦等智能設備上的RPA機器人模擬人類的點擊、輸入等操作，完成基于固定規則的重復性工作。AI與RPA兩種技術的結合能夠助力企業實現更加智能的自動化。

　　上圖描述的將發票錄入并發送客戶的場景，利用AI和RPA技術實現全流程自動化的過程。如圖顯示，在開始環節，利用NLP、機器學習等AI技術對發票內容進行識別，提取相關內容;通過RPA技術對內容進行整理，形成格式化文檔;RPA將AI系統與ERP系統進行自動對接，并登錄ERP系統; 隨后，RPA將發票號等信息錄入系統，并與ERP系統中客戶購買訂單進行匹配，形成客戶需要的發票;最后，通過RPA將發票通過郵件發送給客戶。

　　由此可見，AI與RPA技術的結合將實現RPA和AI技術單獨使用無法實現的效果：AI技術完成了對文本的識別后，利用RPA對信息進行歸納整理，在不同系統間進行自動搬運，實現了整個流程自動化的閉環，也即端到端的自動化。

　　AI與RPA技術的結合給企業帶來的利好是顯而易見的。AI與RPA的結合擴展了企業自動化的業務范圍，降低了企業人力成本;同時員工從繁瑣重復性的工作中解放出來，得以投入到更具創造性的工作中。

　　已有越來越多的企業開啟了智能自動化進程。德勤2019年初一份針對523位全球企業高層(所在企業橫跨26個國家和多個行業)的調查顯示，58%受訪者表示，他們所在企業已經開啟了智能自動化進程，其中47%表示在智能自動化戰略中將AI與PRA技術結合。

　　AI+RPA技術助力基層社區疫情高效防控

　　今年年初，新冠疫情在武漢爆發，武漢全城進入封鎖狀態。隨后全國各地紛紛啟動了重大公共衛生事件響應，對從疫區或者外地返回人員進行排查和監測，各城市基層社區承擔了大部分工作，在此次疫情防控中作出了重要貢獻。

　　在疫區武漢，基層社區首當其沖，承擔起大部分疫情排查的工作。在其他地市，基層社區需要對外地返回當地的人員，以及來社區家庭探訪的人員，逐一展開健康監測。隨著復工復產的推進，基層社區疫情防控工作也更加細致、涉及內容更繁瑣。

　　無論疫情排查、健康監測、還是社區出入證辦理等工作，任務量都十分巨大，費時費力。而全國大部分基層社區的人員配備狀況明顯不足，社區工作人員面臨巨大的壓力，需要加班加點進行工作。不少社區意識到這些問題后，引入了人工智能及RPA技術來解決人手供應不足的問題，極大提高了效率。

　　RPA+智能外呼機器人實現疫情排查全流程自動化

　　1)北京朝陽區東壩鄉第一社區

　　武漢1月23日封城后，北京朝陽區東壩鄉第一社區隨即接到任務，需要對來京人員進行健康監測。該社區共有工作人員10名，從1月23日起，工作人員就基本沒有休息，具體工作任務包括打電話詢問社區人員健康狀況、信息記錄、電話回訪等。

　　在這一背景下，該社區選擇了來也科技作為合作伙伴。來也科技創辦于2015年，致力于做人機共生時代智能機器人公司，核心技術涵蓋機器人流程自動化(RPA)、流程挖掘、自然語言處理(NLP)、智能對話交互、文字識別與圖像識別等。

　　來也科技向該社區提供了一套RPA+外呼機器人的解決方案。這套解決方案于2月初上線，東壩鄉第一社區一直使用到5月份(北京宣布解除隔離要求)，在社區疫情防控工作中發揮了極大作用。

　　這一套RPA+外呼機器人的解決方案可自動識別名單上的電話，自動對外撥出。通話結束后，自動保存電話通話內容，利用語音識別及語義理解技術將語音內容轉化為文字;基于RPA技術，將文字內容進行打標簽，歸類整理;最后自動生成表格，整個過程都是全自動的。

　　整套解決方案使用起來，操作簡單：社區工作人員每天只需向指定郵件發送一張當天需要對外呼叫的姓名和電話列表。來也科技的AI機器人完成了電話外呼之后，會向社區發回一張表格，自動整理好社區所需的相關人員信息。

　　這套解決方案部署在云端，來也科技花了三天時間就將解決方案部署完畢，于2月初在就在東壩鄉第一社區投入使用。RPA+外呼機器人的解決方案上線后，東壩鄉第一社區的工作得到了明顯改善。

　　首先是效率的提升。一個電話機器人可以一次呼出50個電話號，表格也可以自動生成。機器人取代了原來人工進行的打電話、信息記錄的工作，社區工作人員只需對最終返回的外呼結果予以檢查和確認，對于一些健康狀況異常的人員，打電話進一步了解情況。

　　原來工作人員每人每天花費在打電話的平均時長為4-6小時，使用RPA+智能外呼解決方案后，花在這些方面的時間縮短為半個小時。

　　其次，提高了準確度。通過機器人進行電話外呼、信息記錄等工作，避免了人工情況下因疲勞等原因造成的記錄、歸檔錯誤等問題，同時還很好的避免了人為主觀判斷的情況。

　　項目實施過程和上線后也遇到了一些挑戰，主要集中在語音對外呼叫這一環節。首先，第一個挑戰是，一開始居民對外呼電話接通率不高。針對這一問題，來也科技采取的策略讓東壩鄉第一社區通過包括微信群等各種途徑在電話撥出之前提前進行宣傳和預告，大大提升了接通率。第二個挑戰是，電話外呼的時間太長，部分居民不愿意完成整個對話。來也科技隨后對話術進行了調整，將話術的輪次從原來的12輪壓縮到8輪，時間從3分鐘壓縮到2分鐘。

　　最后一個挑戰是方言。在項目初期，電話外呼的語音識別結果準確率偏低，只有40%-50%。來也科技之后對系統進行了優化，針對性的對一些受訪人員常出現的方言同音詞進行了替換，將準確度大幅提升至80%-90%。

　　2)武漢市騰龍社區

　　武漢市騰龍社區有超過2300位居民，居民主要是老年人，但僅有不足10名社區工作人員。疫情發生后，東湖高新區龍泉街道采取措施，征集志愿者、黨員等加入疫情防疫工作。

　　不過疫情排查范圍廣、人員多，不僅需要消耗大量人力物力、且很難準確全面統計疫情狀況，面對面的訪問調查還會增加交叉感染風險。

　　針對這一情況，該社區也選擇了來也科技科技作為合作伙伴，上線了RPA智能查訪機器人。

　　機器人收到社區名單后，自動讀取居民信息，逐個向居民發送短信、撥打電話，并根據語音識別匯總判斷居民是否正常，哪些居民需要幫助，同時自動生成表格，快速實現居民健康信息采集與疫情摸底。

　　自動辦證機器人，零接觸，解放員工雙手

　　廈門市翔安區馬巷鎮西坂社區有常住居民2400多名，外來人口1.5萬多名，但僅有8名社區工作人員。當時，根據廈門市疫情管控有關要求，所有小區需要為居民辦理小區出入通行證，對于從外省來廈的人員，過了14天觀察期，還需要進行換證。

　　這為西坂社區帶來了巨大挑戰，辦證、換證手工填寫，需要投入大量人力和時間;獲取正確信息，社區工作人員需要長時間與申請辦證、換證人員反復溝通，增大了交叉感染概率的風險。

　　在這一背景下，西坂社區選擇了來也科技作為合作伙伴，上線了自動辦證機器人。自動辦證機器人是來也科技自主研發的產品，申請辦證、換證人員只需掃碼完成信息填寫，就能獲得紙質版的出入證，整個過程完全不需要人工干預，也不需要社區工作人員額外學習新技術。

　　自動辦證機器人的優點包括：第一、“解放”工作人員雙手。辦證、換證自動完成，不再需要工作人員手動填寫;第二，減少面對面接觸。申請人自己掃碼填寫信息，無需長時間詢問溝通。

　　截至4月3日，自動辦證機器人已累計為西坂社區辦理了超過2000多張出入證件，隨后以每天30-40張的速度在持續增長，直至疫情暖和，社區解除封鎖。

　　RPA+AI技術快速落地，有效幫助基層社區解決了人手不夠的問題，將人從繁瑣的工作中解放出來，提升了效率，在此次疫情防疫工作中發揮了極大作用。不少基層社區目前開始將RPA+AI技術運用到常態化工作場景中，包括人口普查、政府公告通知、水電費繳納提醒等。

　　2.2.企業級知識圖譜支撐認知智能應用

　　隨著數字化轉型的加深，企業內部產生海量數據，尤其以非結構化數據為主，對于某些企業，非結構化數據占據總數據量的80%以上。非結構化數據范圍廣泛，包括圖片、視頻等富媒體數據;發票、郵件等文件類數據;傳感器收集的物聯網相關數據等。

　　面對海量非結構數據，企業需要新的技術手段理解數據并挖掘數據的價值。知識圖譜技術為企業應對這一挑戰提供了很好的解決方案。盡管知識圖譜概念于2012年才正式由Google提出，知識圖譜相關的圖技術此前已廣泛被搜索引擎、電商等互聯網科技公司使用。近年來，越來越多的企業也開始采納這一技術。

　　知識圖譜是一種語義網絡結構，由網狀的節點、邊線、弧線組成，用于呈現不同來源的數據實體以及數據實體之間的關系。通過知識圖譜，可實現對某個知識點的“定位”(知識圖譜作為一種索引方式)，或者可以進行“信息合成”(知識圖譜作為一種數據來源)。

　　簡單來看，知識圖譜的構建過程經歷下圖所示的三個階段。

　　在第一階段，從不同來源(包括公司內部和外部公開數據)的自由文本中抽取相關有用數據，利用自然語言識別技術，通過詞形還原、詞干提取等自然語言識別技術，對文本進行預處理。

　　進入下一階段，在前一階段處理的信息基礎上，進行關系抽取，以三元組的形式存放至知識庫中。一個知識庫往往包含無數個三元組，這些三元組通過本體論的方法進行排列組合。

　　最后，基于知識庫中的三元組，構成了一張知識圖譜網絡，能夠展示不同實體的關系，包括在前一階段知識庫環境下無法顯示出來的隱性關系。

　　在功能層面，知識圖譜的核心優勢體現在對于實體、屬性等客觀世界事物的關聯關系分析，包括顯性關系與隱性關系識別，尤其體現在對于隱性關系的識別上�；�于知識圖譜，能夠挖掘到一些僅靠人的業務經驗或者一般數據分析模型難以發現的業務邏輯和線索，輔助企業業務決策，支撐認知智能應用。

　　比如，在公安日常工作中，主要面臨嫌疑人是誰，嫌疑人在哪里，嫌疑人和誰在一起以及嫌疑人將去哪里等四大類問題，公安人員開展工作多數都是依賴現在信息化系統收集的軌跡工具而展開的，通過對軌跡數據的分析，鎖定嫌疑人，發現嫌疑人行蹤和團伙。而通過軌跡發現人與人之間，車與車之間的隱形關系，就是基于公安知識圖譜挖掘技術實現的，能夠在公安破案的過程中為公安提供有力的線索。

　　此外，基于知識圖譜技術搭建的領域知識庫，相較傳統的知識工程，在實際應用中效果也更好。由于傳統知識工程知識相對分散，關聯性低，要求使用者對于知識應用的匹配度較高，同時無法延伸知識的應用場景，所以傳統知識工程往往應用效果一般。在搭建領域知識庫的過程中，知識圖譜實現了知識的建模、抽取、融合、存儲、應用，同時將相關知識進行關聯，達到智能化的知識應用水平。

　　根據愛分析的調研，目前企業對知識圖譜的應用主要集中在金融和政府與公共服務行業，落地的場景主要以金融行業內的營銷與風控場景和公共安全行業的業務場景居多。

　　“智能搜索”助力某大型商業銀行實現APP精細化運營

　　移動互聯網對傳統商業銀行的倒逼革新已經進入了加速度。“互聯網+金融”爆炸式增長，滲透甚至重塑了絕大多數用戶的習慣，移動APP也已經成為各行各業企業經營的重要組成部分，在企業經營用戶和收入貢獻占比巨大。

　　作為數字化轉型的一部分，國內某大型商業銀行此前推出了官方信用卡APP，以更好向用戶提供服務。不過，在發展初期，由于缺乏APP建設經驗和相關技術支撐，信用卡APP上線后，用戶體驗有待改善。

　　具體來看，該銀行搭建的信用卡APP基本功能已經具備，可通過APP向用戶提供銀行的各項服務。但是，APP在搜索方面存在諸多短板，例如對用戶搜索問題匹配答案準確度不高、無法精準識別用戶搜索意圖等，使用體驗欠佳，導致APP日活增長緩慢、獲客率留存率低等問題。

　　該銀行希望通過借助人工智能技術，在信用卡APP中嵌入更加智能化的搜索功能，將銀行服務更精準的推向客戶，實現“人找服務”到“服務找人”的轉變，推動APP日活增長，提升獲客率和留存率，最終推動業務增長。

　　在這一背景下，該銀行的信用卡中心選擇了竹間智能作為合作伙伴。竹間智能向該銀行提供了Gemini知識工程平臺產品作為解決方案，對信用卡APP進行了改造和升級，上線了智能搜索服務。

　　成立于2015年的竹間智能以獨特的情感計算研究為核心，以自然語言處理、深度學習、知識工程、文本處理等人工智能技術為基礎，研發具有情感識別能力的對話機器人，并且幫助企業解決知識應用難題，目前在AI+金融、AI+醫療醫藥、AI+教育、AI+互聯網、AI+智能終端、AI+傳統產業等領域提供完整的解決方案。

　　Gemini知識工程平臺是竹間智能面向客戶提供的六大核心平臺之一，是專門幫助客戶解決數據和知識應用的產品平臺。知識工程平臺是竹間以獨特自研的的自然語言處理技術為基礎，打造的“知識工廠”， 可自動構建知識圖譜，行業知識圖譜，進行知識管理，及知識搜索，極大地縮短了業務流程中需要人工處理文本的時間，解決企業數據應用難題。

　　基于竹間智能Gemini知識工程平臺，該銀行上線的智能搜索服務解決方案大致流程如下：Gemini知識工程平臺的底層基于NLP能力，當用戶在APP輸入搜索內容，發出請求時，平臺會對請求進行語義分析及知識提取，隨后將請求在數據庫或知識庫中進行查詢請求，最終輸出用戶期望得到的結果。

　　該銀行信用卡APP升級后，凸顯了四方面的優勢：基于用戶搜索行為的智能化推薦、根據用戶搜索行為的熱詞智能排序推薦、靈活可控的搜索內容、基于智能語義理解的搜索詞抽取分析。

　　基于用戶搜索行為的智能化推薦

　　升級后的信用卡APP可根據用戶搜索行為進行智能化的推薦，用例如下圖所示。在搜索界面，展示相關的推薦內容;當用戶輸入“分期”時，可自動推薦“分期”“我要分期”等內容。

　　傳統上，受移動APP屏顯內容有限的影響，產品經理和運營需要花費很大精力思考如何呈現層次，內容如何編排以更有效率實現用戶意圖。智能化推薦解決了這一痛點。

　　此外，該功能提升了隱形服務的曝光率，減少因為產品設計帶來的觸達困難。由原來屏顯內容的剛性組合，一級菜單二級菜單，變成用戶隨機搜索內容+智能化推薦的軟性組合。兩種組合的同時運用，極大地提升了信息呈現的效率。

　　有了該功能，用戶不再需要費力地找某個功能入口，同時也能夠獲取原始目的之外的“意外需求”，對于企業而言，例如信用卡App分賬率即使提升百分之一，巨大的用戶基數面前，這個功能能直接創造可觀的收入和利潤。

　　基于用戶搜索行為的熱詞智能排序推薦

　　升級后的信用卡APP，當用戶搜索某個關鍵詞時，每次點選和跳轉具體內容，系統后臺都能學習每個用戶的操作數據，并且迅速“反應”，實現熱詞的智能排序。如用戶輸入“白金卡“關鍵字，下方會據此推薦”白金卡專區“和”白金卡“兩個熱點搜索詞(”白金卡專區“排在前面)。當用戶選擇了”白金卡“時，系統會學習到”白金卡“是用戶優先想要搜索的詞，當用戶下次再進行同樣的搜索時，”白金卡專區“和”白金卡“兩個熱點搜索詞會調整排名。

　　這大大提升了用戶的使用體驗，順暢快捷的意圖實現，APP也越用越順手。

　　靈活可控的搜索內容

　　升級后的APP搜索內容具備靈活可控的特點，可定時和實時內容同步、失效下線。該功能減輕了運營和維護的工作量，降低了出錯的幾率。

　　基于智能語義理解的搜索詞抽取分析

　　升級后的APP具備基于智能語義理解的搜索詞抽取分析的功能。具體來看，當用戶輸入相關信息時，后臺會對用戶輸入的內容進行分析，即便用戶輸入的是長句、拼音或者其他“變形”的搜索詞，系統也能夠進行聯想，匹配用戶意圖目標之內的內容。例如，當用戶輸入“滿減“關鍵詞時，系統會推薦”隨機減“;用戶輸入”baijinka“，系統能夠識別出用戶的意圖，在下方推薦”白金卡“或者”白金卡專區“的字樣供用戶選擇。

　　這一功能真正做到了以用戶為中心，最大程度對用戶的使用習慣“不設限“。

　　效果層面，該銀行對信用卡APP進行了升級后，實現了真正的客戶個性化服務，優化了用戶體驗，提升了對用戶進行精準營銷的能力。

　　升級版的信用卡APP上線后，該銀行信用卡中心的用戶和業務收入實現了極大的增長。目前該銀行的信用卡APP月活用戶達到1,045.32萬戶，在信用卡類APP中排名第四。

　　2019年，該銀行信用卡中心新增發卡1,149.83萬張，累計發卡7202.56萬張，同比增長19%。信用卡實現交易額26,588.07億，同比增長16.17%，業務收入475.67億元，同比增長21.84%。

　　2.3.人工智能工程化助力AI應用規�；�部署

　　企業數字化轉型催生了大量AI應用場景以及各式各樣的智能化業務需求。一般而言，業務部門提出一個需求后，研發團隊需要針對性地開展數據分析處理、模型的構建過程等，導致AI應用落地往往十分漫長，業務的敏捷性相應慢。隨著智能化應用的場景拓展，這一矛盾更加突出。

　　與此同時，針對新場景的開發，企業需要重新購買、部署硬件和CPU、GPU計算資源，再次進行數據接入、數據處理和模型開發流程，造成多套AI系統的重復開發，造成極大的資源浪費，開發成本居高不下。

　　完整地看，AI應用的開發包括數據治理以及模型開發兩個大的環節。面臨AI應用單次開發業務敏捷性低下和成本高的挑戰，越來越多企業開始強化AI工程化的能力。

　　1)數據治理工程化

　　數據是一切AI模型的基礎，完善數據的基礎設施建設對于AI項目開發至關重要。然而，由于數據基礎的不完善，以及數據治理過程主要依靠人工完成，導致數據治理環節耗費大量時間投入，甚至占據整個AI應用開發周期的一半以上。

　　為了解決上述問題，一方面，企業需要重視數據中臺等數據基礎設施建設，為AI應用開發提供基本能力，包括數據標準化、數據實體化、數據服務統一化等;通過搭建數據中臺應用，還能提供數據處理的智能化需求，包括智能數據模型、關聯分析、主成分分析、異常點分析等。

　　其次，越來越多企業開始在數據治理過程中結合AI技術，提升數據處理的效率。在數據接入、數據清洗、數據模型管理、元數據管理、數據安全等方面，AI技術都可在其中發揮作用。

　　數據接入。利用OCR、NLP和機器學習等技術，自動化批量接入同源異構數據。

　　數據清洗。基于機器學習、深度學習通過提取有效的數據質量評估指標，實現數據清洗自動化;利用機器學習、NLP技術建立重復識別匹配規則和匹配鏈接規則，對多個系統中的同一數據項進行匹配和合并。

　　數據模型管理。利用知識圖譜技術，采用語義網絡架構中RDF模型表示數據，構建包含主體、屬性和客體的知識圖譜數據集，實現概念模型與計算機模型的融合。

　　元數據管理。利用語音識別、CV、文本分析等技術實現企業元數據的業務詞庫的構建，成為提取各類有價值的非結構化元數據的資源池。

　　數據安全�；�于機器學習、NLP和文本聚類分類技術，對數據進行基于內容的實時精準分類分級，防止重要數據泄露。

　　搭建數據中臺，某商業銀行實現數據服務敏捷交付，支撐AI智能化應用

　　總部位于杭州的浙江某商業銀行(以下稱“該銀行”)成立于1987年，2005年完成股份制改造，2006年由地方城市信用社改建為商業銀行，致力于做小微企業和市場商戶的商貿金融伙伴。

　　幾年前大數據浪潮興起時，該銀行在傳統數據倉庫架構之上拓展搭建了大數據平臺，并與多家廠商合作，建設了多個大數據相關系統，但是系統間聯動能力較差。這就導致了數據需求被多個操作人員轉化成了數以萬計的ETL任務，散落在幾千張表中，無法形成有效的數據資產。

　　配合數字化轉型戰略的實施，該銀行成立了數字金融部，作為數據管控和服務的一級部門，主要負責數據資產的管理和對接業務部門的數據需求。通常，業務部門提出需求后，管控部門首先去理解相關需求指標，定位源數據表和數據本體，再分析指標如何計算實現，然后提交科技部門開始開發測試工作，完成后通知業務進行結果確認，最后進行批量的后臺處理。

　　這一系列流程周期長，從幾周到幾個月不等。對于業務部門，數據需求排期流程十分漫長，過程中與開發人員反復確認口徑，溝通成本高。由于缺少友好的自助分析工具，過于技術化難以理解;對于科技部門，業務部門反復提出取數需求，擠占大量開發人員時間，無暇顧及更高價值的業務分析或AI類需求。

　　總結來看，該銀行面臨數據需求兌付緩慢的痛點，主要有三個方面的原因：第一，系統聯動能力差，無法形成統一的數據資產，新場景開發難以復用已積累的數據資產，需要重新取數;第二，取數工作流程長，耗時長;第三，數據分析依賴于開發人員用繁瑣的代碼完成，技術門檻高，開發效率低。

　　為了解決以上問題，該銀行經過慎重考核，選擇了山景智能作為合作伙伴。山景智能是一家面向未來銀行的數據及業務智能服務提供商，旨在幫助金融機構構建和提升數據資產及AI智能化服務能力，目前已推出智能數據平臺-星際STELLA、智能AI平臺-星云NEBULA、智能業務平臺-覺醒AWAKE、全流程敏捷開發管理平臺系列自研產品。

　　經過深入的調研后，山景智能為該銀行搭建了一套業務中臺和數據中臺，通過數據資產化將行內此前數據治理的成果串聯，同時滿足離線、實時數據查詢、分析需求。

　　管用一體，支撐數據需求的敏捷交付

　　在本次合作中，該銀行主要做了三個方面的工作。

　　首先，對該銀行原有技術平臺進行串聯整合，以集中API化的方式在山景智能的底層數據服務平臺進行統一的數據調用。一方面，所有資產發布必須與行內現行的基礎數據標準和指標數據標準對標�；�礎數據資產的發布對接該銀行現有數據倉庫(Oracle， Teradata)或者大數據平臺(CDH、TDH等)。另一方面，各類報表、AI、數據應用和數據API均基于發布后的數據資產進行封裝或衍生。保證了數據可基于同一套標準進行管控，并且保證了數據入口和出口的統一。

　　其次，山景智能為該銀行制定了數據資產的規劃項目，讓科技部門用貼近業務的語言準確表達需求，并將該需求自動生成為數據資產，避免實現過程中的理解差異與反復，也讓科技部門更好的復用數據資產，實現快速交付。

　　具體而言，在數據資產化的環節，山景智能采用本體建模的方法，基于面向業務的語言構建數據資產，映射元數據，進而形成全行級的知識圖譜。隨后，以樂高積木的方式對數據資產進行拼裝，數據資產的衍生通過配置實現，便于追溯，保證資產的可復用性。并以圖形化對數據血緣進行展示，這樣可以更好的反應數據資產或數據標準的系統分布�；�于數據資產外放的指標庫、標簽庫、API庫，用戶自定義形成的查詢、分析、模型、報表構成了數據應用市場，最終實現場景賦能。

　　在數據中臺的模式下，從業務需求到數據資產化的整個過程實現了閉環。業務人員提出需求后，需求隨后流轉到數據資產管理部(即數據金融部)，數據資產管理人員對需求的業務指標進行分析，如果發現該指標已存在于數據平臺中，則直接進行資產發布;反之，管控人員會將需求轉達至科技部開發人員，進行模型研發工作，根據需求自動生成數據資產。

　　最后，在數據應用的環節，山景智能的數據中臺可對衍生數據需求開發轉化成配置任務，實現SQL的自動生成同時，平臺開放自助取數、自助分析的功能，可幫助業務用戶、數據分析師、數據科學家更高效的產出數據洞察。

　　山景智能提供的業務中臺和數據中臺幫助該銀行實現了數據需求的敏捷交付，交付速度從月降到了天。效果體現在以下三個方面。

　　1. 建立統一的數據資產，實現可復用：本次合作項目主要對接的是該銀行的小微部和零售部，已經建立的指標庫已能夠滿足這兩個部門對數據使用的基本需求，日常所需的大部分報表都可通過數據中臺實現自動獲取。截至目前，該銀行的數據中臺利用數據資產基于需求自動生成的方法構建了近500個指標。2. 建設了數據中臺后，該銀行的業務部門、數字金融部以及科技部門的工作流得到了很好的改善。3. 科技開發人員不再需要用繁瑣的代碼實現業務需求，提升了交付速度。

　　此外，基于山景智能的業務中臺和數據中臺，該銀行建立了強大的數據資產管理和服務能力，在上層實現了智能營銷、智能運營等AI智能化應用。

　　2)模型開發的工程化：從“煙囪式”架構到“中臺”架構

　　傳統上，企業部署AI應用，一般通過單點開發的方式，即“煙囪式”架構部署AI應用。海量AI應用場景爆發使得原來傳統的“煙囪式“AI開發流程無法跟上業務的快速變化，開發速度慢、周期長。

　　越來越多的企業開始采取工程化的建設思路以應對這一問題，通過建設統一的AI底層平臺，實現上層AI應用的自動開發，以此縮短AI應用開發的周期，增強對業務響應的敏捷性，并降低總體AI開發的成本。

　　AI工程化建設可劃分數據治理和AI模型工程化兩大環節，在全生命周期中都可利用AI技術提升效率，而以工程化的建設思路可在多個環節中實現流程自動化，加速AI模型的快速、批量搭建。

　　建模流程自動化的實現主要依賴AI中臺的搭建。一般而言，廠商提供的AI中臺產品包括四大模塊：開發平臺層、資產層、業務邏輯層、平臺管理層。

　　開發平臺層：主要負責數據處理、模型訓練與發布。數據處理主要包括訪問數據中臺、數據庫或其他數據存儲系統的數據，并提供數據清洗、數據標注、數據分析和特征工程等能力;模型訓練提供多種建模方式，如可視化拖拉拽建模、Notebook建模等。

　　資產層：包括算法庫&樣本庫，內置特征工程、機器學習、深度學習和NLP等AI算子和大量AutoML模塊。企業可將算法封裝稱獨立算子，可供直接調用。

　　業務邏輯層：主要是指根據對業務需求的理解，提供可復用的建模方案模板、服務編排等能力。業務邏輯層能夠將算法能力包裝稱AI組件。

　　平臺管理層：負責角色權限管理、賬戶管理、資源統一管理等功能。

　　數據治理后，在特征工程、模型訓練、模型評估、模型管理等環節中，以AI中臺的思路可助力整個建模流程實現自動化。如在特征工程環節，基于AI中臺，可內置實時特征計算引擎技術，提供自動特征組合、可視化特征重要性評估等;在模型訓練環節，可實現拖拉拽流程建模以及自動模型調參;在模型評估環節，可實現可視化模型效果展示;在模型管理環節，模型中心提供對平臺開發模型的統一管理能力。

　　某全國性商業銀行，從總行到分行智能外呼、智能客戶等AI應用需求爆發，在AI建設初期，由于缺乏經驗和全局規劃，各個部門各自為政，建設了多套NLP系統，無法進行統一管理及規范化輸出，優化模型也無法共享。同時，多個系統的存在還必須分別投入運維團隊進行管理。

　　該銀行搭建了一套AI平臺，底層的NLP能力統一由一家國內領先的人工智能客服廠商提供。AI平臺提供統一的平臺化管理能力，提供標準的自然語言處理服務，只需在平臺上進行少量的個性化設置，即可完成不同業務場景的機器人的搭建。

　　借助NLP平臺，該銀行目前完成了總行全渠道運營智能客服、總行RCS貸款問答機器人、財富問問在線機器人以及人力客服機器人等建設。目前該銀行還將基于NLP平臺進行分行的機器人搭建，由于前期已完成了NLP平臺的搭建工作，新機器人的建設可以基于同一套知識庫進行，簡單快捷，基本不需要額外的成本投入。

　　3.人工智能落地進展與實踐案例

　　2020年，人工智能技術落地進展加快，尤其是新冠疫情爆發加快了AI技術的落地。面對此次疫情出現的種種問題，以人工智能為主的數字技術為疫情防控提供了可靠的應對工具，在醫療和城市治理等多個領域中釋放應用價值。

　　例如在醫療領域，AI圖像識別的應用，大大提升了醫療效率。比如，在疫情期間，湖北多家醫院聯合國內一家大型互聯網和AI廠商，部署了人工智能CT設備，利用AI醫學影像產品，輔助醫護人員診療。在患者做完CT檢查后，設備數秒就可以完成AI識別，在一分鐘內為醫生提供輔助診斷參考，診斷效率提升數倍。

　　在城市治理方面，人工智能技術廣泛應用于社區防疫、智慧政務等場景中。比如，疫情期間，大量社區安裝了帶有AI算法的智能攝像頭、熱成像門禁機等設備，具備實時身份認證、測量體溫以及預警記錄上報等功能。此外，在政務領域，智能客服等應用可以完成自動外呼等功能，與轄區內居民聯絡，進行人機對話;智能機器人還能自動生成防疫統計報告，不僅提升了工作效率，還避免了信息采集人員與居民交叉感染的風險。

　　本章將重點分析人工智能在不同行業的最新應用進展。我們將以金融、消費品與零售、政府與公共服務、醫療與醫藥以及房地產與建筑五大AI應用較廣泛的行業為例，嘗試對相關AI應用場景的成熟度以及新應用場景情況進行剖析，并展示相關成熟的應用案例。

　　3.1.金融

　　金融行業仍然是目前人工智能應用最為成熟的領域。金融業的業務流程大致包括產品設計研發、營銷與銷售、風險管理和支持性業務四個方面，在這四個業務環節，都已有眾多成熟的AI應用場景。下圖展示了當前人工智能在金融行業產業鏈不同環節各個應用場景的成熟度。

　　當前，隨著銀行業進入長期低增長的“存量時代”，企業普遍更加重視通過智能化手段提高經營效率和增加收入，而構建營銷風控一體化的管理體系，成為了銀行業數字化轉型的核心環節。

　　在營銷與銷售方面，企業更加注重挖掘存量用戶的價值，在用戶場景、用戶洞察、用戶觸達、用戶轉化、用戶運營等方全生命周期中，在各個環節中通過AI技術實現銷售閉環。比如在用戶洞察環節，銀行業企業普遍面臨對消費者數據開發不足的問題，AI技術的加持能夠實現更深層次的客戶洞察，基于多維度的用戶數據構建用戶畫像，實現更精準的用戶觸達。

　　風控方面，目前國內銀行在零售信貸風險管理領域的AI應用實踐主要集中在貸前反欺詐、貸前授信審批、貸中預警和貸后處置四個方面。以貸前和貸中階段為例，銀行和消費金融公司能基于大數據和機器學習，利用已有的用戶標簽建立資質擋板，構建人群基礎畫像。并在此之上進行后續環節的風險篩查，覆蓋貸前風險識別和定額，以及貸中實時監測預警。

　　與此同時，除了傳統營銷與風控場景，AI在金融業的應用逐漸滲透至監管領域。金融監管政策制定涉及多方利益，往往牽一發而動全身，通過引入深度學習等AI技術，可對政策帶來的影響進行分析預測，輔助監管措施的制定。

　　某期貨交易所搭建AI預測模型，提升智能決策水平

　　期貨市場連接實體經濟和金融市場，有效彌補了現貨市場的不足，對于穩定與促進市場經濟發展發揮著重要作用。

　　保證金標準、漲跌停板幅度、交易手續費等措施是期貨交易所開展市場監管的重要手段。以往，交易規則制定往往基于專家經驗和規則作為決策的主要依據，但市場隨時都在發生變化，過去的規則經驗往往對當下的市場反應估計不足。

　　尤其是針對高頻交易場景，這一問題更為凸顯。高頻交易數據量大，噪聲多，數據類型較為單一。而高頻度違規的交易模式，如頻繁撤單、自買自賣，虛假報單等，卻隱藏于這海量的交易數據當中，十分不易發現。過去通過人工識別的異常交易手段已無法滿足龐雜的金融數據及瞬息萬變的市場操作。

　　此外，在針對交易行為監控方面，以往，交易所的審批工作都是基于人工完成，費時耗力，業務響應效率低。

　　在這一背景下，某期貨交易所選擇了星環科技作為合作伙伴，以解決以上痛點。星環科技成立于2013年，專注于企業級容器云計算、大數據和人工智能核心平臺的產品研發，目前公司建立了多個產品系列：基于容器的智能大數據云平臺TDC、一站式大數據平臺TDH以及智子人工智能平臺Transwarp Sophon等。

　　星環科技利用數據科學平臺的機器學習及深度學習技術，為該期貨交易所搭建了深度神經網絡模型，應用在交易規則制定、交易異常行為識別以及套期保值額度審批三個場景中。對應這三個場景，星環科技為該期貨交易所分別搭建了三個系統——監管措施輔助決策系統、異常交易識別系統以及套期保值審批額度推薦系統。

　　輔助交易規則制定，政策制定更審慎合理

　　交易規則調整屬于低頻度行為，過往數據較少、歷史數據信噪比低。此外，期貨交易品種間交易特性也并非完全一樣，這對模型的算法能力提出了更高要求。

　　考慮這一難點，在搭建監管措施輔助決策系統時，星環科技最終選用了Seq2Seq和專家規則的場景融合算法。星環科技提供的監管措施輔助決策系統結合歷史措施調整情況和大量歷史數據，建立監管參數目標值與市場運行情況的關系模型，深度分析并挖掘不同的監管措施目標值可能對市場產生的影響(交易量、持倉量變化等)。能夠在政策措施出臺前，評估某一政策對期貨市場產生的影響，提供交易規則措施制定的輔助決策，使得政策更加審慎合理。

　　如上圖所示，數據清洗加工環節采用星環TDH大數據平臺進行數據的抽取、清洗、存儲和加工;隨后，基于星環TDH并結合TensorFlow框架進行數據輸入，通過星環人工智能平臺Sophon協作開發，采用Seq2Seq深度學習相關技術進行算法建模。

　　在建模過程中，采用專家經驗機器學習相結合的方式進行規則發現，基于星環Slipstream 進行規則計算，利用星環最新發布的 FIDE 規則引擎平臺進行規則決策，結合指標計算模塊實時計算的能力，對AI模型特征進行實時的計算，以獲取AI模型在實時業務的場景下完成模型的實時預測，并結合決策引擎對于模型/規則的管理，實現專家規則+AI 模型的雙軌制決策模式， 增強了AI模型在業務場景中的應用可解釋性。

　　最后，通過 Sophon 模型API進行發布，快速上線并可以定時更新模型，增量更新模型質量的需求，方便維護。并對接下游應用系統、可視化BI系統、實時監控大屏的業務終端，從而最終完成模型上線閉環打通。

　　該模型實現系統查詢響應時間在3秒以下;所有涉及智能化算法執行響應時間在5分鐘以內;模型日常訓練、迭代及批處理時長則在一小時以內。

　　異常交易識別系統，快速鎖定異常行為

　　星環科技為該期貨交易所提供的異常交易(交易模式)識別系統，通過星環一站式大數據平臺TDH和企業級人工智能平臺 Transwarp Sophon 共同構建深度神經網絡模型，結合波動率、持倉量、基差、價差等衍生品定價等時序波動特征識別異常交易模式，提前預測市場風險。

　　星環科技的高頻交易模式識別模型可以根據定單、交易、持倉等一系列分析維度，結合日內K線(秒級、分鐘級)以及定單薄狀態，分析高頻交易客戶定單觸發條件以及交易行為，總結交易模式(或策略)，生成相應的交易模式(特征)報告，通過圖形化方式展示客戶交易特征。

　　此外，系統可構建異常交易客戶標簽體系，通過輸出異常交易的客戶特征標簽，建立異常交易客戶畫像。系統還可以生成市場交易模式報告，根據選定的客戶群體，結合異常交易(交易模式)識別算法輸出結果，以及所選客戶的特征閾值生成對應交易模式報告。

　　異常交易(交易模式)識別系統上線后，該期貨交易所通過構建客戶畫像，能夠更精準的識別不同客戶的風險，更及時發現異常交易。

　　套期保值審批額度推薦系統，實現審批自動化、智能化

　　在期貨市場中，生產經營者通過進行套期保值業務來回避現貨交易中價格波動帶來的風險，鎖定生產經營成本，實現預期利潤。針對套期保值交易，交易所執行的是套期保值額度審批制度，即各合約同一方向套期保值持倉合計不得超過該方向獲批的套期保值額度。交易所實行套期保值額度審批制度。

　　該期貨交易所與星環科技合作上線了套期保值審批額度推薦系統。在準確理解業務，分場景、分品種大批量的應用規則基礎上，系統完成建設了發現規則、配置指標、配置規則、計算指標、執行規則等 5個核心步驟，能夠根據賬戶數據以外，結合合約風險、持倉情況、倉單情況、期現貨價格、合約間價差等數據，實現自動化、智能化的即時套保額度計算預審批。

　　該系統的運作流程如下：基于星環 Slipstream模塊，建立實時流計算引擎和數據處理; 建立多維度的指標定義功能模塊及靈活多變的配置功能模塊; 最后，基于星環FIDE規則引擎平臺進行規則決策建立決策引擎，使得配置出來的規則都夠快速執行出響應的結果。

　　上線了星環科技的這套解決方案后，該期貨交易所實現了套期保值審批額度報表的自動生成。套保審核人員可根據實際需要，針對不同品種、合約的一般月份套保以及臨近月份分別配置計算規則，用于規則額度的即時計算，并生成解釋性報告。額度推薦包括可以在會員提交套保申請后3分鐘內完成推薦報告。此外，套保審核人員還可進行參數配置，包括通用參數、品種(合約)具體規則等計算業務參數。

　　總體上，星環科技的監管措施輔助決策系統、異常交易識別系統以及套期保值審批額度推薦系統上線后，該期貨交易所擺脫了以往純依賴人工和專家經驗的狀況，實現了更精準的監管決策和分析研判，更科學的交易規則政策制定，更快速的異常行為識別，更高的審批效率及更優的用戶體驗。

　　3.2.消費品與零售

　　從價值鏈上看，消費品與零售行業包含生產與采購、分銷與流通以及營銷與零售三大環節。得益于零售企業數字化轉型的努力，AI已在價值鏈的每個環節中有所應用。

　　例如在生產與采購環節，典型的AI應用場景包括智能質檢，利用機器視覺等AI技術可代替人力或者協助人力完成對缺陷商品進行識別;在分銷與流通環節，有部分企業開始嘗試使用AI技術，基于用戶數據、產業鏈上下游數據以及交通、天氣等外部，建立AI模型預測供應鏈中斷，提前做好準備。

　　總體來看，AI在消費品與零售行業AI應用的重心在終端營銷和零售環節，原因在于消費品與零售企業的經營模式以消費者為中心，隨著獲客成本的升高，消費品與零售企業需要增強營銷方式上的競爭力。

　　目前在營銷與零售環節，AI技術的應用已經很成熟，大量零售品牌商已經搭建了客戶數據平臺(CDP)，采集全渠道消費者數據，基于深度學習、知識圖譜等AI技術，對數據進行整合及分析，構建統一用戶畫像，進行深度的客戶洞察，更精準的觸達潛在用戶、提升已有用戶的復購率。

　　某個護小家電頭部品牌依托AI智能營銷方案實現精準運營

　　某京東自營品牌下的個護小家電龍頭品牌商，其電動牙刷、剃須刀品類為全球領先品牌。隨著零售行業的迅猛發展，個護類小家電越來越成為人們的一類家電新寵，市場競爭日益激烈，該品牌商希望能夠及時了解市場態勢，精準定位和觸達消費者群體，持續提升產品的創新能力，提升在家電領域的市場占有率和用戶滿意度。

　　該小家電品牌商過往的線上運營策略一般基于運營人員主觀經驗或者基于人工對內部零散數據的分析，存在決策數據缺失、驗證困難、驗證周期長等業務痛點。新的市場競爭態勢需要品牌商深入洞察消費者，了解關鍵群體的特征、購物行為模式;需要基于可靠的消費者數據分析做出精準的營銷和生產決策，包括促銷策略、運營方案優化、生產設計等。

　　針對這一情況，該品牌與京東智聯云合作，采用智能服務解決方案。

　　智能服務解決方案的核心產品是智能供應鏈決策引擎，經歷了在京東集團內部應用到對外輸出的過程。該方案基于大數據技術，通過結構化分析，利用人工智能技術進行深度建模，解析用戶購買行為，最終在營銷銷售、交易渠道、客戶服務以及生產設計四個具體場景向品牌商提出了切實可行的策略建議。

　　基于AI技術，全方位洞察用戶的消費行為

　　京東智聯云的智能服務解決方案首先運用人工智能及深度學習技術進行數據處理，基于處理好的數據進行模型訓練、生成數據模型，利用模型模擬、推演刻畫消費者的特質以及決策路徑，最終形成決策建議，供客戶參考。

　　在數據處理過程中，運用人工智能及深度學習技術，將非結構化的商品數據、用戶大數據、評價信息轉化為結構化數據。面對多樣的雜質數據，京東智聯云進行大批量數據清理，排除一些干擾用戶消費行為分析預測的異常消費行為，類似包括大促、某些大型客戶一次性購買等非常規行為往往對消費者行為預測造成干擾。

　　數據處理之后，利用機器學習、深度學習等AI算法解析用戶與商城的交互行為數據，深入洞察用戶行為背后的動機，形成各類消費者行為模型，包括文本分析、評論分析、拉新、復購、留存、人群擴散以及銷量預估等�；�于生成的模型推演和刻畫出消費者的特征和消費路徑，例如基于拉新模型可在營銷方面提出廣告投放等具體策略建議，供品牌商參考。

　　智能服務解決方案的模型是綜合考慮多方因素下行成的，并非基于孤立某類數據。數據建模還會綜合考慮到同行業內的其他變量，把品牌商放在全行業的視野下進行考慮。例如，京東智聯云數據建模時會關聯考慮友商包括促銷等行為，這是因為在市場規模一定的情況下，友商的行為可能帶來全行業的影響。

　　合作逐步推進，業務場景不斷深化

　　此次項目共經歷了三期，首期京東智聯云幫助該小家電品牌商搭建了基本的框架，第二期擴展了消費品類，第三期擴展了運營場景，是一個逐步遞進的過程，實現應用的業務場景也不斷深化，從一開始僅涉及營銷效率提升到最后實現產品創新。

　　在整個過程中，京東智聯云承擔了全部能力建設任務，同時，品牌商管理層、品類、銷售等團隊與京東采銷團隊、京東AI團隊及咨詢團隊密切合作，對平臺進行了充分的迭代。用于模型訓練的數據持續不斷的進行了更新，保證了輸出的決策建議可以跟據實時反映消費者行為變化，保證分析預測結果實時性。

　　基于消費者洞察，實現有效決策和精準運營

　　京東智聯云提供的解決方案全面描畫出了該小家電品牌商的現有以及潛在消費者畫像，清晰還原了用戶從搜索到商品詳情頁及購物車的選品全路徑，還對消費者作出決策的原因、營銷策略對商品從入口到頁面的流量背后的原因等進行了分析。

　　基于京東智聯云解決方案提供的消費者洞察分析和策略建議，該小家電品牌商在營銷運營和產品創新方面對經營決策進行了改進和優化，取得了良好的效果。

　　在營銷運營層面，方案對該小家電品牌商在剃須刀、電動牙刷等五大門類的產品都提出了具體可行的運營建議，比如應該在哪些渠道(包括非京東渠道)進行廣告投放、做活動時的滿減策略等。公司在原有營銷廣告投放等策略進行了調整;CRM方面，強化了拉新、復購和忠誠度建設，同時還對品牌定位、店鋪設計和布局等層面作出了重要策略調整。

　　在產品創新層面，解決方案也給該小家電品牌商提出了具體的決策建議，包括品類調整和產品設計等。支撐方案給出這類建議的核心是平臺具備的算法能力，可以對消費者的決策術進行持續分析;根據用戶評論等數據結合該小家電品牌商的商品進行分析，形成對品牌商品類調整和產品設計的建議。

　　整體來看，該小家電品牌商采納了京東智聯云提供的方案后，在項目的一年周期內，目標商品的平均搜索點擊率提升25%，下單轉化率提升15%。

　　3.3.政府與公共服務

　　隨著新基建建設加快推進，智慧城市項目在全國如火如荼展開，以智慧基礎設施為主要特征的智慧城市建設進入快車道�？傮w來看，在政府與公共服務領域，目前AI主要的應用場景包括政務服務、智慧園區、城市安全和智慧交通四大方面。

　　進入2020年，各地政府積極搭建類似“一網通辦”等平臺，通過整合政府服務數據資源，搭建一體化在線政務服務平臺，簡化居民獲取政務服務的流程。例如，為了優化民眾新生兒落戶流程，浙江省政府依托“城市大腦”打通了出生醫學證明管理系統、人口信息管理系統、醫保辦理系統，實現了跨部門業務流程交互，通過“浙里辦”APP“出生一件事聯辦”應用，新生兒父母在手機上即可一次性辦完所有證件。

　　在智慧園區的應用場景中，AI技術應用于園區商業規劃、園區安全管理等領域中。例如，園區管理者可以基于數據分析和算法模型，賦能園區進行產業規劃、招商引資等;通過部署智能攝像頭、算法平臺等AI軟硬件設備，對園區內環境進行實時監測，實時監控環境，進行訪客安全管理、停車管理等，保證園區內人員以及環境安全。

　　城市安全主要包括智慧安防、智慧警務和應急管理，在這三個方面，AI技術應用都有較大的進展。政府部門越來越多的將AI技術應用于情報分析、罪犯抓取等場景中，知識圖譜技術的快速發展，大大釋放了AI在此類場景的價值。

　　AI情報分析系統助力中國杯國際足球錦標賽順利開展

　　中國杯國際足球錦標賽于2019年初在廣西南寧舉辦，某部門承擔了對參賽球隊相關境外入境人員的核驗和篩查工作。

　　傳統上，大型國際賽事或者大型會議的入場人員信息篩查，一般都依靠人工進行，業務人員將境外人員提交的包括護照等信息，通過查閱資料進行對比，然后作出判斷。

　　這種依靠人工的作業方式存在較大的缺陷。首先，信息獲取來源比較有限，在篩查工作中，業務人員一般只能根據相關人員提交的信息與已有的資料進行對比，作出判斷，無法觸及存在于互聯網的大量關聯信息。

　　其次，基于人力的作業方式效率低下，且容易受每個業務人員精神狀態影響，狀態不佳時，容易遺漏。此外，篩查工作對人的思維能力要求很高，業務員需要接受長時間的培訓并具備一定的工作經驗之后才能勝任。

　　類似中國杯國際足球錦標賽的大型國際賽事的人員篩查工作，工作量大、任務集中，時間緊迫，使得基于人工的入境人員篩查作業方式弊端暴露更加明顯，倒逼該部門采取新思路應對挑戰。

　　在這一背景下，該部門選擇了湖南星漢數智科技有限公司作為合作伙伴，以解決上述問題。湖南星漢數智成立于2016年，公司將網絡文本語義分析和大規模知識圖譜相結合，面向政府部門以及商業機構提供包括公開或授權數據整合、信息抽取、知識構建分析和智能搜索等認知計算解決方案。

　　星漢數智為該部門部署了公司針對政府部門研發的情報分析產品——星漢天箭情報智能分析系統。依托該系統，2019年中國杯國際足球錦標賽期間，某部門篩查效率得到極大提升，及時發現了對入境信息進行隱蔽篡改的犯罪嫌疑人員。

　　星漢天箭情報智能分析系統聚焦于公共安全和國家防務領域的情報分析痛點，利用大數據和語義理解技術，提供關鍵線索的識別和追蹤、目標畫像、機構分析、社交網絡分析、多線索拓線分析等服務，已廣泛應用于反恐、反欺詐、犯罪預防、案件偵破、安全防衛等場景。

　　星漢天箭情報智能分析系統是星漢數智的兩大拳頭產品之一(星漢數智推出的另一拳頭產品為招標雷達，為企業提供招投標信息的全網實時獲取和深度關聯分析功能)，歷時兩年多完成產品研發，系統主要指標達到國際先進水平。2020年6月，經中國航天科技集團有限公司軟件評測中心測評，星漢天箭情報智能分析系統在十億級節點、千億條邊、100PB級有效數據的知識圖譜上，全面具備情報挖掘和傳播分析能力，在基于意圖理解的智能搜索、基于種子特征的實體鏈接等方面，準確率超過95%。

　　信息批量導入，批量分析

　　星漢天箭情報智能分析系統本地化部署在某部門。由于當時中國杯國際足球錦標賽已臨近開賽，對入境人員篩查的任務緊急，星漢數智受邀參與到了該部門的具體業務流程中，針對具體業務操作進行軟件設計和優化，并對業務人員進行使用培訓。

　　除了成熟的標準化產品外，星漢數智還基于該部門的個性化需求做了定制開發，其中最重要的是增加了信息批量導入的功能。

　　系統的具體使用流程如下：批量導入相關信息;基于客戶導入的目標信息，系統結合目標各種公開信息，構建人物畫像;系統生成人物畫像報表，提示可能出現的信息不匹配等異常情況;業務人員利用系統，根據人員篩查需求進行深度的交互分析。

　　星漢天箭情報智能分析系統基于開源的數據進行分析，數據源十分多樣，包括社交媒體、網絡論壇、搜索引擎以及新聞網站等。賽事篩查涉及的數據量龐大，對實時性要求較高，星漢數智此前對星漢天箭情報智能分析系統文本分析和關聯分析能力的強化，保證了系統能充分勝任某部門此次任務。

　　在同名的情況下，星漢天箭情報智能分析系統會先基于客戶輸入的目標人員的姓名以外的信息，找到互聯網中與這些信息吻合的內容，作出同名不同人的判斷，并提供證據供工作人員進行核查。

　　標準化產品輸出，輔之以少量定制化

　　星漢天箭情報智能分析系統是星漢數智為解決安全情報分析需求開發的一套通用性產品，并可以基于客戶個性化的需求進行定制化開發和部署。除了批量導入數據的功能外，星漢數智為廣西某部門提供的定制化開發還包括定向數據源適配以及本地化數據接入的功能。此外，星漢數智還為該部門提供了包括培訓、服務器擴容等免費售后服務。

　　人工篩查成為過去時，推動政務數字化建設

　　星漢天箭情報智能分析系統的引入使得某部門告別了以前人工進行篩查的作業模式。該部門的業務人員得以從這一繁瑣的工作中解脫出來。

　　依托該系統，2019年中國杯國際足球錦標賽期間，該部門能夠在1小時內完成2000名入境人員的篩查，相比人工篩查節省了98%的人力，及時發現了6名對入境信息進行隱蔽篡改的犯罪嫌疑人員。

　　值得一提的是，該部門購置的星漢天箭情報智能分析系統并非僅用于中國杯國際足球錦標賽的篩查工作，而是作為其數字政務系統建設升級的一個重要組成部分。

　　過往，該部門也零散搭建了若干基于人物畫像的情報數據系統，不過數據散落在不同的業務部門中，數據利用率偏低。天箭情報智能分析系統允許該部門接入自己的本地數據。結合系統強大的多源數據整合分析能力，該部門可將自身數據的價值發揮到最大，顯著提升了部門數字化建設水平。

　　AI技術在交通領域的布局也不斷加快，從傳統道路交通領域向航空氣象領域拓展�？展芫帧⒑娇展�司和機場等開始布局人工智能技術，實現對氣象要素的精準預警預測，提高調度的精細化水平。

　　道路交通方面，AI應用于異常行為識別、交通智能調度等場景中�；�于人工智能技術，交通、安全部門等可以及時發現城市道路交通的各種異常情況，例如交通事故、擁堵、異常停車、施工等;人工智能分析平臺，能夠識別和追蹤機動車的行駛行為，智能審核判定機動車的違法行為事件，實現對機動車違法的智能取證、取證鑒定等智能分析。

　　華東空管局借助人工智能實現氣象預報精細化

　　華東空管局隸屬于民航空管局，負責貫徹執行有關法律法規和民航局頒布的涉及空中交通管制、空域管理、航空飛行保障等相關工作。氣象中心為該機構下設的航空氣象專業服務機構，擔負整個華東地區機場及相關區域的航空氣象監測、預測、預警、情報交換等職責。

　　近年來，中國航空業務量迅猛增長，以上海兩個機場為例，2019年的總吞吐量就達到1.2億人次。根據國際民航組織的預測，到2023年，中國將超越美國成為全球最大的航空運輸市場，預計未來中國的航空業務量仍將繼續迅猛增長。由于中國的空域資源比較有限，為了應對航空業務量的迅猛增長，原來相對粗放型的航空管制模式需向精細化、智能化轉變，提升有限空域資源的利用率。在這樣的背景下，航空氣象數據體量也急劇擴張。據統計，2015年至2020年的5年間，中國航空氣象數據總量從原來的6.5T增加到目前的63T，漲了近10倍。

　　而長期以來，航空氣象行業領域就一直面臨人才短缺的問題。氣象人才的培養周期長，成本高。以一個成熟預報員的培養為例，完成從本科到研究生的學習需要7年時間，畢業上崗到能基本能勝任工作一般需要1年左右，到最后能夠獨當一面，起碼再需要三年時間。在航空氣象數據體量急劇擴張的情況下，原來基于人工和專家經驗的航空氣象預報和監測體系顯然無法適應新情況，海量數據無法用人工進行處理，也對輸出準確、質量過硬的氣象預報和監測報告構成了極大挑戰。

　　在這一背景下，華東空管局與眼控科技合作，共同探索利用人工智能技術以解決上述挑戰。眼控科技成立于2009年，是一家集計算機視覺與深度學習技術研發應用于一體的人工智能科技企業，專注于智能交通領域，覆蓋應用場景包括道路交通安全監測和航空氣象預測預報。

　　經過了前期的需求調研和產品研發，華東空管局與眼控科技推出了一系列AI氣象解決方案，其中典型的解決方案是智能預報指導系統、AI對流臨近天氣預報系統。前者有效解決了現有航空氣象報文發布系統的智能化、自動化程度低以及作業模式效能低下的缺陷和問題;后者跟應用于臨近對流天氣的預報方法和系統相比，具備預報精度高、有效預報時間更長、預報質量穩定等優點。

　　智能預報指導系統，輔助業務人員高效發布報文

　　現有航空氣象報文發布工作的作業模式主要依賴于預報員人工歸結、處理和分析分散在各處的天氣形勢數據、遙感數據、模式數據等氣象資料，經過對天氣形勢的判斷后，在原有發報軟件上手動編輯相應報文并發布。，該作業模式無論是智能化程度還是自動化程度都較低，且高度依賴成熟預報員的專業能力和經驗，業務工作效能的提高受到極大限制。

　　智能預報指導系統利用大數據的快速存儲、處理和解析技術，實現了從數據歸結、處理、分析、報文生成、報文發布發布、報文入庫及情報交換全流程的智能化和自動化，可以實現高效輔助航空氣象服務部門的專業技術人員高效發布報文。在上線前，基于豐富的數據源，智能預報指導系統完成了初期的算法模型訓練，行成了具備航空氣象知識庫的專家系統。上線后的每一次使用和新數據的輸入，都會對原有模型進行不間斷地訓練和完善，系統也因每一次的數據輸入變得更加“聰明”。

　　智能預報指導系統最前端的環節涉及對各種各樣氣象數據的歸結工作。傳統上，人工預報系統需要輾轉在不同的電腦或文件夾間進行收集，效率低下，而眼控科技的智能預報指導系統可以秒級的速度完成這一工作。

　　數據歸結工作完成之后，智能預報指導系統進入最關鍵的環節——利用眼控科技自主研發的大數據快速存儲、處理和解析技術，對數據進行解析和計算，生成預報結論。隨后，預報結論會按照民航局發布的航空氣象報文發布規則以及標準格式樣式，最終生成航空氣象報文，包括終端機場天氣預報(TAF)及趨勢著陸預報兩種類型。系統提供的預報指導和實況氣象產品具體包括降水預測、對流及大霧氣象數據統計等。

　　相比原來的人工系統，眼控科技的智能預報指導系統無論在效率還是功能性上都得到了極大的提升和擴展。從數據處理階段到得出預報結論到最終生成報文，原來人工處理一套數據需要20-60分鐘，而智能預報指導系統則可以以秒級的速度完成。采納這一套系統后，華東空管局的預報人員只需對智能預報系統生成的報文處理結果對照報文進行對比和確認，效率得到極大提升。

　　此外，智能預報指導系統還具備自動報文評分及統計的功能。根據國家民航局的規定，氣象預報部門需要對發布的氣象預報報文進行評分，且分數不能低于一定數值。傳統上這項工作也需要耗費極大的人力。智能預報指導系統自動生成評分報文大致流程為：將每個時間段的實況氣象報文與先前生成的預報報文進行對比，依據國家民航局發布的評分指標(準確率為最關鍵的因素)進行自動對比，最后得出相應的分數。

　　AI對流臨近天氣預報系統，提升預報時長和準確率

　　在航空氣象領域，對流天氣是備受關注的天氣類型。由這類天氣伴生的雷暴閃電天氣會對飛機通訊導航系統、地面關鍵設備的運行造成較大影響;另外，對流強降水、對流地面大風、低空風切變、下擊暴流等伴生天氣會對起降階段的航空器運行安全造成極大風險。傳統上，對流天氣的臨近預報主要采用的是光流法，這一方法由于基于對流天氣系統的發展、運動、分布是線性過程的基本假設，使得最終預測結果具有較大誤差，且可預測時長較低。

　　眼控科技的AI對流臨近天氣預報系統采用經過優化的深度卷積計算模型(DeepRNN/YGNet)，該模型可全面、準確反映對流天氣系統發展過程中的旋轉、生消、形態變化等非線性特征。應用這一模型的對流臨近天氣預報系統相比應用光流法的傳統預報系統具備明顯優勢，可獲得更長的有效預測時長，同時能夠獲得更高、更穩定的預報精度。與智能預報指導系統類似，AI對流臨近天氣預報系統在上線之前首先完成了初期的模型訓練。數據源方面，華東空管局能夠提供完整并且質量良好的多普勒氣象雷達基數據，奠定了模型訓練的根基。

　　AI對流臨近天氣預報系統運作流程如下：最前端是多源數據歸結，將歷史序列的雷達回波基數據進行全時歸結，同時將包括眼控自研的智能天氣現象成像儀和智能綜合環境監測儀數據、閃電定位儀數據、衛星數據等數據輸入進行輔助計算;數據歸結完成后，輸入應用尖端人工智能技術的AI計算模塊，最終輸出雷達回波形態預測數據(包括兩種形式：組合反射率雷達回波預測以及分層CAPPI雷達回波預測)，同時還可以輸出包括對流初生診斷、強回波監測、定量降水、強風概率等數據反演結果。 最終再由航空氣象專業人員完成天氣發展趨勢預測結論的輸出。

　　采納了AI對流臨近天氣預報系統后，華東空管局的對流天氣預報工作無論在效率還是預報時長及準確率上都取得了明顯的改進。目前，該空管局的對流臨近天氣預報準確率達到了50%以上，預報時長延展至2個小時。此前，基于光流法的傳統預報系統，這兩個數字分別為低于40%以及不超過1小時。

　　作為航空氣象工業的“皇冠”，數值預報能力一定程度上代表了一個國家整體的氣象預報實力。下一步，華東空管局將繼續在人工智能+數值預報方面展開探索，提升氣象預報精細化水平。

　　3.4.醫療與醫藥

　　醫療醫藥領域以“醫+藥”為核心，分別對應醫療和醫藥。智能醫療的價值鏈如下圖所示。

　　進入2020年，新冠疫情助推AI在醫療行業的應用，不過總體上看，現階段AI在智能醫療領域的整體應用水平尚處于早期階段。相對而言，AI在醫療機構的診前、診中和診后以及制藥企業的藥物研發環節的應用價值度已經逐漸從自動化階段過渡到智能化階段。

　　總的來看，智能醫療領域內自動化和智能化的場景較多，且集中在診前、診中、診后以及藥物研發環節，需求較為旺盛且存在落地的可能性;由于醫療的嚴謹性，手術機器人、康復機器人等創新化AI應用目前難以實現臨床使用，落地難度較大。

　　在診前應用方面，基于知識圖譜的智能導診系統，借助知識圖譜的推理能力，患者只需描述癥狀或疾病，就可以為患者提供智能導診服務，匹配科室和醫生，緩解醫院導診服務的壓力，提高醫院的智能化管理水平。

　　在診中方面，目前比較成熟的應用包括AI醫療影像。AI醫學影像產品主要功能是輔助篩查和輔助診斷，提升影像科醫生工作效率，各大廠商提供的產品已覆蓋多器官、多病種，百花齊放。不過，每家AI醫學影像公司能夠覆蓋的產品有限，頭部企業真正成熟并可以應用于臨床的產品線有限，因為不同產品能復用的算法和模型部分極其有限。因此市場呈現百花齊放的狀態，各個細分方向都有企業深耕細作。

　　除了篩查診斷外，現有的AI醫療影像產品還可進行良惡性判斷。以肺結節為例，以病理結果為金標準，現有的良惡性判斷準確率接近80%，但受限于測試數據量不夠大，產品還有待繼續訓練和打磨。

　　通過區域數字影像云系統，助力杭州西湖區優質醫療資源下沉基層

　　不管是發病率居高不下的呼吸系統疾病，還是家長關注的兒童生長發育情況，都存在“早篩查、早診斷、早治療”的需求，基層醫療機構能夠實現篩查、診斷的話，可以最大化利用醫療資源，為居民提供便利。

　　在呼吸系統影像篩查和骨齡檢測方面，杭州市西湖區社區醫院面臨著影像科醫生短缺且診斷能力不足的問題。

　　2020年4月，經杭州市西湖區人大代表票選，“建成區域醫療數字影像集中診斷系統，升級社區衛生服務中心CT影像檢查人工智能輔助診斷系統”入選成為十大民生實事項目之一。

　　為落實實事項目，西湖區衛健局建設了區域醫療數字影像集中診斷中心，包含呼吸系統AI智能診斷平臺和兒童生長發育智能評估平臺，引入深睿醫療的Dr.Wise® 胸部 CT AI 醫學輔助診斷系統、Dr.Wise®胸部平片AI醫學輔助診斷系統、以及Dr.Wise®兒童生長發育AI評估系統，旨在提升基層醫生的診斷能力和診斷效率，從而提升基層醫療服務水平。

　　深睿醫療賦能基層醫療機構，實現醫療資源下沉和共享

　　西湖區衛健局建設的區域醫療數字影像集中診斷中心位于杭州西湖區的蔣村街道社區衛生服務中心，全區12家社區衛生中心可通過醫療數字影像云系統接入診斷中心。

　　居民在任一社區醫院進行影像檢查后，影像數據會被傳輸至診斷中心，診斷中心的醫生接收影像后可進行閱片，同時，深睿醫療的Dr.Wise® 胸部 CT AI 醫學輔助診斷系統、Dr.Wise®胸部平片AI醫學輔助診斷系統和Dr.Wise®兒童生長發育AI評估系統可根據影像特征快速進行分析，給出輔助診斷建議。

　　并且，當診斷中心的醫生對于影像判斷有疑問時，可通過影像云系統的遠程會診功能，邀請三甲醫院的醫生進行會診。

　　Dr.Wise®胸部CT AI醫學輔助診斷系統，該解決方案是基于胸部CT成像的多征象、多病種AI輔診解決方案，包括肺結節、肺炎、其他肺部疾病征象、骨質病變和縱隔病變等AI輔診模塊，可實現肺部、胸膜、胸廓、縱隔等部位的全征象一站式自動分析及疾病診療全流程管理，具備定位檢出、定量分析、定性分析、智能隨訪和結構化報告等功能，整個方案更加接近醫生的日常工作模式，大幅提升診療流程的效率、準確性和標準化。結合深睿醫療Dr.Wise®胸部平片AI醫學輔助診斷系統對于五大類30余種征象的檢出診斷，可以為各種應用場景提供胸部疾病從篩查，診斷到隨訪的全周期解決方案。

　　Dr.Wise®兒童生長發育AI評估系統，具備目標骨骼智能識別、分級、骨骼計算及結構化報告等功能。人工智能應用于兒童生長發育測評，具有速度快、精度高、一致性好等優勢，極大程度的縮減了診斷時間，能夠有效的控制人為主觀性，同時將生長發育百分位曲線圖可視化，更直觀的反應兒童的生長發育情況，極大的幫助社區醫生的日常骨齡評估工作。

　　通過醫療數字影像云系統連接下屬12家社區衛生服務中心，所有檢查影像集中存儲、集中診斷，優化診療資源，深睿醫療的Dr.Wise®AI醫學輔助診斷系統有效提升了醫生的閱片效率和診斷水平，并減少漏診誤診，解決了診斷醫生缺乏的問題。同時，影像云系統將先進的醫療資源下沉至基層，縮小基層醫院和三甲醫院診療差距，可實現全區診斷醫生資源共享。

　　截至2020年11月，在區域醫療數字影像集中診斷中心，深睿醫療的Dr.Wise®AI醫學輔助診斷系統已累計完成胸部CT影像人工智能輔助診斷2569例、胸部DR人工智能輔助診斷8853例、兒童生長發育(骨齡)人工智能預測268例，通過云端會診，讓數據多跑路、百姓少跑腿，持續降低患者醫療費用支出。

　　3.5.房地產與建筑

　　房地產行業已經告別高速增長的增量時代，進入存量化的“下半場”。存量化趨勢帶來的產業價值鏈重塑，使得房地產開發商等主體面臨新的市場環境，需要借力數字化手段向精細化運營和多元化經營轉型。

　　房地產行業產業鏈包括開發、營銷、運營、交易、服務等環節，目前AI技術在這些環節中都有所滲透。

　　以開發環節中的規劃設計場景為例，基于人工智能技術的智能設計和智能審圖等應用，正在重塑建筑設計方式。傳統建筑設計主要是基于CAD等平面或三維設計軟件工具進行作圖，但整個工作流程仍然重度依賴設計師的手動操作。通過融合設計師的專家經驗和設計規則，基于機器學習技術，AI智能設計工具已經可以根據特定項目的設計要求，自動完成方案圖紙設計，大幅降低設計師的工作量，縮短出圖周期。

　　在營銷環節中，基于計算機視覺、智能語音等技術進行客戶數據采集和智能交互，可實現更精準的營銷，觸及更多用戶。例如，通過人臉識別攝像頭設備采集案場到訪客戶數據，可以實現客戶簽到統計、客戶畫像分析和重要客戶識別，并與渠道管理系統關聯，實現渠道判客和案場風控，防止渠道“飛單”造成的傭金損失。智能語音技術則可以用于客戶服務過程中的智能客服領域，幫助開發商提升一線銷售人員的服務質量。

　　4.人工智能未來展望

　　展望未來，人工智能將在技術應用和配套基礎設施兩個層面，呈現出新的發展趨勢。

　　在技術層面，人工智能正在從云計算向邊緣計算延伸，未來將形成云計算與邊緣計算協同發展的態勢，為人工智能提供更強大的基礎設施。

　　另一方面，人工智能在提升企業生產效率以及改善人類生活品質的同時，也帶來很大的負外部性，比如以算法戰、深度偽造等濫用人工智能技術的行為，對人工智能行業的發展以及經濟社會的帶來了負面影響。展望未來，為促進人工智能行業的良性發展，需要加強人工智能的治理體系建設，建立起人工智能行業發展的倫理和法律治理框架。

　　4.1.云邊協同，完善人工智能基礎設施

　　過往，數據量的增加大部分來自以電腦、智能手機等智能設備。隨著5G和大規模物聯網時代的到來，海量數據將在尚未海量入網的終端設備產生，給當前以云計算為核心的云架構帶來了極大挑戰。

　　在傳統云計算模式下，數據從終端傳送到云端，進行數據處理，再返回終端指導業務。在5G時代，盡管5G網絡具備超高傳輸速率的特點，但網絡承載網依然有帶寬瓶頸，時延抖動等性能瓶頸難以突破，導致延遲、卡頓、連接成功率低等問題，企將業面臨巨額帶寬成本。

　　發展邊緣計算被認為是解決以上技術難點的應對策略。邊緣計算指的是，在靠近數據的來源——網絡邊緣(終端設備)處——執行數據處理，無需將數據傳輸至云計算中心，確保了數據能得到及時處理，進而對相關業務需求作出快速反應。同時，在邊緣處進行數據管理比在云端和數據中心網絡花費更低，成本得以下降。

　　不過，邊緣計算無法取代云計算，未來將形成云計算與邊緣計算相互協同的狀態。邊緣計算實際上是云計算算力向外的延伸，兩者的結合才能更好滿足各類應用場景的需求，為企業智能化轉型開辟新的天地。

　　以下以智慧交通-自動駕駛場景為例進行分析。

　　傳統上，各方對于自動駕駛的主要關注點集中在車端，研發投入也主要在車的智能化方面，即擬通過提高車的智能化和加強云端數據的連接以實現自動駕駛。

　　在云邊協同的思路下，則可通過安裝路測設備，通過提高路測智能，降低對車端本身智能化的要求。

　　具體來看，路測智能指的是，在邊緣道路節點安裝集成地圖系統、交通信號系統和各類傳感器接口，為車輛提供協同輔助駕駛、事故預警的服務。與此同時，汽車端，會安裝配置激光雷達、攝像頭等感應設備，本身也是一個邊緣節點可實時采集各方面道路數據。

　　汽車采集到的數據與路測設備進行交互，云計算中心負責收集來自道路以及汽車的邊緣數據，作為“大腦”的總指揮，負責協調統籌局面，發布調度指令。

　　在道路邊緣側，邊緣計算數據分析、緩存的能力減輕了云端數據處理的壓力，提升了數據處理速度，減少了延遲;道路邊緣支持離線運行、斷點續傳和數據選擇性傳輸，節省了網絡流量。在云計算層，云計算負責對算法進行升級，將升級后的算法推送到前段，使得設備可持續升級和更新。

　　4.2.構建人工智能治理體系

　　人工智能極大促進了人類社會生產發展和人們生活水平的提高，不過人工智能應用在使用過程中也出現了一些負效應，主要體現在以下兩個方面。

　　數據過度采集，侵犯個人隱私權。模型訓練需要用到數據，但有些數據是個人隱私，屬于個人隱私的數據有可能被不當采集或者不當使用。例如，近期“戴頭盔看房”的新聞報告引發廣泛關注和討論，人臉信息是否被過度采集引起熱議。

　　算法的不當使用，侵犯個人權益。例如，2019年，聲噪一時的換臉應用“ZAO”因用戶協議包含強行要求用戶轉移人臉數據權限不當收集用戶數據而被監管部門約談;互聯網公司使用算法實現千人千面的定價，進行價格歧視等。

　　為了以上挑戰，構建人工智能的治理體系已成為全球共識，各個主要國家已出臺相關政策和法律法規引導人工智能行業健康發展。人工智能由數據、算法和算力三部分構成，而數據是人工智能發展的根基，因此目前大部分立法都圍繞著數據展開，數據隱私和數據使用的平衡推進成為立法的關鍵。 歐盟早在2018年就推出《通用數據保護條例》(GDPR)，是目前全球最嚴格的數據隱私法案。

　　中國方面也加緊相關法案的制定工作，于近期發布《數據安全法》以及《個人信息保護法》草案，其中《個人信息保護法》對處理人臉識別等作出專門規定。此外，很多地方政府也推出了各自的法案，例如2020年10月，《杭州市物業管理條例(修訂草案)》提請杭州市十三屆人大常委會第三十次會議審議，規定禁止強制業主通過指紋、人臉識別等生物信息方式進入小區。

　　隨著國家人工智能治理體系的完善，在發展和應用人工智能的過程中，企業應加強內部治理體系建設，以滿足合規性的要求。企業應做到以下兩個方面：

　　1)在制定數字化轉型規劃時，企業應將不同AI技術的政策風險考慮在內，如計算機視覺技術應用的數據隱私問題、模型可解釋性問題等。

　　2)開展內部機構建設，成立專門法律和倫理機構來防范人工智能發展過程中的風險。例如，微軟成立了專門的人工智能倫理委員會AETHER，成員包括工程、研發和法律等領域專家，旨在為微軟在發展人工智能相關產品和解決方案過程中，提供倫理指導，符合社會倫理規范。

　　結語

　　2020年的新冠肺炎疫情，讓企業意外“收獲”了推進數字化和智能化的動力。關于智能化這一問題，企業的進展并不同，但經過疫情的洗禮，智能化已經不再是一個是否需要的問題，而是該以什么樣的方式推進的問題。

　　后疫情時代，面對眾多潛在的人工智能應用場景，企業在堅定智能化方向的同時，需要以業務需求為引領，探索人工智能技術應用與自身業務場景的結合點，理性評估應用價值，找到最適合自身的智能化路徑。