新しいインフラの推進により、人工知能の応用は新たな段階に入る

レポート概要

新しいインフラストラクチャにより人工知能アプリケーションの実装が加速

COVID-19パンデミック、経済減速、競争激化など、さまざまな課題に直面している中、企業はインテリジェント建設への人工知能の応用を加速させていますが、依然として多くの課題に直面しています。

2020年、人工知能は新インフラの範囲に含まれました。新インフラは、人工知能の開発のために、データ、コンピューティングパワー、アルゴリズムの3つのレベルでインフラサポートを提供し、同時に、人工知能の応用シナリオを拡大します。

企業向け人工知能アプリケーションの新たなトレンド

AI + RPA は、企業がエンドツーエンドの自動化を実現するのに役立ちます。 AI と RPA の技術を組み合わせることで、RPA や AI の技術だけでは実現できない成果が得られ、エンタープライズ自動化のビジネス価値が拡大します。

ナレッジ グラフ テクノロジーは、企業が非構造化データの価値を活用し、知覚的インテリジェンスから認知的インテリジェンスへとさらに進化するのに役立ちます。

人工知能エンジニアリングは、大規模なインテリジェントアプリケーションの展開に役立ちます。データガバナンスとモデル開発という2つの主要な側面において、データミドルプラットフォーム、AIミドルプラットフォームなどの構築は、企業がインテリジェントアプリケーション開発の効率とビジネス対応の俊敏性を向上させるのに役立ちます。

人工知能の将来展望

人工知能はクラウドコンピューティングからエッジコンピューティングへと拡大しています。将来的には、クラウドコンピューティングとエッジコンピューティングが連携して発展し、人工知能のためのより強力なインフラストラクチャが提供されるでしょう。

人工知能の応用が深まるにつれ、インフラの一つとして人工知能ガバナンスシステムを構築する緊急性が高まっています。企業は、人工知能の応用においてガバナンスシステムを重要な考慮事項として考慮する必要があります。

1. 新しいインフラを背景にしたAIアプリケーションの新たな機会
1.1. 新しいインフラストラクチャが企業のインテリジェント変革を加速する<br /> 現在、経済成長の鈍化や競争の激化などさまざまな要因の影響を受け、企業は一般的に運営コストの上昇と業績成長のプレッシャーに直面しており、同時に新型コロナウイルスの流行の影響も相まって、ますます多くの企業がデジタル変革を加速させています。

インテリジェンスは、企業のデジタル化の深層段階です。機械学習、ディープラーニング、マシンビジョン、ナレッジグラフなどの人工知能技術に基づいて、企業の内部および外部のデータを処理し、分析し、データのビジネス価値を探求し、企業のビジネスプロセスを改善することを指します。

エンタープライズ インテリジェンスの実現は、主にプロセスの自動化、インテリジェントな分析と意思決定、革新的なビジネス モデルという 3 つの側面に反映されます。プロセス自動化は、主に企業内部の運用プロセスと顧客とのやり取りのプロセスの自動化を目的としています。一般的にはデータ認識のみを扱い、知覚インテリジェンス技術の独立した応用です。インテリジェントな分析と意思決定は、構造化されたデータ処理に基づいてデータ間の関係とロジックを理解し、分析を実施して意思決定を行うことができる認知インテリジェンスに対応しています。ビジネスモデルのイノベーションは、主に人間と機械のコラボレーションで現れるアクションインテリジェンスに対応しています。

一般的に、ほとんどの企業における人工知能技術の応用はプロセスの自動化段階にあり、インテリジェントな分析と意思決定、革新的なビジネスモデルはまだ試行と探索の段階にあります。コンピューター ビジョン、音声認識、NLP テキスト認識などのテクノロジーは、一部の反復的な手作業を置き換え、企業が多くのビジネス プロセスを自動化するのに役立ちます。ますます多くの企業が、ビジネス上の意思決定を支援するために AI を使用し始めています。膨大な量のデータが管理され、AI モデルを使用してデータ間の関係性を分析し、データのビジネス価値を探り、原因マイニングやトレンド予測などを実施し、ビジネス上の意思決定を支援しています。

同時に、企業は人工知能技術の適用において多くの課題にも直面しています。

まず、自動化レベルでは、企業はAI技術を実際の業務に活用し、単一ポイントの業務自動化や部分的な自動化を実現してきました。しかし、自動化インテリジェンスのレベルを向上させる必要があり、より高い価値の創出には限界があります。たとえば、請求書入力のビジネス シナリオでは、企業は OCR テクノロジを使用して請求書情報を識別および抽出できます。ただし、その後の情報入力シナリオでは、依然として手作業に依存しており、プロセス全体の自動化のクローズド ループを実現するための関連する技術的手段が不足しています。
第二に、分析と意思決定のプロセスでは、インテリジェンスのレベルがまだ十分に成熟しておらず、特に大量の非構造化データに直面した場合、企業は依然として信頼できる技術的対応策を持っていません。
最後に、アプリケーションシナリオの拡大に伴い、企業はAIエンジニアリングを開発する能力を備える必要があります。しかし、企業は伝統的に「煙突式」のAI構築アプローチ、つまり単一ポイントの開発を通じてAIアプリケーションを展開するアプローチを採用してきました。この構築アプローチは、AI アプリケーションの開発速度が変化に追いつかず、ビジネスへの機敏な対応が実現できないという大きな問題を引き起こします。同時に、「煙突型」の開発ではリソースが大量に浪費され、開発コストが依然として高いままです。
2020年以降、新たなインフラ政策が継続的に推進され、人工知能も新たなインフラの範囲に含まれるようになりました。新たなインフラ政策は、企業が人工知能技術を導入するための後押しとなり、人工知能産業の発展を加速させるだろう。

1.2. 新しいインフラストラクチャにより人工知能インフラストラクチャが改善されます<br /> データ、計算能力、アルゴリズムは、人工知能の発展を支える「三頭政治」です。データは AI の基盤であり、モデル トレーニングの基本情報を提供します。コンピューティング パワーは、AI システムを実装するために必要なハードウェア コンピューティング パワーであり、AI テクノロジーの基盤となるインフラストラクチャ サポートを提供します。アルゴリズムは機械学習の方法であり、さまざまな一般的なアルゴリズム モデルと、特定のアプリケーション シナリオに基づく特定の技術インターフェイスを提供します。

2020年初頭、人工知能は新インフラの範囲に含まれ、5G、超高電圧、都市間高速鉄道と都市軌道交通、新エネルギー車充電スタンド、産業インターネット、ビッグデータセンターとともに、新インフラの7大分野の一つとして確立されました。

新インフラ構想は2018年12月の中央経済工作会議で初めて提案され、その後、新インフラ建設の波が全国を席巻した。地方政府や企業が積極的に参加し、関連する投資計画を発表した。中国情報通信研究院のデータによると、第14次5カ年計画期間中、新たなインフラ投資は10兆6000億元に達し、社会インフラ投資全体の約10％を占めると予想されている。

人工知能自体は、産業が知能化を達成するのに役立つ新しいタイプのインフラストラクチャとして定義されています。新しいインフラストラクチャは、人工知能の産業化を促進し、人工知能産業にインフラストラクチャを提供し、人工知能シナリオの実装に役立ちます。

具体的には、新しいインフラストラクチャは、データ、コンピューティング能力、アルゴリズムの 3 つのレベルで人工知能のインフラストラクチャ サポートを提供します。

データ量は爆発的に増加しています。データ量の増加を推進する新たなインフラの源泉は、主に5Gネットワ​​ークとIoTの開発です。中国工業情報化部の資料によると、12月中旬時点で中国は5G基地局を計71万8000カ所建設しており、世界第1位となっている。今後5G基地局の数は増え続け、5Gネットワ​​ークは徐々に普及していくでしょう。 5Gネットワ​​ークは伝送速度が高く、遅延が少ないという特徴があります。5G時代には、より多くのオフラインデバイスがインターネットに接続され、まさに大規模なモノのインターネット時代が到来し、データ量は爆発的に増加します。

新しいインフラストラクチャは、人工知能の開発に必要なコンピューティング能力をサポートします。データセンターは新たなインフラの重要な分野の一つであり、地方自治体や企業による投資増加の対象となっている。データセンターの大規模な建設により、クラウドサービスプロバイダーやその他の伝統的な業界企業を含むデータセンターユーザーのデータホスティングコストが削減されます。データセンターの構築により、企業のクラウドへの移行が加速します。クラウドを通じて AI モデルの開発、トレーニング、推論を行うことで、AI の従来のチップ ハードウェアの計算能力への依存度が軽減されます。

さらに、モノのインターネット環境では、ほとんどの IoT シナリオでデータのリアルタイム パフォーマンスに対する要件が厳しくなっています。これらは遅延の影響を受けやすく、エッジでのデータ処理を必要とするデータ集約型のテクノロジであり、エッジ データ センターの台頭につながっています。エッジ データ センターの開発は、クラウド データ センターへの負担を軽減し、データ センター全体の電力消費を削減し、企業が人工知能を開発するために必要な全体的なコンピューティング パワー コストを削減するのに役立ちます。

アルゴリズムレベルでは、新しいインフラストラクチャの一部として、人工知能自体が新しいインフラストラクチャに対するポリシーのサポートから恩恵を受けることになります。現在、中国の人工知能産業は主にアメリカの企業や機関が開発したTensorFlowやCaffeなどのアルゴリズムフレームワークに依存している。新しいインフラストラクチャは独立したイノベーションの強化を重視し、中国企業が独立した制御可能なアルゴリズムサポートシステムを構築することを促進する。

1.3. 新しいインフラストラクチャにより人工知能の応用シナリオが拡大<br /> 新しいインフラストラクチャと従来のインフラストラクチャの根本的な違いは、そのデジタル化とインテリジェント化の属性にあります。人工知能は、新しいインフラストラクチャのインテリジェントな構築において重要な役割を果たし、アプリケーションシナリオを拡大します。 5G、超高電圧、都市間高速鉄道と軌道交通、新エネルギー自動車充電スタンド、産業用インターネット、ビッグデータセンターなど、新インフラに関わる分野では、AIを活用して業務プロセスを改善し、効率を高めることができるシナリオが数多くあります。

以下では、5G、産業インターネット、都市間高速鉄道、都市鉄道を例に、新しいインフラ関連のシナリオが人工知能技術を活用してビジネスプロセスをどのように変革するかを具体的な例を通して分析します。

1) 5G

5G建設には、基地局の設置場所の選定、コンピュータ室の設備の更新、5G通信設備の設置などの工程が含まれます。AIはこれらの工程で役割を果たすことができます。例えば、設置場所の選定段階では、人工知能技術を利用して、地域の人口規模や産業の発展状況などのデータに基づいて、さまざまな地域の5Gネットワ​​ークの需要を予測し、より科学的な設置場所の選定を実現することができます。

中国塔は、中国移動、中国聯通、中国電信、中国改革が共同出資する大規模通信塔インフラサービス会社であり、一部の5G基地局の具体的な実装と展開を担当しています。中国タワーはAIタワープラットフォームを構築し、AI技術を会社の運営と管理のあらゆる側面に統合し、5Gネットワ​​ークの展開、省エネ、運用と保守をサポートしています。

具体的には、Tower AI Middle Platformは、需要、ソリューション、モデリング、ローンチ、フィードバックなど、Tower CompanyのAIアプリケーション開発のあらゆる側面に対してフルスタックのサポートを提供し、Tower Companyのビジネスシナリオに沿った共通のAI機能を蓄積します。内部的には、タワー会社の運用管理効率の向上、コストの削減、業務の自動化を実現でき、外部的には、タワー会社の製品品質とサービス レベルが向上し、ユーザー エクスペリエンスが革新されます。

2) インダストリアルインターネット

産業インターネットプラットフォームは、AI技術を活用して、設備稼働データ、産業パラメータ、品質検査データ、資材配布データ、進捗管理データの収集に基づいてデータを分析し、製造プロセス、生産プロセス、品質管理、設備メンテナンスなどの特定のシナリオを最適化できます。

中国石油天然気集団は、石油探査・開発事業に人工知能技術を適用し、探査・開発認知コンピューティングプラットフォームを共同で構築し、探査・開発のあらゆる分野を網羅するナレッジグラフを構築しました。坑井検層は石油探査の重要な部分であり、数千メートル下の地下構造と貯留層の特性を判断する必要があり、専門家の経験に大きく依存します。しかし、このプラットフォームの助けを借りて、PetroChinaの大港油田は900の油井で機械学習を実施し、石油とガスの地層のインテリジェントな識別を実現し、平均時間を70％短縮しました。識別精度は油井検層解釈の専門家のレベルに達し、業界への参入の敷居を下げました。

3) 都市間高速鉄道と都市鉄道

高速鉄道や都市鉄道の建設においては、工事施工、調査・設計、設備製造、鉄道輸送などの分野で人工知能技術を活用し、効率向上と人件費削減を図ることができます。

CRRC Corporation Limitedの支社は、高速鉄道の故障予測および健全性管理システムを導入しました。このシステムにより、車両の主要部品、コアシステムなどの状態をリアルタイムで監視できるようになり、高速鉄道車両の状態基準保全から予測保全への変革に貢献します。

具体的には、高速鉄道車軸箱軸受の状態情報の元データと判定特性を遠隔で取得し、監視センターで詳細な分析と診断を行い、主要な列車設備と主要な運行設備の状態監視、PHM、故障診断などのサービスを提供し、受動的な保守戦略を予測的な保守戦略に転換します。システムの運用開始後、CRRC Corporation Limited の支社は列車運行の安全性と安定性を向上させ、20 種類以上の故障モードを特定し、ベアリング故障の特定精度は 90% を超えました。

2. エンタープライズAIアプリケーションの新たなトレンド
2.1.AI+RPAは企業のエンドツーエンドの自動化の実現を支援します<br /> 企業のインテリジェンス実現の初期段階では、まず、マシンビジョン、音声認識、一部の NLP 技術を含む一般的な AI 技術の応用が行われます。このタイプのテクノロジーは、業界属性が弱く、すぐに使用でき、標準化度が高いため、迅速に展開できます。

これらのテクノロジーは、すでに多くのビジネス シナリオで人的資源を置き換えることができます。たとえば、インテリジェントなアウトバウンドコールは、金融、消費、小売などの業界の企業に広く採用されており、マーケティングや販売、ローン回収などのシナリオで使用されています。OCRテクノロジーは、画像やPDFなどの非構造化テキストを処理でき、企業のドキュメント処理シナリオで広く使用されています。

しかし、デジタル変革のプロセスにおいて、ほとんどの企業では統一された計画が欠如しており、このような AI 技術の導入は一般に孤立しており、他の IT システムとの相互運用性が低いという問題があります。その結果、AI によって実現されるプロセス自動化は比較的制限され、複数のシステムにわたる完全なプロセス自動化を実現することが困難になります。インテリジェントなアウトバウンドコール技術を例にとると、現在、ほとんどのアウトバウンドコールプラットフォームはSaaSサービスであり、通常はアウトバウンドコール関連のタスクしか実行できず、CRM、ERPなどのエンタープライズビジネスシステムとの統合が難しく、ユーザー情報のインポート、アウトバウンドコール結果のエクスポート、顧客回答の抽出の自動化を実現できません。

既存の AI 技術の応用に基づいて、RPA 技術を統合することで、これらの問題を効果的に解決できます。 RPA は、コンピューターやその他のスマート デバイス上で実行される RPA ロボットを使用して、クリックや入力などの人間の操作をシミュレートし、固定ルールに基づいて反復的なタスクを完了するソフトウェア自動化テクノロジです。 AI と RPA テクノロジーを組み合わせることで、企業はよりインテリジェントな自動化を実現できます。

上の図は、請求書を入力して顧客に送信するシナリオを示しており、AI と RPA テクノロジを使用してプロセス全体を自動化しています。図に示すように、最初に、NLP や機械学習などの AI 技術を使用して請求書の内容を識別し、関連する内容を抽出します。次に、RPA 技術を使用して内容を整理し、フォーマットされたドキュメントを作成します。RPA は AI システムを ER​​P システムに自動的に接続し、ERP システムにログインします。次に、RPA は請求書番号などの情報をシステムに入力し、ERP システム内の顧客の注文書と照合して、顧客が要求する請求書を作成します。最後に、RPA は電子メールで顧客に請求書を送信します。

AIとRPA技術を組み合わせることで、RPAとAI技術を単独で使用しても実現できない効果が得られることがわかります。AI技術がテキストの認識を完了した後、RPAを使用して情報を要約および整理し、異なるシステム間で自動的に移動することで、プロセス全体の自動化のクローズドループ、つまりエンドツーエンドの自動化を実現します。

AI と RPA テクノロジーの組み合わせが企業にもたらすメリットは明らかです。 AIとRPAの組み合わせにより、企業の自動化の業務範囲が拡大し、企業の人件費が削減されました。同時に、従業員は退屈で反復的な作業から解放され、より創造的な仕事に専念できるようになりました。

ますます多くの企業がインテリジェントな自動化のプロセスを開始しています。 2019 年初頭にデロイトが世界 26 か国、複数の業界にわたる企業の上級管理職 523 名を対象に実施した調査によると、回答者の 58% が自社ですでにインテリジェント オートメーション プロセスを開始していると回答し、47% がインテリジェント オートメーション戦略で AI と PRA テクノロジーを組み合わせていると回答しました。

 AI+RPAテクノロジーは草の根コミュニティが効果的に伝染病を予防・制御するのを助けます  今年初め、武漢で新型コロナウイルスの流行が発生し、武漢市全体が封鎖されました。その後、国内各地で重大な公衆衛生事件への対応が開始され、流行地域やその他の場所から戻ってきた人々の検査と監視が行われた。各都市の草の根コミュニティがほとんどの作業を引き受け、流行の予防と抑制に重要な貢献をした。

感染地域である武漢では、草の根のコミュニティが真っ先にその矢面に立たされ、感染調査の作業のほとんどを担っている。他の市や郡では、草の根コミュニティが、他の場所から戻ってきた人やコミュニティ内の家族を訪問した人一人ひとりの健康状態を監視する必要があります。業務と生産の再開に伴い、コミュニティの草の根レベルでの防疫活動はより綿密になり、その内容もより複雑になった。

伝染病の調査、健康監視、コミュニティへの入退出許可の処理など、作業量は膨大で、時間がかかり、労働集約的です。しかし、全国のほとんどの草の根コミュニティでは人員が明らかに不足しており、コミュニティの労働者は多大なプレッシャーにさらされ、残業を余儀なくされています。多くのコミュニティがこれらの問題を認識した後、人材不足の問題を解決するために人工知能とRPA技術を導入し、効率を大幅に向上させました。

RPA+インテリジェントアウトバウンドコールロボットが疫病調査の全プロセスの自動化を実現1) 北京市朝陽区東坡郷第一コミュニティ 1月23日に武漢が封鎖された後、北京市朝陽区東坡郷第一コミュニティは、北京に来る人々の健康監視を実施する任務を直ちに受けた。コミュニティには合計10人のスタッフがいます。1月23日以降、スタッフは基本的に休みを取っていません。具体的な仕事内容は、コミュニティのメンバーの健康状態を尋ねる電話の対応、情報の記録、フォローアップの電話などです。

このような背景から、コミュニティは Laiye Technology をパートナーとして選びました。 Laiye Technology は 2015 年に設立され、人間と機械の共生の時代にインテリジェント ロボット企業になることを目指しています。そのコア技術には、ロボティック プロセス オートメーション (RPA)、プロセス マイニング、自然言語処理 (NLP)、インテリジェント ダイアログ インタラクション、テキスト認識、画像認識などがあります。

Laiye Technology は、コミュニティに RPA + アウトバウンドコール ロボット ソリューション セットを提供しました。このソリューションは2月初旬に開始され、5月（北京が検疫要件の解除を発表した時期）まで東坡郷第一コミュニティで使用され、コミュニティの伝染病予防と制御活動に大きな役割を果たしました。

この RPA + 発信コール ロボット ソリューションは、リスト上の電話番号を自動的に識別し、発信コールを行うことができます。通話終了後、通話内容は自動的に保存され、音声認識と意味理解技術を使用して音声内容がテキストに変換されます。RPA技術に基づいて、テキスト内容にラベルが付けられ、分類され、最後にテーブルが自動的に生成されます。プロセス全体が完全に自動化されています。

ソリューション全体は簡単に使用できます。コミュニティワーカーは、その日に連絡する必要がある名前と電話番号のリストを、指定された電子メールアドレスに毎日送信するだけで済みます。 Laiye Technology の AI ロボットは、アウトバウンドコールを完了すると、フォームをコミュニティに送り返し、コミュニティが必要とする関連する人事情報を自動的に整理します。

このソリューションはクラウドで導入されました。Laiye Technology はわずか 3 日でソリューションの導入を完了し、2 月初旬に東坡郷の最初のコミュニティで使用を開始しました。 RPA + アウトバウンドコールロボットソリューションが導入されて以来、東坡郷の最初のコミュニティの作業は大幅に改善されました。

一つ目は効率性の向上です。電話ロボットは一度に 50 件の電話番号に電話をかけることができ、フォームも自動的に生成されます。ロボットは、電話をかけたりメッセージを録音したりする手作業に取って代わりました。コミュニティワーカーは、最終的に返ってきた発信結果を確認して、健康状態に異常がある人に対しては、状況を詳しく知るために電話をかけるだけです。

当初、各スタッフが電話に費やす平均時間は 1 日あたり 4 ～ 6 時間でした。RPA+ インテリジェント アウトバウンド コール ソリューションを使用した後、これらの作業に費やす時間は 30 分に短縮されました。

第二に、精度が向上します。ロボットを活用して発信や情報記録などの業務を行うことで、手作業では疲労などにより記録やファイリングのミスが発生するといった問題を回避できると同時に、人が主観的に判断してしまうような状況も効果的に回避できます。

このプロジェクトでは、実装中および開始後に、主に外部音声通話の分野でいくつかの課題にも遭遇しました。まず、最初の課題は、当初は住民の発信電話の接続率が高くなかったことです。この問題を解決するために、来業科技は、通話前に東坡郷第一コミュニティがWeChatグループを含むさまざまなチャネルを通じて事前宣伝と告知を実施できるようにする戦略を採用し、接続率が大幅に向上しました。 2 つ目の課題は、発信通話に時間がかかりすぎるため、一部の居住者が会話全体を完了することを望まないことです。その後、Laiye Technology は対話手法を調整し、ラウンド数を 12 から 8 に、時間を 3 分から 2 分に短縮しました。

最後の課題は方言でした。プロジェクトの初期段階では、発信通話の音声認識結果の精度は低く、わずか 40% ～ 50% でした。その後、Laiye Technology はシステムを最適化し、インタビュー対象者の一部が頻繁に使用する方言の同音異義語を置き換えて、精度を 80%～90% に大幅に向上させました。

2) 武漢市騰龍コミュニティ  武漢市の騰龍コミュニティには2,300人以上の住民がおり、そのほとんどは高齢者だが、コミュニティの職員は10人未満である。感染拡大後、東湖ハイテク区龍泉街は、感染防止活動に参加するボランティアや党員などを募集する措置を講じた。

しかし、流行の調査は範囲が広く、多くの人が関与するため、多くの人的資源と物的資源を必要とするだけでなく、流行状況を正確かつ包括的に把握することが困難になります。対面でのインタビューや調査は交差感染のリスクも高めます。

この状況に対応するため、コミュニティも Laiye Technology をパートナーとして選び、RPA インテリジェント調査ロボットを発売しました。

ロボットはコミュニティリストを受け取った後、住民の情報を自動的に読み取り、住民にテキストメッセージを送信したり、住民に電話をかけたりします。音声認識の概要に基づいて、住民が正常かどうか、どの住民が助けを必要としているかを判断します。同時に、フォームを自動的に生成して、住民の健康情報を迅速に収集し、疫病調査を実施します。

自動証明書処理ロボット、ゼロ接触、従業員の手を解放。厦門市湘安区馬航鎮西板コミュニティには、2,400人以上の常住者と15,000人以上の移住者がいますが、コミュニティワーカーはわずか8人です。当時、厦門市の防疫対策の関連要求により、すべてのコミュニティは住民に出入国許可証を発行する必要があり、他省から厦門に来る人々も14日間の観察期間後に許可証を更新する必要があった。

これは西班コミュニティに大きな課題をもたらしました。申請書と更新フォームを手作業で記入するには、多くの人手と時間がかかります。正しい情報を得るために、コミュニティの労働者は申請者と長期間にわたって繰り返しコミュニケーションをとる必要があり、交差感染のリスクが高まります。

このような状況の中で、西班コミュニティは Laiye Technology をパートナーとして選び、自動証明書発行ロボットを導入しました。自動カード発行ロボットは、Laiye Technologyが独自に開発した製品です。カードの申請または更新を希望する申請者は、コードをスキャンして情報を入力するだけで、紙のパスが発行されます。プロセス全体で人間の介入は必要なく、コミュニティワーカーが追加の新技術を習得する必要もありません。

自動証明書処理ロボットの利点は次のとおりです。まず、スタッフの手を「解放」します。証明書の申請と更新は自動的に完了するため、スタッフが手動でフォームに記入する必要がなくなり、対面での接触も減ります。申請者は、長い質問やコミュニケーションを必要とせずに、コードをスキャンして自分で情報を入力できます。

4月3日現在、自動書類処理ロボットは西班コミュニティの入退出書類2,000件以上を処理しており、感染状況が緩和されコミュニティが封鎖から解除されるまで、その数は1日30～40件の割合で増加し続けている。

RPA + AI技術の急速な導入は、草の根コミュニティが人材不足の問題を解決し、人々を退屈な作業から解放し、効率を向上させ、伝染病の予防と制御作業に大きな役割を果たしました。多くの草の根コミュニティが、人口調査、政府の発表、水道料金や電気料金の支払いリマインダーなどの日常的な業務シナリオに RPA + AI テクノロジーを適用し始めています。

2.2. エンタープライズレベルのナレッジグラフが認知インテリジェンスアプリケーションをサポートする<br /> デジタルトランスフォーメーションの深化に伴い、企業内では膨大な量のデータ、特に非構造化データが生成されています。企業によっては、非構造化データが総データ量の 80% 以上を占めています。非構造化データは、写真や動画などのリッチメディアデータ、請求書やメールなどのドキュメントデータ、センサーによって収集された IoT 関連データなど、多岐にわたります。

膨大な量の非構造化データに直面している企業は、データを理解し、その価値を引き出すための新しい技術的手段を必要としています。ナレッジグラフ テクノロジーは、企業がこの課題に対処するための優れたソリューションを提供します。ナレッジグラフの概念は2012年にGoogleによって正式に提案されましたが、ナレッジグラフに関連するグラフ技術は、検索エンジンや電子商取引などのインターネット技術企業で広く利用されてきました。近年、この技術を導入する企業が増えています。

ナレッジグラフは、ノード、エッジ、アークのメッシュで構成されるセマンティックネットワーク構造であり、さまざまなソースとデータエンティティ間の関係からのデータエンティティを提示するために使用されます。ナレッジグラフを介して、特定の知識ポイント（インデックス作成方法としての知識グラフ）を「検索」するか、「情報統合」（データソースとしての知識グラフ）を実行することができます。

簡単に言えば、知識グラフを構築するプロセスは、下の図に示すように3つの段階を経ています。

最初の段階では、関連する有用なデータは、さまざまなソース（会社の内部および外部のパブリックデータを含む）からの無料テキストから抽出され、テキストは単語形式の復元やSTEM抽出などの自然言語認識技術によって前処理されます。

次の段階に入ると、前の段階で処理された情報に基づいて、関係が抽出され、トリプルの形でナレッジベースに保存されます。ナレッジベースには、多くの場合、無数のトリプルが含まれており、存在論的方法を通じて配置され、組み合わされています。

最後に、ナレッジベースのトリプルに基づいて、知識グラフネットワークが構築されます。これは、前の段階のナレッジベース環境で表示できない暗黙の関係を含む、異なるエンティティ間の関係を示すことができます。

機能レベルでは、知識グラフの中心的な利点は、明示的および暗黙的関係の識別、特に暗黙的な関係の識別を含む、エンティティ、属性、および他の客観的な世界のもの間の相関関係の分析にあります。ナレッジグラフに基づいて、人間のビジネス経験や一般的なデータ分析モデルのみに依存することを発見するのが難しいビジネスロジックと手がかりを発見し、エンタープライズビジネスの意思決定を支援し、認知インテリジェンスアプリケーションをサポートすることができます。

たとえば、公共安全保障の場合、直面している4つの主な問題は、容疑者が誰であるか、容疑者が誰であるか、容疑者のほとんどは、現在の情報システムによって収集された軌跡ツールに依存します。軌跡を介して人と車の間の目に見えない関係を発見することは、公安知識グラフマイニングテクノロジーに基づいており、ケースを解決する過程で公共安全保障の強力な手がかりを提供できます。

さらに、ナレッジグラフテクノロジーに基づいて構築されたドメインナレッジベースは、従来のナレッジエンジニアリングよりも実際のアプリケーションで効果的です。従来の知識エンジニアリングは比較的散在しており、相関が低いため、ユーザーは知識アプリケーションで高度なマッチングを行う必要があり、したがって、従来の知識エンジニアリングのアプリケーション効果は平均的です。ドメインナレッジベースを構築する過程で、知識グラフは、知識のモデリング、抽出、融合、ストレージ、および知識の適用を実現し、関連する知識をリンクしてインテリジェントなレベルの知識アプリケーションを実現します。

Iresearchの調査によると、企業の知識グラフの現在のアプリケーションは、主に金融、政府、および公共サービス業界に集中しており、実装シナリオは主に公共セキュリティ業界の金融業界とビジネスシナリオ内のマーケティングおよびリスク管理シナリオです。

 「Smart Search」は、大規模な商業銀行が洗練されたアプリの運用を実現するのに役立ちます  モバイルインターネットは、従来の商業銀行に強制された改革を加速しました。 「インターネット +ファイナンス」の爆発的な成長は、大多数のモバイルアプリの習慣を貫通し、再構築しました。

デジタルトランスフォーメーションの一環として、大規模な国内商業銀行は以前にユーザーにサービスを提供するための公式クレジットカードアプリを開始しました。ただし、開発の初期段階では、アプリの構築エクスペリエンスの欠如と関連する技術サポートのために、クレジットカードアプリが起動した後、ユーザーエクスペリエンスを改善する必要があります。

具体的には、銀行によって構築されたクレジットカードアプリにはすでに基本的な機能があり、アプリを通じてさまざまな銀行サービスをユーザーに提供できます。ただし、アプリは、ユーザーの検索質問に対する回答の一致の精度が低く、ユーザーの検索意図が不十分であるため、アプリの毎日のアクティブな成長と顧客の獲得と保持率が低下するなど、検索の観点から多くの欠点があります。

銀行は、人工知能テクノロジーの助けを借りてクレジットカードアプリによりインテリジェントな検索機能を埋め込み、銀行サービスをより正確に推進することを望んでおり、「サービスを探している人々」から「人々を探しているサービス」への変革を実現し、アプリの毎日のアクティブな成長を促進し、顧客の獲得と保持率を改善し、最終的にビジネスの成長を促進します。

この背景に対して、銀行のクレジットカードセンターは、竹の知性をパートナーとして選びました。 Zhujian Intelligenceは、銀行にGemini Knowledge Engineering Platform Productをソリューションとして提供し、クレジットカードアプリを変革およびアップグレードし、インテリジェント検索サービスを開始しました。

2015年に設立されたZhujian Intelligenceは、自然言語処理、深い学習、知識エンジニアリング、テキスト処理などの人工知能技術に基づいています。

Gemini Knowledge Engineeringプラットフォームは、顧客にe-Brain Intelligenceが提供する6つのコアプラットフォームの1つです。ナレッジエンジニアリングプラットフォームは、独自の自己開発の自然言語処理技術に基づいて、Zhujianによって作成された「知識工場」です。知識グラフ、業界の知識グラフ、知識管理、および知識検索を自動的に構築し、ビジネスプロセスでの手動テキスト処理に必要な時間を大幅に短縮し、エンタープライズデータアプリケーションの問題を解決できます。

Zhujian IntelligenceのGemini Knowledge Engineeringプラットフォームに基づいて、銀行のオンラインインテリジェント検索サービスソリューションには、Gemini Knowledge Engineeringプラットフォームの基礎となるレイヤーがNLP機能に基づいています。

アップグレード後、銀行のクレジットカードアプリは、ユーザー検索動作に基づいたインテリジェントな推奨事項、ユーザー検索動作に基づくホットワードのインテリジェントなソートと推奨、柔軟で制御可能な検索コンテンツ、インテリジェントなセマンティック理解に基づく検索語の抽出と分析の4つの利点を強調しています。

ユーザー検索動作に基づくインテリジェントな推奨  アップグレードされたクレジットカードアプリは、ユーザー検索の動作に基づいてインテリジェントな推奨事項を作成できます。検索インターフェイスでは、関連する推奨コンテンツが「分割払い」に入ると、「分割払い」や「分割払いで支払いたい」などのコンテンツが自動的に推奨されます。

従来、モバイルアプリの画面内容が限られているため、製品マネージャーと運用は、レベルを提示する方法と、より効率的にユーザーの意図をより効率的に実現するためにコンテンツをアレンジする方法について多くの時間を費やす必要があります。インテリジェントな推奨事項この問題点を解決します。

さらに、この機能により、目に見えないサービスの露出が増加し、製品設計によるアクセスの難易度が低下します。スクリーンディスプレイコンテンツ、第1レベルのメニュー、セカンドレベルのメニューの元の剛性の組み合わせは、ユーザーランダム検索コンテンツ +インテリジェントな推奨のソフトな組み合わせに変換されました。 2つの組み合わせを同時に使用すると、情報プレゼンテーションの効率が大幅に向上します。

この機能により、ユーザーは関数の入り口を検索する必要がなくなり、たとえば、クレジットカードアプリのアカウント共有率が1％増加したとしても、この機能を1％上回る「予期しないニーズ」を取得することもできます。

ユーザー検索動作に基づいて、インテリジェントなランキングとホットワードの推奨  アップグレードされたクレジットカードアプリでは、ユーザーがキーワードを検索すると、ユーザーがクリックして特定のコンテンツにジャンプするたびに、システムの背景は各ユーザーの操作データを学習し、迅速に「応答」して、ホットワードのインテリジェントなソートを実現できます。ユーザーがキーワード「Platinum Card」を入力すると、2つのホット検索用語「Platinum Card Zone」と「Platinum Card」が以下で推奨されます（「Platinum Card Zone」が最初にランク付けされます）。ユーザーが「プラチナカード」を選択すると、システムは「プラチナカード」が最初に検索したいという言葉であることを学びます。

これにより、ユーザーエクスペリエンスが大幅に向上し、意図をスムーズかつ迅速に実現し、アプリをより便利に使用できます。

柔軟で制御可能な検索コンテンツ  アップグレードされたアプリ検索コンテンツは柔軟で制御可能であり、コンテンツをリアルタイムで同期し、有効期限が切れるとオフラインになります。この機能により、操作とメンテナンスのワークロードが削減され、エラーの可能性が低下します。

インテリジェントなセマンティック理解に基づく用語の抽出と分析を検索  アップグレードされたアプリには、インテリジェントなセマンティック理解に基づいて、検索用語の抽出と分析の機能があります。具体的には、ユーザーが関連情報を入力すると、ユーザーが入力したコンテンツが長い文、Pinyin、またはその他の「変形した」検索用語を分析します。たとえば、ユーザーがキーワード「完全割引」を入力すると、システムは「ランダム割引」を推奨します。

この機能は真にユーザー中心であり、ユーザーの使用習慣に可能な限り最大限の制限を設定しません。

有効性の観点から、クレジットカードアプリをアップグレードした後、銀行は真にパーソナライズされた顧客サービスを達成し、ユーザーエクスペリエンスを最適化し、ターゲットマーケティングをユーザーに実行する能力を高めました。

アップグレードバージョンのクレジットカードアプリが起動した後、銀行のクレジットカードセンターは、ユーザーとビジネス収益の大幅な成長を達成しました。現在、銀行のクレジットカードアプリには、毎月1.4532百万人のアクティブユーザーがおり、クレジットカードアプリの中で4位にランクされています。

2019年、銀行のクレジットカードセンターは11.4983百万の新しいカードを発行し、合計72.0256百万カードが発行され、前年比で19％増加しました。クレジットカードの取引量は265.8807億元、前年比16.17％増加し、事業収入は前年比21.84％増加し、47.567億元に達しました。

2.3 AIアプリケーションの大規模な展開に役立ちます 企業のデジタル変革により、多数のAIアプリケーションシナリオとさまざまなインテリジェントなビジネスニーズが生まれました。一般的に言えば、ビジネス部門が需要を提起した後、R＆Dチームはデータ分析と処理、モデルの建設プロセスなどをターゲットを絞った方法で実行する必要があります。インテリジェントなアプリケーションシナリオの拡大により、この矛盾はより顕著です。

同時に、新しいシナリオの開発のために、企業はハードウェア、CPU、GPUコンピューティングリソースを買い戻して展開し、データアクセス、データ処理、モデル開発プロセスを再度実行する必要があります。

それを完全に見ると、AIアプリケーションの開発には、データガバナンスとモデル開発という2つの主要なリンクが含まれています。 AIアプリケーションの敏ility性の低さと1回の開発の高コストの課題に直面して、ますます多くの企業がAIエンジニアリング能力を強化し始めています。

1）データガバナンスのエンジニアリング

データはすべてのAIモデルの基礎であり、データのインフラストラクチャ構築を改善することは、AIプロジェクトの開発に不可欠です。ただし、不完全なデータファンデーションとデータガバナンスプロセスは主に手動の完了に依存しているため、データガバナンスプロセスは多くの時間を消費し、AIアプリケーション開発サイクル全体の半分以上を占めています。

上記の問題を解決するために、企業はデータミドルプラットフォームなどのデータインフラストラクチャの構築に注意を払い、データ標準化、データエンティティ化、データサービスの均一化などを含むAIアプリケーション開発の基本的な機能を提供する必要があります。

第二に、データガバナンスのプロセスでAIテクノロジーを組み合わせて、データ処理の効率を改善し始めています。 AIテクノロジーは、データアクセス、データクリーニング、データモデル管理、メタデータ管理、データセキュリティなどに役割を果たすことができます。

データアクセス。 OCR、NLP、機械学習などのテクノロジーを使用して、相同性データへの自動バッチアクセス。
データクリーニング。機械学習とディープラーニングに基づいて、データクリーニング自動化は、効果的なデータ品質評価インジケーターを抽出することで達成されます。
データモデル管理。ナレッジグラフテクノロジーを使用して、セマンティックネットワークアーキテクチャのRDFモデルを使用してデータを表すために使用され、概念モデルとコンピューターモデルの統合を実現するためにサブジェクト、属性、オブジェクトを含む知識グラフデータセットが構築されます。
メタデータ管理。音声認識、CV、テキスト分析、その他のテクノロジーを使用して、エンタープライズメタデータのビジネスシソーラスの構築を実現し、さまざまな貴重な非構造化メタデータを抽出するためのリソースプールになります。
データのセキュリティ。機械学習、NLP、テキストクラスタリング、分類技術に基づいて、データはコンテンツに基づいて正確に分類および分類され、重要なデータの漏れを防ぎます。

データミドルプラットフォームの構築、商業銀行はデータサービスのアジャイル配信を実現し、AIインテリジェントアプリケーションをサポートします  hangzhouに本社を置くZhijiangの商業銀行（以下、「銀行」と呼ばれる）は1987年に設立されました。2005年に共同在庫の変革を完了しました。

数年前にビッグデータウェーブが登場したとき、銀行は従来のデータウェアハウスアーキテクチャの上にビッグデータプラットフォームを拡大および構築し、多くのメーカーと協力して複数のビッグデータ関連システムを構築しましたが、システム間のリンケージ機能は貧弱でした。これにより、複数のオペレーターによるデータ要件が数万のETLタスクに変換され、数千のテーブルに散在し、効果的なデータ資産を形成できません。

デジタル変革戦略の実施と併せて、銀行は、データ資産の管理とビジネス部門のデータニーズの管理を主に担当するデータ管理と管理とサービスのための第1レベルの部門であるデジタルファイナンス部門を設立しました。通常、ビジネス部門が要件を提案した後、管理および管理部門は最初に関連する需要インジケーターを理解し、ソースデータテーブルとデータのオントロジーを見つけ、インジケータの計算方法を分析し、科学技術部門に提出して、開発とテストを開始し、最終的にバックバック処理を行います。

この一連のプロセスには、数週間から数ヶ月までの長いサイクルがあります。ビジネス部門の場合、データ需要スケジュールのプロセスは非常に長く、データ需要はプロセス中に開発者に繰り返し確認されているため、通信コストが高くなります。フレンドリーなセルフサービス分析ツールが不足しているため、技術部門にとっては、技術部門にとっては、数の需要を繰り返し提案し、多数の開発者の時間を絞り込み、より高い価値のあるビジネス分析やAIのニーズを考慮に入れる時間がありません。

要約すると、銀行は主に3つの理由があります。まず、統一されたデータ資産を形成することは不可能です。古い開発効率と低い開発効率。

上記の問題を解決するために、銀行は慎重な評価の後、シャンジングをパートナーとしてインテリジェントに選択しました。 Shanjing Intelligentは、将来の銀行向けのビジネスインテリジェンスサービスプロバイダーです。これは、金融機関がデータ資産とAIインテリジェントサービス機能の改善を支援することを目指しています。

詳細な調査の後、Shanjing Intelligentは、オフラインおよびリアルタイムのデータクエリと分析のニーズを満たしながら、銀行の以前のデータガバナンスの結果をデータアセット化を通じて銀行内のデータガバナンスの結果を接続し、銀行のビジネスミドルプラットフォームとデータミドルプラットフォームを構築しました。

統合された効果的で、データニーズのアジャイル配信をサポートします  この協力において、銀行は3つの主要なタスクを実行しました。

まず、銀行の元のテクノロジープラットフォームはシリーズに統合されており、統一されたデータコールは、Shanjing Intelligentの基礎となるデータサービスプラットフォームに集中型APIに行われます。一方では、すべての資産リリースは、業界内の既存の基本データ標準とインジケータデータ標準に対してベンチマークされなければなりません。基本データ資産のリリースは、銀行の既存のデータウェアハウス（Oracle、Teradata）またはビッグデータプラットフォーム（CDH、TDHなど）に接続されています。一方、さまざまなレポート、AI、データアプリケーション、およびデータAPIは、公開されたデータ資産に基づいてカプセル化または導出されています。同じ標準のセットに基づいてデータを制御できること、およびデータ入力と出口が統一されることを保証します。

第二に、Shanjing Intelligentは、データ資産の銀行の計画プロジェクトを策定し、科学技術部門がビジネスに近い言語でニーズを正確に表現し、需要を自動的にデータ資産に生成し、実装プロセスの違いと繰り返しを回避し、科学技術部門がデータ資産を再利用し、迅速な配信を実現できるようにします。

具体的には、データ資産化の過程で、Shanjing Intelligentはオントロジーモデリング方法を使用して、ビジネス指向の言語に基づいてデータ資産を構築し、メタデータをマップし、銀行レベル全体で知識グラフを形成します。その後、データ資産はLEGOレンガの形で組み立てられ、データ資産の派生物は構成によって実現されます。これは、資産の再利用性を簡単に追跡して確保できます。データの血の結びつきをグラフィカルな形式で表示します。これは、データ資産またはデータ標準の体系的な分布をよりよく反映できます。データ資産のインジケータライブラリ、ラベルライブラリ、およびAPIライブラリに基づいて、ユーザーカスタムによって形成されたクエリ、分析、モデル、およびレポートはデータアプリケーション市場を構成し、最終的にシナリオエンパワーメントを実現します。

データミドルプラットフォームモデルでは、ビジネス要件からデータ資産までのプロセス全体が閉じています。ビジネス担当者が需要を提案した後、データアセットマネジメント部門（データファイナンス部門）になります。

最後に、データアプリケーションプロセスでは、Shanjing Intelligentのデータミドルプラットフォームは、デリバティブデータのニーズのニーズを構成タスクに開発および変換し、自動SQL生成を実現でき、プラットフォームはセルフサービス数の獲得とセルフサービス分析の機能を開き、ビジネスユーザー、データアナリスト、およびデータサイエンティストがより効果的にデータを生成するのに役立ちます。

Shanjing Intelligentが提供するビジネスミドルプラットフォームとデータミドルプラットフォームは、銀行がデータニーズの機敏な配信を達成するのに役立ち、配送速度は月から空に低下しました。効果は、次の3つの側面に反映されています。

1.再利用性を達成するために統一されたデータ資産を確立する：主に、確立されたインジケーターデータベースは、データミドルプラットフォームを介して自動的に得られるために、これら2つの部門の基本的なニーズを満たすことができます。これまで、銀行のデータミドルプラットフォームは、需要に基づいてデータ資産の自動生成方法を使用して、ほぼ500のインジケーターを構築しています。 2。データミドルステーションのデータを建設した後、銀行のビジネス部門、デジタルファイナンス部門、テクノロジー部門のワークフローが大幅に改善されました。 3.テクノロジー開発者は、ビジネスニーズを実現するために面倒なコードを使用する必要がなくなり、配信速度が向上します。

さらに、Shanjing Intelligentのビジネスミドルプラットフォームとデータミドルプラットフォームに基づいて、銀行は強力なデータ資産管理とサービス機能を確立し、上位レベルでのインテリジェントマーケティングやインテリジェントオペレーションなどのインテリジェントAIアプリケーションを実現しました。

2）モデル開発のエンジニアリング：「チムニータイプ」アーキテクチャから「ミドルテーブル」アーキテクチャまで

従来、企業は単一点開発、つまり「煙突スタイルの」アーキテクチャを通じてAIアプリケーションを展開していました。大規模なAIアプリケーションシナリオの爆発により、元の従来の「煙突スタイルの」AI開発プロセスがビジネスの急速な変化に追いつくことができなくなり、開発速度が遅く、サイクルが長くなりました。

この問題に対処するために、より多くの企業がエンジニアリングの建設のアイデアを採用し始めています。AIアプリケーションの自動開発が実現し、AIアプリケーション開発のサイクルを短縮し、ビジネス対応の俊敏性を高め、AI開発の全体的なコストを削減します。

AIエンジニアリング構造は、データガバナンスとAIモデルのエンジニアリングを使用して、エンジニアリング構造のアイデアを使用して、複数のリンクでプロセス自動化を実現できます。

モデリングプロセスの自動化の実装は、主にAIミドルプラットフォームの構築に依存しています。一般的に言えば、メーカーが提供するAIミドルエンド製品には、開発プラットフォーム層、資産層、ビジネスロジックレイヤー、プラットフォーム管理層の4つの主要なモジュールが含まれています。

開発プラットフォームレイヤー：主にデータ処理、モデルトレーニング、リリースを担当します。データ処理には、主にデータミドルプラットフォーム、データベース、またはその他のデータストレージシステムからのデータへのアクセス、データクリーニング、データアノテーション、データ分析、機能エンジニアリングなどの機能を提供します。
アセットレイヤー：アルゴリズムライブラリとサンプルライブラリ、組み込み機能エンジニアリング、機械学習、ディープラーニング、NLP、および多数の自動車モジュールが含まれています。企業は、直接コールのためにアルゴリズムを独立したオペレーターにカプセル化できます。
ビジネスロジックレイヤー：主に、ビジネスニーズの理解に基づいて、再利用可能なモデリングソリューションテンプレート、サービスオーケストレーション、その他の機能を提供することを指します。ビジネスロジックレイヤーは、アルゴリズム機能をAIコンポーネントにパッケージ化できます。
プラットフォーム管理：役割の権限管理、アカウント管理、統一されたリソース管理を担当します。
データガバナンスの後、機能エンジニアリング、モデルトレーニング、モデル評価、モデル管理、その他のリンクにおいて、AIミドルプラットフォームのアイデアは、モデリングプロセス全体を自動化するのに役立ちます。たとえば、AIミドルプラットフォームに基づいて、リアルタイムのフィーチャの組み合わせ、視覚的な機能の重要性評価などを提供できます。

国立商業銀行は、経験の不足と全体的な計画のために、Smart Outbound CallやSmart CoultersなどのAIアプリケーションの需要が爆発的に爆発し、各部門は独立して行動し、複数のNLPシステムを構築でき、最適化モデルは共有できませんでした。同時に、複数のシステムの存在は、運用およびメンテナンスチームによって個別に管理されなければなりません。

銀行はAIプラットフォームを建設しており、基礎となるNLP機能は、主要な国内の人工知能カスタマーサービスメーカーによって均一に提供されています。 AIプラットフォームは、統一されたプラットフォーム管理機能と標準的な自然言語処理サービスを提供します。

NLPプラットフォームの助けを借りて、銀行は、オムニチャネル運用、RCSローンの質問、本社のロボットの回答、ウェルス質問オンラインロボット、および人間の顧客サービスロボットを通じて、本社でインテリジェントカスタマーサービスの建設を完了しました。現在、銀行はNLPプラットフォームに基づいて支店のロボットを建設します。NLPプラットフォームの建設は初期段階で完了しているため、新しいロボットの構築は、単純で高速で、基本的には追加のコスト投資を必要としません。

3。人工知能の実装の進捗状況と実用的なケース
2020年、人工知能技術の実装が加速しました。特に、新しいクラウンの流行の発生により、AI技術の実装が加速されました。この流行から生じるさまざまな問題に直面して、主に人工知能は、主に人工知能が流行の予防と制御のための信頼できる対応ツールを提供し、医療や都市ガバナンスなどの多くの分野でアプリケーション価値をリリースします。

たとえば、医療分野では、AI画像認識の適用により、医療効率が大幅に改善されました。たとえば、流行中に、Hubeiのいくつかの病院が、AI医療イメージング製品を使用して診断と治療を支援するために、人工知能CT機器を展開するために、国内の大規模なインターネットおよびAIメーカーと力を合わせました。患者がCTスキャンを受けた後、デバイスは数秒でAIの認識を完了し、1分以内に医師に補助診断参照を提供し、診断効率は数回改善されます。

都市ガバナンスの観点から、人工知能技術は、コミュニティの流行防止、賢明な政府問題、その他のシナリオで広く使用されています。たとえば、流行中に、多数のコミュニティがAIアルゴリズム、サーマルイメージングアクセス制御マシン、およびリアルタイムのアイデンティティ認証、体温測定、早期警告記録とレポートなどの機能を備えたその他の機器を備えたスマートカメラをインストールしています。此外，在政务领域，智能客服等应用可以完成自动外呼等功能，与辖区内居民联络，进行人机对话；智能机器人还能自动生成防疫统计报告，不仅提升了工作效率，还避免了信息采集人员与居民交叉感染的风险。

本章将重点分析人工智能在不同行业的最新应用进展。我们将以金融、消费品与零售、政府与公共服务、医疗与医药以及房地产与建筑五大AI应用较广泛的行业为例，尝试对相关AI应用场景的成熟度以及新应用场景情况进行剖析，并展示相关成熟的应用案例。

3.1.金融<br /> 金融行业仍然是目前人工智能应用最为成熟的领域。金融业的业务流程大致包括产品设计研发、营销与销售、风险管理和支持性业务四个方面，在这四个业务环节，都已有众多成熟的AI应用场景。下图展示了当前人工智能在金融行业产业链不同环节各个应用场景的成熟度。

当前，随着银行业进入长期低增长的“存量时代”，企业普遍更加重视通过智能化手段提高经营效率和增加收入，而构建营销风控一体化的管理体系，成为了银行业数字化转型的核心环节。

在营销与销售方面，企业更加注重挖掘存量用户的价值，在用户场景、用户洞察、用户触达、用户转化、用户运营等方全生命周期中，在各个环节中通过AI技术实现销售闭环。比如在用户洞察环节，银行业企业普遍面临对消费者数据开发不足的问题，AI技术的加持能够实现更深层次的客户洞察，基于多维度的用户数据构建用户画像，实现更精准的用户触达。

风控方面，目前国内银行在零售信贷风险管理领域的AI应用实践主要集中在贷前反欺诈、贷前授信审批、贷中预警和贷后处置四个方面。以贷前和贷中阶段为例，银行和消费金融公司能基于大数据和机器学习，利用已有的用户标签建立资质挡板，构建人群基础画像。并在此之上进行后续环节的风险筛查，覆盖贷前风险识别和定额，以及贷中实时监测预警。

与此同时，除了传统营销与风控场景，AI在金融业的应用逐渐渗透至监管领域。金融监管政策制定涉及多方利益，往往牵一发而动全身，通过引入深度学习等AI技术，可对政策带来的影响进行分析预测，辅助监管措施的制定。

某期货交易所搭建AI预测模型，提升智能决策水平  期货市场连接实体经济和金融市场，有效弥补了现货市场的不足，对于稳定与促进市场经济发展发挥着重要作用。

保证金标准、涨跌停板幅度、交易手续费等措施是期货交易所开展市场监管的重要手段。以往，交易规则制定往往基于专家经验和规则作为决策的主要依据，但市场随时都在发生变化，过去的规则经验往往对当下的市场反应估计不足。

尤其是针对高频交易场景，这一问题更为凸显。高频交易数据量大，噪声多，数据类型较为单一。而高频度违规的交易模式，如频繁撤单、自买自卖，虚假报单等，却隐藏于这海量的交易数据当中，十分不易发现。过去通过人工识别的异常交易手段已无法满足庞杂的金融数据及瞬息万变的市场操作。

此外，在针对交易行为监控方面，以往，交易所的审批工作都是基于人工完成，费时耗力，业务响应效率低。

在这一背景下，某期货交易所选择了星环科技作为合作伙伴，以解决以上痛点。星环科技成立于2013年，专注于企业级容器云计算、大数据和人工智能核心平台的产品研发，目前公司建立了多个产品系列：基于容器的智能大数据云平台TDC、一站式大数据平台TDH以及智子人工智能平台Transwarp Sophon等。

星环科技利用数据科学平台的机器学习及深度学习技术，为该期货交易所搭建了深度神经网络模型，应用在交易规则制定、交易异常行为识别以及套期保值额度审批三个场景中。对应这三个场景，星环科技为该期货交易所分别搭建了三个系统——监管措施辅助决策系统、异常交易识别系统以及套期保值审批额度推荐系统。

辅助交易规则制定，政策制定更审慎合理  交易规则调整属于低频度行为，过往数据较少、历史数据信噪比低。此外，期货交易品种间交易特性也并非完全一样，这对模型的算法能力提出了更高要求。

考虑这一难点，在搭建监管措施辅助决策系统时，星环科技最终选用了Seq2Seq和专家规则的场景融合算法。星环科技提供的监管措施辅助决策系统结合历史措施调整情况和大量历史数据，建立监管参数目标值与市场运行情况的关系模型，深度分析并挖掘不同的监管措施目标值可能对市场产生的影响(交易量、持仓量变化等)。能够在政策措施出台前，评估某一政策对期货市场产生的影响，提供交易规则措施制定的辅助决策，使得政策更加审慎合理。

如上图所示，数据清洗加工环节采用星环TDH大数据平台进行数据的抽取、清洗、存储和加工；随后，基于星环TDH并结合TensorFlow框架进行数据输入，通过星环人工智能平台Sophon协作开发，采用Seq2Seq深度学习相关技术进行算法建模。

在建模过程中，采用专家经验机器学习相结合的方式进行规则发现，基于星环Slipstream 进行规则计算，利用星环最新发布的FIDE 规则引擎平台进行规则决策，结合指标计算模块实时计算的能力，对AI模型特征进行实时的计算，以获取AI模型在实时业务的场景下完成模型的实时预测，并结合决策引擎对于模型/规则的管理，实现专家规则+AI 模型的双轨制决策模式， 增强了AI模型在业务场景中的应用可解释性。

最后，通过Sophon 模型API进行发布，快速上线并可以定时更新模型，增量更新模型质量的需求，方便维护。并对接下游应用系统、可视化BI系统、实时监控大屏的业务终端，从而最终完成模型上线闭环打通。

该模型实现系统查询响应时间在3秒以下；所有涉及智能化算法执行响应时间在5分钟以内；模型日常训练、迭代及批处理时长则在一小时以内。

异常交易识别系统，快速锁定异常行为  星环科技为该期货交易所提供的异常交易(交易模式)识别系统，通过星环一站式大数据平台TDH和企业级人工智能平台Transwarp Sophon 共同构建深度神经网络模型，结合波动率、持仓量、基差、价差等衍生品定价等时序波动特征识别异常交易模式，提前预测市场风险。

星环科技的高频交易模式识别模型可以根据定单、交易、持仓等一系列分析维度，结合日内K线(秒级、分钟级)以及定单薄状态，分析高频交易客户定单触发条件以及交易行为，总结交易模式(或策略)，生成相应的交易模式(特征)报告，通过图形化方式展示客户交易特征。

此外，系统可构建异常交易客户标签体系，通过输出异常交易的客户特征标签，建立异常交易客户画像。系统还可以生成市场交易模式报告，根据选定的客户群体，结合异常交易(交易模式)识别算法输出结果，以及所选客户的特征阈值生成对应交易模式报告。

异常交易(交易模式)识别系统上线后，该期货交易所通过构建客户画像，能够更精准的识别不同客户的风险，更及时发现异常交易。

套期保值审批额度推荐系统，实现审批自动化、智能化  在期货市场中，生产经营者通过进行套期保值业务来回避现货交易中价格波动带来的风险，锁定生产经营成本，实现预期利润。针对套期保值交易，交易所执行的是套期保值额度审批制度，即各合约同一方向套期保值持仓合计不得超过该方向获批的套期保值额度。交易所实行套期保值额度审批制度。

该期货交易所与星环科技合作上线了套期保值审批额度推荐系统。在准确理解业务，分场景、分品种大批量的应用规则基础上，系统完成建设了发现规则、配置指标、配置规则、计算指标、执行规则等5个核心步骤，能够根据账户数据以外，结合合约风险、持仓情况、仓单情况、期现货价格、合约间价差等数据，实现自动化、智能化的即时套保额度计算预审批。

该系统的运作流程如下：基于星环Slipstream模块，建立实时流计算引擎和数据处理; 建立多维度的指标定义功能模块及灵活多变的配置功能模块; 最后，基于星环FIDE规则引擎平台进行规则决策建立决策引擎，使得配置出来的规则都够快速执行出响应的结果。

上线了星环科技的这套解决方案后，该期货交易所实现了套期保值审批额度报表的自动生成。套保审核人员可根据实际需要，针对不同品种、合约的一般月份套保以及临近月份分别配置计算规则，用于规则额度的即时计算，并生成解释性报告。额度推荐包括可以在会员提交套保申请后3分钟内完成推荐报告。此外，套保审核人员还可进行参数配置，包括通用参数、品种(合约)具体规则等计算业务参数。

总体上，星环科技的监管措施辅助决策系统、异常交易识别系统以及套期保值审批额度推荐系统上线后，该期货交易所摆脱了以往纯依赖人工和专家经验的状况，实现了更精准的监管决策和分析研判，更科学的交易规则政策制定，更快速的异常行为识别，更高的审批效率及更优的用户体验。

3.2.消费品与零售<br /> 从价值链上看，消费品与零售行业包含生产与采购、分销与流通以及营销与零售三大环节。得益于零售企业数字化转型的努力，AI已在价值链的每个环节中有所应用。

例如在生产与采购环节，典型的AI应用场景包括智能质检，利用机器视觉等AI技术可代替人力或者协助人力完成对缺陷商品进行识别；在分销与流通环节，有部分企业开始尝试使用AI技术，基于用户数据、产业链上下游数据以及交通、天气等外部，建立AI模型预测供应链中断，提前做好准备。

总体来看，AI在消费品与零售行业AI应用的重心在终端营销和零售环节，原因在于消费品与零售企业的经营模式以消费者为中心，随着获客成本的升高，消费品与零售企业需要增强营销方式上的竞争力。

目前在营销与零售环节，AI技术的应用已经很成熟，大量零售品牌商已经搭建了客户数据平台（CDP），采集全渠道消费者数据，基于深度学习、知识图谱等AI技术，对数据进行整合及分析，构建统一用户画像，进行深度的客户洞察，更精准的触达潜在用户、提升已有用户的复购率。

某个护小家电头部品牌依托AI智能营销方案实现精准运营  某京东自营品牌下的个护小家电龙头品牌商，其电动牙刷、剃须刀品类为全球领先品牌。随着零售行业的迅猛发展，个护类小家电越来越成为人们的一类家电新宠，市场竞争日益激烈，该品牌商希望能够及时了解市场态势，精准定位和触达消费者群体，持续提升产品的创新能力，提升在家电领域的市场占有率和用户满意度。

该小家电品牌商过往的线上运营策略一般基于运营人员主观经验或者基于人工对内部零散数据的分析，存在决策数据缺失、验证困难、验证周期长等业务痛点。新的市场竞争态势需要品牌商深入洞察消费者，了解关键群体的特征、购物行为模式；需要基于可靠的消费者数据分析做出精准的营销和生产决策，包括促销策略、运营方案优化、生产设计等。

针对这一情况，该品牌与京东智联云合作，采用智能服务解决方案。

智能服务解决方案的核心产品是智能供应链决策引擎，经历了在京东集团内部应用到对外输出的过程。该方案基于大数据技术，通过结构化分析，利用人工智能技术进行深度建模，解析用户购买行为，最终在营销销售、交易渠道、客户服务以及生产设计四个具体场景向品牌商提出了切实可行的策略建议。

基于AI技术，全方位洞察用户的消费行为  京东智联云的智能服务解决方案首先运用人工智能及深度学习技术进行数据处理，基于处理好的数据进行模型训练、生成数据模型，利用模型模拟、推演刻画消费者的特质以及决策路径，最终形成决策建议，供客户参考。

在数据处理过程中，运用人工智能及深度学习技术，将非结构化的商品数据、用户大数据、评价信息转化为结构化数据。面对多样的杂质数据，京东智联云进行大批量数据清理，排除一些干扰用户消费行为分析预测的异常消费行为，类似包括大促、某些大型客户一次性购买等非常规行为往往对消费者行为预测造成干扰。

数据处理之后，利用机器学习、深度学习等AI算法解析用户与商城的交互行为数据，深入洞察用户行为背后的动机，形成各类消费者行为模型，包括文本分析、评论分析、拉新、复购、留存、人群扩散以及销量预估等。基于生成的模型推演和刻画出消费者的特征和消费路径，例如基于拉新模型可在营销方面提出广告投放等具体策略建议，供品牌商参考。

智能服务解决方案的模型是综合考虑多方因素下行成的，并非基于孤立某类数据。数据建模还会综合考虑到同行业内的其他变量，把品牌商放在全行业的视野下进行考虑。例如，京东智联云数据建模时会关联考虑友商包括促销等行为，这是因为在市场规模一定的情况下，友商的行为可能带来全行业的影响。

合作逐步推进，业务场景不断深化  此次项目共经历了三期，首期京东智联云帮助该小家电品牌商搭建了基本的框架，第二期扩展了消费品类，第三期扩展了运营场景，是一个逐步递进的过程，实现应用的业务场景也不断深化，从一开始仅涉及营销效率提升到最后实现产品创新。

在整个过程中，京东智联云承担了全部能力建设任务，同时，品牌商管理层、品类、销售等团队与京东采销团队、京东AI团队及咨询团队密切合作，对平台进行了充分的迭代。用于模型训练的数据持续不断的进行了更新，保证了输出的决策建议可以跟据实时反映消费者行为变化，保证分析预测结果实时性。

基于消费者洞察，实现有效决策和精准运营  京东智联云提供的解决方案全面描画出了该小家电品牌商的现有以及潜在消费者画像，清晰还原了用户从搜索到商品详情页及购物车的选品全路径，还对消费者作出决策的原因、营销策略对商品从入口到页面的流量背后的原因等进行了分析。

基于京东智联云解决方案提供的消费者洞察分析和策略建议，该小家电品牌商在营销运营和产品创新方面对经营决策进行了改进和优化，取得了良好的效果。

在营销运营层面，方案对该小家电品牌商在剃须刀、电动牙刷等五大门类的产品都提出了具体可行的运营建议，比如应该在哪些渠道（包括非京东渠道）进行广告投放、做活动时的满减策略等。公司在原有营销广告投放等策略进行了调整；CRM方面，强化了拉新、复购和忠诚度建设，同时还对品牌定位、店铺设计和布局等层面作出了重要策略调整。

在产品创新层面，解决方案也给该小家电品牌商提出了具体的决策建议，包括品类调整和产品设计等。支撑方案给出这类建议的核心是平台具备的算法能力，可以对消费者的决策术进行持续分析；根据用户评论等数据结合该小家电品牌商的商品进行分析，形成对品牌商品类调整和产品设计的建议。

整体来看，该小家电品牌商采纳了京东智联云提供的方案后，在项目的一年周期内，目标商品的平均搜索点击率提升25%，下单转化率提升15%。

3.3.政府与公共服务

随着新基建建设加快推进，智慧城市项目在全国如火如荼展开，以智慧基础设施为主要特征的智慧城市建设进入快车道。总体来看，在政府与公共服务领域，目前AI主要的应用场景包括政务服务、智慧园区、城市安全和智慧交通四大方面。

进入2020年，各地政府积极搭建类似“一网通办”等平台，通过整合政府服务数据资源，搭建一体化在线政务服务平台，简化居民获取政务服务的流程。例如，为了优化民众新生儿落户流程，浙江省政府依托“城市大脑”打通了出生医学证明管理系统、人口信息管理系统、医保办理系统，实现了跨部门业务流程交互，通过“浙里办”APP“出生一件事联办”应用，新生儿父母在手机上即可一次性办完所有证件。

在智慧园区的应用场景中，AI技术应用于园区商业规划、园区安全管理等领域中。例如，园区管理者可以基于数据分析和算法模型，赋能园区进行产业规划、招商引资等；通过部署智能摄像头、算法平台等AI软硬件设备，对园区内环境进行实时监测，实时监控环境，进行访客安全管理、停车管理等，保证园区内人员以及环境安全。

城市安全主要包括智慧安防、智慧警务和应急管理，在这三个方面，AI技术应用都有较大的进展。政府部门越来越多的将AI技术应用于情报分析、罪犯抓取等场景中，知识图谱技术的快速发展，大大释放了AI在此类场景的价值。

 AI情报分析系统助力中国杯国际足球锦标赛顺利开展  中国杯国际足球锦标赛于2019年初在广西南宁举办，某部门承担了对参赛球队相关境外入境人员的核验和筛查工作。

传统上，大型国际赛事或者大型会议的入场人员信息筛查，一般都依靠人工进行，业务人员将境外人员提交的包括护照等信息，通过查阅资料进行对比，然后作出判断。

这种依靠人工的作业方式存在较大的缺陷。首先，信息获取来源比较有限，在筛查工作中，业务人员一般只能根据相关人员提交的信息与已有的资料进行对比，作出判断，无法触及存在于互联网的大量关联信息。

其次，基于人力的作业方式效率低下，且容易受每个业务人员精神状态影响，状态不佳时，容易遗漏。此外，筛查工作对人的思维能力要求很高，业务员需要接受长时间的培训并具备一定的工作经验之后才能胜任。

类似中国杯国际足球锦标赛的大型国际赛事的人员筛查工作，工作量大、任务集中，时间紧迫，使得基于人工的入境人员筛查作业方式弊端暴露更加明显，倒逼该部门采取新思路应对挑战。

在这一背景下，该部门选择了湖南星汉数智科技有限公司作为合作伙伴，以解决上述问题。湖南星汉数智成立于2016年，公司将网络文本语义分析和大规模知识图谱相结合，面向政府部门以及商业机构提供包括公开或授权数据整合、信息抽取、知识构建分析和智能搜索等认知计算解决方案。

星汉数智为该部门部署了公司针对政府部门研发的情报分析产品——星汉天箭情报智能分析系统。依托该系统，2019年中国杯国际足球锦标赛期间，某部门筛查效率得到极大提升，及时发现了对入境信息进行隐蔽篡改的犯罪嫌疑人员。

星汉天箭情报智能分析系统聚焦于公共安全和国家防务领域的情报分析痛点，利用大数据和语义理解技术，提供关键线索的识别和追踪、目标画像、机构分析、社交网络分析、多线索拓线分析等服务，已广泛应用于反恐、反欺诈、犯罪预防、案件侦破、安全防卫等场景。

星汉天箭情报智能分析系统是星汉数智的两大拳头产品之一（星汉数智推出的另一拳头产品为招标雷达，为企业提供招投标信息的全网实时获取和深度关联分析功能），历时两年多完成产品研发，系统主要指标达到国际先进水平。2020年6月，经中国航天科技集团有限公司软件评测中心测评，星汉天箭情报智能分析系统在十亿级节点、千亿条边、100PB级有效数据的知识图谱上，全面具备情报挖掘和传播分析能力，在基于意图理解的智能搜索、基于种子特征的实体链接等方面，准确率超过95%。

信息批量导入，批量分析  星汉天箭情报智能分析系统本地化部署在某部门。由于当时中国杯国际足球锦标赛已临近开赛，对入境人员筛查的任务紧急，星汉数智受邀参与到了该部门的具体业务流程中，针对具体业务操作进行软件设计和优化，并对业务人员进行使用培训。

除了成熟的标准化产品外，星汉数智还基于该部门的个性化需求做了定制开发，其中最重要的是增加了信息批量导入的功能。

系统的具体使用流程如下：批量导入相关信息；基于客户导入的目标信息，系统结合目标各种公开信息，构建人物画像；系统生成人物画像报表，提示可能出现的信息不匹配等异常情况；业务人员利用系统，根据人员筛查需求进行深度的交互分析。

星汉天箭情报智能分析系统基于开源的数据进行分析，数据源十分多样，包括社交媒体、网络论坛、搜索引擎以及新闻网站等。赛事筛查涉及的数据量庞大，对实时性要求较高，星汉数智此前对星汉天箭情报智能分析系统文本分析和关联分析能力的强化，保证了系统能充分胜任某部门此次任务。

在同名的情况下，星汉天箭情报智能分析系统会先基于客户输入的目标人员的姓名以外的信息，找到互联网中与这些信息吻合的内容，作出同名不同人的判断，并提供证据供工作人员进行核查。

标准化产品输出，辅之以少量定制化  星汉天箭情报智能分析系统是星汉数智为解决安全情报分析需求开发的一套通用性产品，并可以基于客户个性化的需求进行定制化开发和部署。除了批量导入数据的功能外，星汉数智为广西某部门提供的定制化开发还包括定向数据源适配以及本地化数据接入的功能。此外，星汉数智还为该部门提供了包括培训、服务器扩容等免费售后服务。

人工筛查成为过去时，推动政务数字化建设  星汉天箭情报智能分析系统的引入使得某部门告别了以前人工进行筛查的作业模式。该部门的业务人员得以从这一繁琐的工作中解脱出来。

依托该系统，2019年中国杯国际足球锦标赛期间，该部门能够在1小时内完成2000名入境人员的筛查，相比人工筛查节省了98%的人力，及时发现了6名对入境信息进行隐蔽篡改的犯罪嫌疑人员。

值得一提的是，该部门购置的星汉天箭情报智能分析系统并非仅用于中国杯国际足球锦标赛的筛查工作，而是作为其数字政务系统建设升级的一个重要组成部分。

过往，该部门也零散搭建了若干基于人物画像的情报数据系统，不过数据散落在不同的业务部门中，数据利用率偏低。天箭情报智能分析系统允许该部门接入自己的本地数据。结合系统强大的多源数据整合分析能力，该部门可将自身数据的价值发挥到最大，显著提升了部门数字化建设水平。

AI技术在交通领域的布局也不断加快，从传统道路交通领域向航空气象领域拓展。空管局、航空公司和机场等开始布局人工智能技术，实现对气象要素的精准预警预测，提高调度的精细化水平。

道路交通方面，AI应用于异常行为识别、交通智能调度等场景中。基于人工智能技术，交通、安全部门等可以及时发现城市道路交通的各种异常情况，例如交通事故、拥堵、异常停车、施工等；人工智能分析平台，能够识别和追踪机动车的行驶行为，智能审核判定机动车的违法行为事件，实现对机动车违法的智能取证、取证鉴定等智能分析。

华东空管局借助人工智能实现气象预报精细化  华东空管局隶属于民航空管局，负责贯彻执行有关法律法规和民航局颁布的涉及空中交通管制、空域管理、航空飞行保障等相关工作。气象中心为该机构下设的航空气象专业服务机构，担负整个华东地区机场及相关区域的航空气象监测、预测、预警、情报交换等职责。

近年来，中国航空业务量迅猛增长，以上海两个机场为例，2019年的总吞吐量就达到1.2亿人次。根据国际民航组织的预测，到2023年，中国将超越美国成为全球最大的航空运输市场，预计未来中国的航空业务量仍将继续迅猛增长。由于中国的空域资源比较有限，为了应对航空业务量的迅猛增长，原来相对粗放型的航空管制模式需向精细化、智能化转变，提升有限空域资源的利用率。在这样的背景下，航空气象数据体量也急剧扩张。据统计，2015年至2020年的5年间，中国航空气象数据总量从原来的6.5T增加到目前的63T，涨了近10倍。

而长期以来，航空气象行业领域就一直面临人才短缺的问题。气象人才的培养周期长，成本高。以一个成熟预报员的培养为例，完成从本科到研究生的学习需要7年时间，毕业上岗到能基本能胜任工作一般需要1年左右，到最后能够独当一面，起码再需要三年时间。在航空气象数据体量急剧扩张的情况下，原来基于人工和专家经验的航空气象预报和监测体系显然无法适应新情况，海量数据无法用人工进行处理，也对输出准确、质量过硬的气象预报和监测报告构成了极大挑战。

在这一背景下，华东空管局与眼控科技合作，共同探索利用人工智能技术以解决上述挑战。眼控科技成立于2009年，是一家集计算机视觉与深度学习技术研发应用于一体的人工智能科技企业，专注于智能交通领域，覆盖应用场景包括道路交通安全监测和航空气象预测预报。

经过了前期的需求调研和产品研发，华东空管局与眼控科技推出了一系列AI气象解决方案，其中典型的解决方案是智能预报指导系统、AI对流临近天气预报系统。前者有效解决了现有航空气象报文发布系统的智能化、自动化程度低以及作业模式效能低下的缺陷和问题；后者跟应用于临近对流天气的预报方法和系统相比，具备预报精度高、有效预报时间更长、预报质量稳定等优点。

智能预报指导系统，辅助业务人员高效发布报文  现有航空气象报文发布工作的作业模式主要依赖于预报员人工归结、处理和分析分散在各处的天气形势数据、遥感数据、模式数据等气象资料，经过对天气形势的判断后，在原有发报软件上手动编辑相应报文并发布。，该作业模式无论是智能化程度还是自动化程度都较低，且高度依赖成熟预报员的专业能力和经验，业务工作效能的提高受到极大限制。

智能预报指导系统利用大数据的快速存储、处理和解析技术，实现了从数据归结、处理、分析、报文生成、报文发布发布、报文入库及情报交换全流程的智能化和自动化，可以实现高效辅助航空气象服务部门的专业技术人员高效发布报文。在上线前，基于丰富的数据源，智能预报指导系统完成了初期的算法模型训练，行成了具备航空气象知识库的专家系统。上线后的每一次使用和新数据的输入，都会对原有模型进行不间断地训练和完善，系统也因每一次的数据输入变得更加“聪明”。

智能预报指导系统最前端的环节涉及对各种各样气象数据的归结工作。传统上，人工预报系统需要辗转在不同的电脑或文件夹间进行收集，效率低下，而眼控科技的智能预报指导系统可以秒级的速度完成这一工作。

数据归结工作完成之后，智能预报指导系统进入最关键的环节——利用眼控科技自主研发的大数据快速存储、处理和解析技术，对数据进行解析和计算，生成预报结论。随后，预报结论会按照民航局发布的航空气象报文发布规则以及标准格式样式，最终生成航空气象报文，包括终端机场天气预报（TAF）及趋势着陆预报两种类型。系统提供的预报指导和实况气象产品具体包括降水预测、对流及大雾气象数据统计等。

相比原来的人工系统，眼控科技的智能预报指导系统无论在效率还是功能性上都得到了极大的提升和扩展。从数据处理阶段到得出预报结论到最终生成报文，原来人工处理一套数据需要20-60分钟，而智能预报指导系统则可以以秒级的速度完成。采纳这一套系统后，华东空管局的预报人员只需对智能预报系统生成的报文处理结果对照报文进行对比和确认，效率得到极大提升。

此外，智能预报指导系统还具备自动报文评分及统计的功能。根据国家民航局的规定，气象预报部门需要对发布的气象预报报文进行评分，且分数不能低于一定数值。传统上这项工作也需要耗费极大的人力。智能预报指导系统自动生成评分报文大致流程为：将每个时间段的实况气象报文与先前生成的预报报文进行对比，依据国家民航局发布的评分指标（准确率为最关键的因素）进行自动对比，最后得出相应的分数。

AI对流临近天气预报系统，提升预报时长和准确率  在航空气象领域，对流天气是备受关注的天气类型。由这类天气伴生的雷暴闪电天气会对飞机通讯导航系统、地面关键设备的运行造成较大影响；另外，对流强降水、对流地面大风、低空风切变、下击暴流等伴生天气会对起降阶段的航空器运行安全造成极大风险。传统上，对流天气的临近预报主要采用的是光流法，这一方法由于基于对流天气系统的发展、运动、分布是线性过程的基本假设，使得最终预测结果具有较大误差，且可预测时长较低。

眼控科技的AI对流临近天气预报系统采用经过优化的深度卷积计算模型（DeepRNN/YGNet），该模型可全面、准确反映对流天气系统发展过程中的旋转、生消、形态变化等非线性特征。应用这一模型的对流临近天气预报系统相比应用光流法的传统预报系统具备明显优势，可获得更长的有效预测时长，同时能够获得更高、更稳定的预报精度。与智能预报指导系统类似，AI对流临近天气预报系统在上线之前首先完成了初期的模型训练。数据源方面，华东空管局能够提供完整并且质量良好的多普勒气象雷达基数据，奠定了模型训练的根基。

AI对流临近天气预报系统运作流程如下：最前端是多源数据归结，将历史序列的雷达回波基数据进行全时归结，同时将包括眼控自研的智能天气现象成像仪和智能综合环境监测仪数据、闪电定位仪数据、卫星数据等数据输入进行辅助计算；数据归结完成后，输入应用尖端人工智能技术的AI计算模块，最终输出雷达回波形态预测数据（包括两种形式：组合反射率雷达回波预测以及分层CAPPI雷达回波预测），同时还可以输出包括对流初生诊断、强回波监测、定量降水、强风概率等数据反演结果。 最终再由航空气象专业人员完成天气发展趋势预测结论的输出。

采纳了AI对流临近天气预报系统后，华东空管局的对流天气预报工作无论在效率还是预报时长及准确率上都取得了明显的改进。目前，该空管局的对流临近天气预报准确率达到了50%以上，预报时长延展至2个小时。此前，基于光流法的传统预报系统，这两个数字分别为低于40%以及不超过1小时。

作为航空气象工业的“皇冠”，数值预报能力一定程度上代表了一个国家整体的气象预报实力。下一步，华东空管局将继续在人工智能+数值预报方面展开探索，提升气象预报精细化水平。

3.4.医疗与医药

医疗医药领域以“医+药”为核心，分别对应医疗和医药。智能医疗的价值链如下图所示。

进入2020年，新冠疫情助推AI在医疗行业的应用，不过总体上看，现阶段AI在智能医疗领域的整体应用水平尚处于早期阶段。相对而言，AI在医疗机构的诊前、诊中和诊后以及制药企业的药物研发环节的应用价值度已经逐渐从自动化阶段过渡到智能化阶段。

总的来看，智能医疗领域内自动化和智能化的场景较多，且集中在诊前、诊中、诊后以及药物研发环节，需求较为旺盛且存在落地的可能性；由于医疗的严谨性，手术机器人、康复机器人等创新化AI应用目前难以实现临床使用，落地难度较大。

在诊前应用方面，基于知识图谱的智能导诊系统，借助知识图谱的推理能力，患者只需描述症状或疾病，就可以为患者提供智能导诊服务，匹配科室和医生，缓解医院导诊服务的压力，提高医院的智能化管理水平。

在诊中方面，目前比较成熟的应用包括AI医疗影像。AI医学影像产品主要功能是辅助筛查和辅助诊断，提升影像科医生工作效率，各大厂商提供的产品已覆盖多器官、多病种，百花齐放。不过，每家AI医学影像公司能够覆盖的产品有限，头部企业真正成熟并可以应用于临床的产品线有限，因为不同产品能复用的算法和模型部分极其有限。因此市场呈现百花齐放的状态，各个细分方向都有企业深耕细作。

除了筛查诊断外，现有的AI医疗影像产品还可进行良恶性判断。以肺结节为例，以病理结果为金标准，现有的良恶性判断准确率接近80%，但受限于测试数据量不够大，产品还有待继续训练和打磨。

通过区域数字影像云系统，助力杭州西湖区优质医疗资源下沉基层  不管是发病率居高不下的呼吸系统疾病，还是家长关注的儿童生长发育情况，都存在“早筛查、早诊断、早治疗”的需求，基层医疗机构能够实现筛查、诊断的话，可以最大化利用医疗资源，为居民提供便利。

在呼吸系统影像筛查和骨龄检测方面，杭州市西湖区社区医院面临着影像科医生短缺且诊断能力不足的问题。

2020年4月，经杭州市西湖区人大代表票选，“建成区域医疗数字影像集中诊断系统，升级社区卫生服务中心CT影像检查人工智能辅助诊断系统”入选成为十大民生实事项目之一。

为落实实事项目，西湖区卫健局建设了区域医疗数字影像集中诊断中心，包含呼吸系统AI智能诊断平台和儿童生长发育智能评估平台，引入深睿医疗的Dr.Wise® 胸部CT AI 医学辅助诊断系统、Dr.Wise®胸部平片AI医学辅助诊断系统、以及Dr.Wise®儿童生长发育AI评估系统，旨在提升基层医生的诊断能力和诊断效率，从而提升基层医疗服务水平。

深睿医疗赋能基层医疗机构，实现医疗资源下沉和共享  西湖区卫健局建设的区域医疗数字影像集中诊断中心位于杭州西湖区的蒋村街道社区卫生服务中心，全区12家社区卫生中心可通过医疗数字影像云系统接入诊断中心。

居民在任一社区医院进行影像检查后，影像数据会被传输至诊断中心，诊断中心的医生接收影像后可进行阅片，同时，深睿医疗的Dr.Wise® 胸部CT AI 医学辅助诊断系统、Dr.Wise®胸部平片AI医学辅助诊断系统和Dr.Wise®儿童生长发育AI评估系统可根据影像特征快速进行分析，给出辅助诊断建议。

并且，当诊断中心的医生对于影像判断有疑问时，可通过影像云系统的远程会诊功能，邀请三甲医院的医生进行会诊。

Dr.Wise®胸部CT AI医学辅助诊断系统，该解决方案是基于胸部CT成像的多征象、多病种AI辅诊解决方案，包括肺结节、肺炎、其他肺部疾病征象、骨质病变和纵隔病变等AI辅诊模块，可实现肺部、胸膜、胸廓、纵隔等部位的全征象一站式自动分析及疾病诊疗全流程管理，具备定位检出、定量分析、定性分析、智能随访和结构化报告等功能，整个方案更加接近医生的日常工作模式，大幅提升诊疗流程的效率、准确性和标准化。结合深睿医疗Dr.Wise®胸部平片AI医学辅助诊断系统对于五大类30余种征象的检出诊断，可以为各种应用场景提供胸部疾病从筛查，诊断到随访的全周期解决方案。

Dr.Wise®儿童生长发育AI评估系统，具备目标骨骼智能识别、分级、骨骼计算及结构化报告等功能。人工智能应用于儿童生长发育测评，具有速度快、精度高、一致性好等优势，极大程度的缩减了诊断时间，能够有效的控制人为主观性，同时将生长发育百分位曲线图可视化，更直观的反应儿童的生长发育情况，极大的帮助社区医生的日常骨龄评估工作。

通过医疗数字影像云系统连接下属12家社区卫生服务中心，所有检查影像集中存储、集中诊断，优化诊疗资源，深睿医疗的Dr.Wise®AI医学辅助诊断系统有效提升了医生的阅片效率和诊断水平，并减少漏诊误诊，解决了诊断医生缺乏的问题。同时，影像云系统将先进的医疗资源下沉至基层，缩小基层医院和三甲医院诊疗差距，可实现全区诊断医生资源共享。

截至2020年11月，在区域医疗数字影像集中诊断中心，深睿医疗的Dr.Wise®AI医学辅助诊断系统已累计完成胸部CT影像人工智能辅助诊断2569例、胸部DR人工智能辅助诊断8853例、儿童生长发育（骨龄）人工智能预测268例，通过云端会诊，让数据多跑路、百姓少跑腿，持续降低患者医疗费用支出。

3.5.房地产与建筑

房地产行业已经告别高速增长的增量时代，进入存量化的“下半场”。存量化趋势带来的产业价值链重塑，使得房地产开发商等主体面临新的市场环境，需要借力数字化手段向精细化运营和多元化经营转型。

房地产行业产业链包括开发、营销、运营、交易、服务等环节，目前AI技术在这些环节中都有所渗透。

以开发环节中的规划设计场景为例，基于人工智能技术的智能设计和智能审图等应用，正在重塑建筑设计方式。传统建筑设计主要是基于CAD等平面或三维设计软件工具进行作图，但整个工作流程仍然重度依赖设计师的手动操作。通过融合设计师的专家经验和设计规则，基于机器学习技术，AI智能设计工具已经可以根据特定项目的设计要求，自动完成方案图纸设计，大幅降低设计师的工作量，缩短出图周期。

在营销环节中，基于计算机视觉、智能语音等技术进行客户数据采集和智能交互，可实现更精准的营销，触及更多用户。例如，通过人脸识别摄像头设备采集案场到访客户数据，可以实现客户签到统计、客户画像分析和重要客户识别，并与渠道管理系统关联，实现渠道判客和案场风控，防止渠道“飞单”造成的佣金损失。智能语音技术则可以用于客户服务过程中的智能客服领域，帮助开发商提升一线销售人员的服务质量。

4.人工智能未来展望
展望未来，人工智能将在技术应用和配套基础设施两个层面，呈现出新的发展趋势。

在技术层面，人工智能正在从云计算向边缘计算延伸，未来将形成云计算与边缘计算协同发展的态势，为人工智能提供更强大的基础设施。

另一方面，人工智能在提升企业生产效率以及改善人类生活品质的同时，也带来很大的负外部性，比如以算法战、深度伪造等滥用人工智能技术的行为，对人工智能行业的发展以及经济社会的带来了负面影响。展望未来，为促进人工智能行业的良性发展，需要加强人工智能的治理体系建设，建立起人工智能行业发展的伦理和法律治理框架。

4.1.云边协同，完善人工智能基础设施<br /> 过往，数据量的增加大部分来自于电脑、智能手机等智能设备。随着5G和大规模物联网时代的到来，海量数据将在尚未海量入网的终端设备产生，给当前以云计算为核心的云架构带来了极大挑战。

在传统云计算模式下，数据从终端传送到云端，进行数据处理，再返回终端指导业务。在5G时代，尽管5G网络具备超高传输速率的特点，但网络承载网依然有带宽瓶颈，时延抖动等性能瓶颈难以突破，导致延迟、卡顿、连接成功率低等问题，企将业面临巨额带宽成本。

发展边缘计算被认为是解决以上技术难点的应对策略。边缘计算指的是，在靠近数据的来源——网络边缘（终端设备）处——执行数据处理，无需将数据传输至云计算中心，确保了数据能得到及时处理，进而对相关业务需求作出快速反应。同时，在边缘处进行数据管理比在云端和数据中心网络花费更低，成本得以下降。

不过，边缘计算无法取代云计算，未来将形成云计算与边缘计算相互协同的状态。边缘计算实际上是云计算算力向外的延伸，两者的结合才能更好满足各类应用场景的需求，为企业智能化转型开辟新的天地。

以下以智慧交通-自动驾驶场景为例进行分析。

传统上，各方对于自动驾驶的主要关注点集中在车端，研发投入也主要在车的智能化方面，即拟通过提高车的智能化和加强云端数据的连接以实现自动驾驶。

在云边协同的思路下，则可通过安装路测设备，通过提高路测智能，降低对车端本身智能化的要求。

具体来看，路测智能指的是，在边缘道路节点安装集成地图系统、交通信号系统和各类传感器接口，为车辆提供协同辅助驾驶、事故预警的服务。与此同时，汽车端，会安装配置激光雷达、摄像头等感应设备，本身也是一个边缘节点可实时采集各方面道路数据。

汽车采集到的数据与路测设备进行交互，云计算中心负责收集来自道路以及汽车的边缘数据，作为“大脑”的总指挥，负责协调统筹局面，发布调度指令。

在道路边缘侧，边缘计算数据分析、缓存的能力减轻了云端数据处理的压力，提升了数据处理速度，减少了延迟；道路边缘支持离线运行、断点续传和数据选择性传输，节省了网络流量。在云计算层，云计算负责对算法进行升级，将升级后的算法推送到前段，使得设备可持续升级和更新。

4.2.构建人工智能治理体系
人工智能极大促进了人类社会生产发展和人们生活水平的提高，不过人工智能应用在使用过程中也出现了一些负效应，主要体现在以下两个方面。

数据过度采集，侵犯个人隐私权。模型训练需要用到数据，但有些数据是个人隐私，属于个人隐私的数据有可能被不当采集或者不当使用。例如，近期“戴头盔看房”的新闻报告引发广泛关注和讨论，人脸信息是否被过度采集引起热议。
算法的不当使用，侵犯个人权益。例如，2019年，声噪一时的换脸应用“ZAO”因用户协议包含强行要求用户转移人脸数据权限不当收集用户数据而被监管部门约谈；互联网公司使用算法实现千人千面的定价，进行价格歧视等。
为了以上挑战，构建人工智能的治理体系已成为全球共识，各个主要国家已出台相关政策和法律法规引导人工智能行业健康发展。人工智能由数据、算法和算力三部分构成，而数据是人工智能发展的根基，因此目前大部分立法都围绕着数据展开，数据隐私和数据使用的平衡推进成为立法的关键。 欧盟早在2018年就推出《通用数据保护条例》(GDPR)，是目前全球最严格的数据隐私法案。

中国方面也加紧相关法案的制定工作，于近期发布《数据安全法》以及《个人信息保护法》草案，其中《个人信息保护法》对处理人脸识别等作出专门规定。此外，很多地方政府也推出了各自的法案，例如2020年10月，《杭州市物业管理条例（修订草案）》提请杭州市十三届人大常委会第三十次会议审议，规定禁止强制业主通过指纹、人脸识别等生物信息方式进入小区。

随着国家人工智能治理体系的完善，在发展和应用人工智能的过程中，企业应加强内部治理体系建设，以满足合规性的要求。企业应做到以下两个方面：

1）在制定数字化转型规划时，企业应将不同AI技术的政策风险考虑在内，如计算机视觉技术应用的数据隐私问题、模型可解释性问题等。

2）开展内部机构建设，成立专门法律和伦理机构来防范人工智能发展过程中的风险。例如，微软成立了专门的人工智能伦理委员会AETHER，成员包括工程、研发和法律等领域专家，旨在为微软在发展人工智能相关产品和解决方案过程中，提供伦理指导，符合社会伦理规范。

結論

2020年的新冠肺炎疫情，让企业意外“收获”了推进数字化和智能化的动力。关于智能化这一问题，企业的进展并不同，但经过疫情的洗礼，智能化已经不再是一个是否需要的问题，而是该以什么样的方式推进的问题。

后疫情时代，面对众多潜在的人工智能应用场景，企业在坚定智能化方向的同时，需要以业务需求为引领，探索人工智能技术应用与自身业务场景的结合点，理性评估应用价值，找到最适合自身的智能化路径。