近日，愛分析在京舉辦了2018愛分析·中國人工智慧高峰論壇。愛分析特別邀請了人工智慧領域標杆公司百分點的COO劉鈺進行主題演講。

百分點是大資料+AI行業的頭部服務商，在人工智慧落地進行了諸多實踐，特別對於人工智慧如何實現感知、認知、決策產生了諸多思考。現將百分點COO劉鈺的主題演講實錄進行分享。

人工智慧的核心：用虛擬資料創造真實價值

百分點是行業頭部大資料+AI服務商，在AI領域重點佈局認知層技術，基於自然語義處理和知識圖譜等技術提供行業智慧決策系統。劉鈺總演講的主題是《落地傳統行業，人工智慧如何實現從認知到決策》。

劉鈺： 大家好！從百分點2009年成立的第一天開始，我們所有業務與產品的出發點就是希望在數字世界創造真實價值，比如百分點第一個產品是線上的個性化推薦系統。雖然個性化推薦系統發展到現在大家已經非常熟悉了，就是如今在電商網站上普遍使用的看了又看、買了又買、猜你喜歡等推薦欄；但實際上，百分點的個性化推薦系統打通了資料的感知到認知再到決策，是一個體現大資料和人工智技術的經典SaaS產品，它實現的人和商品、人和資訊、以及人和人之間的匹配和推薦，都是智慧認知和決策的體現。

從2009年百分點發布這第一款產品開始，就已經是在做基於大資料的機器認知和決策，所以百分點做AI並不是一件新鮮的事情。

百分點在第三方個性化推薦這個細分市場上，一度做到全中國市場份額第一，現在個性化推薦已經成為電子商務的一項標配，成為海量的使用者行為資料創造實實在在的效率和價值的成熟用例。百分點在2014年正式轉型做企業級服務之後，一直都非常重視這一點，那就是，虛擬世界一定要創造真實的價值。

經過多年實踐後，我們認為人工智慧落地基本上涵蓋三方面：感知、認知和決策。我們認為，終極的智慧不管是對人來講、對機器來講，還是對要使用機器智慧的企業和機構來講，都是解決問題的智慧，而決策是最核心的地方。

近期，得益於豐富的大資料全棧產品和領先的認知智慧技術，以及行業市場的快速增長，百分點與SAP、阿里雲並列入圍國際知名諮詢機構釋出的Forrester Wave報告中的卓越表現者（Strong Performer）象限。從這個報告可以看到在“預測性分析和機器學習解決方案”這個領域，在中國市場上都有一些什麼樣的玩家，以及他們分別在什麼樣的象限。

預測性分析和機器學習解決方案這個領域對應的恰恰就是百分點從認知到決策背後的技術體系。比較熱門的各種機器學習的具體技術都在底層，全面支撐感知到認知到決策；之上還有智慧互動，比如語音互動、手勢互動等。最終形成一個技術集的融合，全面支援ToB、ToG和ToC的各種應用。

業務定義資料，對症下藥的資料才最有價值

那麼，百分點所擁有的這些技術叢集，應用到各個行業當中，如何落地？

先講一個例子，國家市場監督管理總局缺陷產品管理中心兩年前開始和我們做汽車召回的事情。傳統的會商制需要一、二十個專家，大概一個季度要花兩百多個小時，才能決定是否召回。

而使用我們系統之後隨時可以開工，在機器協同的幫助下，只需要一個操作員，在兩個小時的時間內便可以完成汽車召回的整個決策流程。

因此，認知+決策的產品和技術系統在這樣的傳統行業，同樣可以極大地提高效率，缺陷產品管理中心和我們合作到現在，合作的內容已經開始從汽車領域擴充套件到其他的品類，比如玩具和食品的召回等等，造福民生。

通過這個案例我想說明，百分點從誕生起來的第一天就是在數字世界裡面尋找創造真實價值的方法，並且在創造價值方法方面有了一些心得，缺陷產品管理中心這個案例展現了第一個心得：資料是要由業務來定義的。

我們跟很多客戶交流的時候發現，客戶很焦慮，他們認為做大資料和人工智慧產品都需要大量資料，而自己並沒有那麼多資料，怎麼辦？

我們的答案是：業務需要的資料才是有價值的資料，外面是有海量的資料，但是很多資料其實沒有價值。與企業具體業務問題有關的資料，需求量經常並不會很大。很多時候只需要將自己的內部資料充分利用起來，再加上一些公開網際網路上的資料，就已經能夠創造很高的價值了。與此同時，提升組織的資料思維、資料運營和資料創新能力，為未來擴大資料和AI應用的業務範疇奠定組織基礎。

以缺陷產品管理中心案子為例，車型的基礎資訊、市場服務資訊、國外的召回資訊等都屬於比較常規的資訊，是他們已經有的資料積累。但是消費者投訴和輿情資訊，在我們為他們服務之後發生了很大變化，這個變化在哪裡呢？原來消費者投訴需要消費者主動投訴，他們收到主動投訴信之後才會發起一個召回的調查，最終得出一個結論。現在我們的系統會幫助中心去做公開網際網路上的資料抓取，然後進行自動的語義分析，最後呈現的是一個網際網路輿論上的綜合結果。這樣就幫助中心從被動收集變成主動抓取，只需在網際網路上分析出有消費者對某一款或某一類產品有足夠多的抱怨、負面評價之後就可以主動開始開展調查，極大地改變了他們的資訊來源和工作方式。這就是業務定義資料的體現，資料並不是越多越好，對你要解決的業務問題對症下藥的才是好的資料。

找到價值回報率最高的點，從點到線再到面

再舉另外一個例子，一家國有的綜合汽車製造廠商，製造小汽車和大卡車，在思考如何運用新技術的時候，客戶也是很焦慮。他們組織員工去德國參觀寶馬無人生產車間，發現生產車間一個人都看不到，全自動化的智慧生產流程非常炫酷。但是一對照自己的現狀就焦慮了：差距太大，要改進的內容太多，無從下手。

百分點和這家廠商合作後，明確地給出建議：人工智慧的落地，要從點開始，最後連成線，多條線之後才能形成真正全面的智慧升級。

我們和客戶一起繪製了他們的生產鏈條的示意圖，首先選擇了銷量預測作為落地點，這個聽起來很簡單，但他們生產的重型運輸卡車，對這種車型來講，零配件的採購到庫存是一件極其複雜的事情，如果能夠幫客戶把這種大卡車的銷量預測做準，就可以大幅縮減配貨和生產時間，極大程度地降低生產成本。

我們的合作從銷量預測開始，一年多以後推廣到生產計劃，以及產品設計。因為這種重型卡車還面臨另外一個問題——維修費用極其高昂。當卡車的關鍵主件和配件都加入感測器，實時監測車輛的執行資料和健康狀況，就可以適時採取預防和維修措施，從而降低維修費用和事故風險。這就是百分點和客戶一起，從點到線落地大資料驅動的智慧認知和決策。

當然，全面的智慧升級可能還需要非常長的時間，但這就是我們所說的第二個心得：一定要從業務開始來推導，找到價值回報率最高的點，逐漸把它串成線，最後再到面。

業務定義產品，人工智慧落地產品各不相同

第三個心得：業務定義產品。

從認知到決策，背後的技術體系的核心邏輯是相似的三層結構：底層是資料接入之後的資料管理和操作平臺，中間層是資料處理如建模、語義分析、構建知識圖譜等認識層，上層是行業化和場景化的業務應用系統。上層是最可見的，所以，在不同行業和不同場景，客戶所看見的產品，就呈現出非常不同的形態。

先看一下這個主要應用於公安行業的產品DeepFinder，智慧安全分析系統。現在，各種線上和線下的資料越來越融通，如網際網路上的消費、轉賬和社交資料，現實生活中的地理位置、出行資料、住宿資料等。一個犯罪團伙的成員是不可能不發生交集的，那麼，有了一個嫌疑人的電話號碼、郵件、銀行帳號、出行等資料，找到通過各種方式和他產生關聯的其他人，再經過戰法模型的推理和預測，就可能挖掘出他所在團伙的其他成員。

第二個是適用於政務的DeepGoverner，智慧政府決策支援系統。這個系統很複雜，介面也很多。例如區域經濟態勢，能夠實時呈現特定區域的各項經濟指標，以及相關的人口、企業、資源（醫療衛生機構、教育機構、交通資源等）等資料，為政府進行市政規劃和資源管理提供決策模擬。

還有一個產品DeepSensor，智慧裝置健康管理系統。工業製造中有很多生產裝置的維修非常昂貴；還有一些裝置，比如發射塔、傳播站，在全國廣泛分佈，定期巡檢和維修成本也很高。而有了百分點的這個裝置健康管理系統，可以從中央控制系統中遠端檢測到裝置執行狀況，綠色正常，紅色報警，等等，大量減少人力巡檢。

最後看一個產品DeepCreator，智慧營銷系統。這個產品脫胎於百分點在零售、快消、金融等領域的多年的會員大資料管理經驗，結合大小資料在態度和行為兩方面的洞察，是我們最成熟、也應用最廣泛的產品。

綜上所述，要在資料世界中挖掘出真正的商業價值，這是百分點創業過程當中體會很深的一點，也是我們在服務客戶時的第一指導思想。

最後，我想以人工智慧之父John McCarthy的話來總結，他說：“只要人工智慧開始正常工作，就沒人把它當做人工智慧了。”這就正如百分點最早期的個性化推薦產品，實際上是大資料+人工智慧結合的產品，但是當推薦產品天天出現在你身邊時，你已經完全感受不到它其實是人工智慧，因為它已經完全融入了你的生活。謝謝大家。