作者 | 網絡大數據

來源 | raincent_com

轉眼間，2019年只剩下不到兩個月了。人工智能的熱度依舊，只是在資本市場，看空的投資人也越來越多了。從當年大數據的發展趨勢看，這種情況反而對產業發展是有利的。因為這意味著，進入賽道的野蠻競爭玩家會越來越少。

對于已經拿到賽道入場券的選手來說，如何合理配置手中的資源成為生死存亡的關鍵，同時細分市場上的領頭羊可能在這樣焦灼的市場競爭中成長為獨角獸。

對于從事大數據與人工智能相關領域多年的人來說，其最終目標還是“從數據中挖掘價值”。在挖掘價值時，具體某類技術只是整個過程中某個階段的輔助工具，單純某類技術解決不了所有問題。因此，我們基于“最終目標”劃分三大類場景去運用“大數據”和“人工智能”構建整體解決方案：

一、尋找業務增長點：數據建模能力成為核心，當前Fintech/Regtech領域需求廣泛

• 核心要素：幫助企業解決經營決策中遇到的數據支撐問題。無論是營銷還是風控，最終都是通過一些報表、模型去輔助業務人員做決策。
• 解決方案：機器學習類產品已經成為金融行業尋求業務增長點的標配工具，同時越來越多的傳統行業也開始使用大數據、人工智能等技術做輔助決策。
• 解決方案難點：由于跟業務結合緊密，雖然已經在不同行業開始落地，但實際進展緩慢。由于業務的特殊性，往往不能夠單單通過算法本身去解決所有業務問題。這同時也意味著，交付目標以及實施周期的不確定性。

二、加深業務壁壘：知識中樞成為重要工具，當前金融/安全等行業試點較多

• 核心要素：對現有業務實現優化。
• 解決方案：在這一場景中，知識中樞運用較多。我們將三大塊技術：知識圖譜、搜索引擎、深度圖譜糅合進知識中樞的概念中。首先通過搜索引擎進行行業知識檢索，再通過知識圖譜進行概念串聯，最后通過深度圖譜進行行業知識推理。
• 解決方案難點：如何將行業知識抽象出來，形成公司內部的知識系統，從而有針對性地對現有業務流程、具體業務點進行整體優化。

三、降低業務成本：自動化成為基礎要素，當前能源/交通等行業突破開始

• 核心要素：如何減少人工干預。
• 解決方案：現有的場景中，偏業務性質的自動化可以通過RPA等技術實現。RPA本身技術門檻不高，但在NLP、OCR、CV等AI技術帶領下，已逐步被用在越來越多的場景中。另一方面，由于圖像識別以及5G、邊緣計算的推動，越來越多的安防監控、無人巡檢等AIOT場景開始落地。相對于RPA，AIOT的場景給客戶業務帶來的顛覆跟價值更大。
• 解決方案難點：現實場景中的有效樣本較少，影響模型的準確率和落地。

下面我們將結合三種不同的場景來闡述六大AI趨勢。

趨勢一：Fintech/Regtech AI落地過程中，AI平臺逐步成為事實標準

AI平臺，在很多地方又稱為AI中臺/數據科學平臺/機器學習平臺/人工智能平臺，主要涵蓋的功能除了傳統統計分析軟件包含的功能以外，還包括大數據、分布式計算平臺、NLP、CV等能力。

行業先行者在探索AI落地過程中，逐步意識到AI平臺的重要性。從一開始只針對幾個小的業務線進行試點，到后續在更多的場景中推動落地，大家達成共識：與數據中臺類似，煙囪式的各自為政只會使得后續AI的落地愈加艱難。

AI平臺在Fintech市場的爆發，驗證了一個基本事實：只要業務領域有足夠通用的需求，就會出現足夠通用的平臺。數據庫本身是上一個數據的事實標準，而AI平臺則沒有一個明確的定位。由于這個想象空間，AI平臺便成了各大玩家的必爭之地。

趨勢二：數據建模開始在非金融行業的龍頭企業流行，國產化趨勢明顯

AI平臺在其他行業的試點也如同星星之火。雖然其他傳統行業的信息化水平普遍比金融略低，但也在迎頭趕上。往往這些行業取得的成果比金融要多，這是因為滿地都是順手可摘的果子，成果落地比金融行業相對容易。

這些企業原本可能使用的是SAS、SPSS或者Matlab等國外產品，現在可能在試用國產AI平臺。一方面是因為SAS等產品不足以支撐最新流行的框架算法，另一方面也有國產化層面的考量。

AI平臺作為人工智能基礎平臺，本身需要對各領域專業算法具備深入理解以及實現的能力。同時作為平臺，也有通用性、高性能以及安全可靠等各方面的平臺需求，對相關研發人員有極高的技術要求。當前，國產平臺跟SAS等比較，整體還是略占劣勢，但是在某些細分領域已經實現了超越。

趨勢三：圖譜應用開始在全行業推廣，偽需求略多，注意辨別

圖譜類的應用，主要對應于上面提到的“知識中樞”?；凇爸R中樞”去做特定行業的圖譜類應用已經在市場上流行了一段時間。

只是，一方面由于客戶對這塊有不切實際的要求，另一方面，大多數實施圖譜應用的廠商能力參差不齊，實際項目也沒辦法最終落地。

2020年對大多數圖譜類應用，客戶會有一個更清醒的認識：做什么它擅長，做什么它不行，應該怎樣做，都會有一定的經驗。這也對圖譜應用有更高的技術層面的要求，同時也對NLP算法以及圖譜算法有更多落地層面的考量，包括性能、實施周期、最終效果等。

趨勢四：深度圖譜在反欺詐、反洗錢、犯罪團伙分析等場景開始落地

由于深度學習自身相關技術的停滯，將深度學習與圖譜結合成為了學術界的主攻方向。而在反欺詐、反洗錢、犯罪團隊分析等場景下，復雜網絡分析已經成為主流的分析手段。通過深度學習與圖譜的融合，深度圖譜給傳統的圖譜分析帶來了圖譜推理的能力，從而將原有的模型精度提升到另一個高度。

然而，一旦涉及到落地，故事并沒有那么簡單。一方面，同大多數AI應用一樣，落地過程是比較曲折和復雜的。本身模型精度需要不斷迭代，同時也需要對業務非常熟悉的人員進行及時反饋，這就導致對業務跟算法的要求都非常高，一旦實施過程中出現偏差，容易有挫敗感。另外，在一些對實時性要求比較高的場景中，對底層圖數據庫的性能也有要求。而當前的市場上，圖數據庫廠商雖然多，但大多數時候沒有懂技術的人員去調優，使得真正能同時滿足性能要求和算法要求的圖數據庫鳳毛麟角。

趨勢五：視頻圖像類應用的碎片化與場景化成為AI快速落地推廣的攔路虎

CV類場景是引爆AI大火的導火索，同時，由于大多圖像場景偏識別類，跟業務離得比較遠，可以大規模地在市場上擴張。

不過，我們可以驚奇地看到，CV類的需求還在不停地膨脹。這是因為，當前市場的CV巨頭在人臉、車輛等通用需求方面進行了大規模落地，而對于一些偏碎片化的場景，比如設備故障識別、異常識別，甚至特殊場景的人臉識別，都缺乏足夠的技術支撐與耐心去推動落地。

因此，怎樣提升CV場景落地的效率成為大多數CV從業者的主要工作方向，這里面包括多個維度：第一，從科研層面去革新算法，第二，從工具層面去落實標注、訓練、部署等的一體化平臺，第三，從市場角度定義行業通用化的場景，第四，從技術角度去優化模型，從而降低實施成本。

在這個大背景下，四大CV獨角獸也好，互聯網巨頭也好，都試圖去推動平臺的落地。然而，在這樣的“四維”要求下，要踏踏實實地在細分場景中打磨通用模型、平臺，談何容易。但這也讓耕耘細分行業的小CV廠商有足夠的空間去摸索。

趨勢六：AIOT物聯網場景沒有大規模的需求爆發，細分行業開始出現落地

我們看到，所謂的AIOT場景，主要還是CV類場景帶動，但一些深入需求(如需要傳感器數據參與的預測性維護類場景)落地較少。

這跟“智能制造”的特點比較相關?？蛻粼谲囬g現場通常需要一個開箱即用的產品，而大多數AI類場景需要足夠多的時間去打磨。另外，大多數工業場景需要的不僅僅是大量有價值的數據，還需要對工業場景有深刻的理解。

首先，“大量有價值”的數據本身不大可能獲得。比如，在預測性維護的場景下，所謂“有價值”，就是指相同或者類似的設備歷史上出現故障的時候對應的數據，這種數據當然很少。其次，在部分異常數據的加持下，一般的統計分析算法可能分析不出什么。這跟金融類的風控場景不同，風控場景考驗的是人性，從人性的角度去做一定深度的分析，并結合算法就可以取得不錯的效果。而對于設備，這里需要的是一個深刻理解機械原理的算法專家。

即使面對這樣的困境，我們還是看到了一些制造業企業開始摩拳擦掌，雖然深入的AI算法用不上，簡單的BI也能提供價值嘛。

只是感嘆，Predix還是出來太早了，那2020年會有突破嗎?還是得看“智能制造”的內生動力多大，期望一些細分場景會有落地。

人工智能的2019年注定是平靜的一年，因為技術爆發以及投資引導時期已過，避免不了被冷清。然而，正如大多數技術周期一樣，當技術本身有價值且具備落地能力的時候，技術落地的過程逐步展開。

我們相信對于大多數在探索人工智能落地過程的從業人員來說，故事才剛剛開始。而對于參與炒作概念的玩家來說，也找到了新的方向：區塊鏈。

從更宏觀的數字化轉型的角度來看，還有太多的事情值得大家去落實。抓緊2019年的尾巴好好做幾個落地項目吧。