金准人工智能解析AI万亿美元级价值潜力Word文档格式.docx

1、AI价值潜力：3.5万亿到580亿美元（行业年产值）2.人工智能在不同行业的价值对于通讯行业，运营商有大量的结构化的客户数据，非常适合传统分析技术和AI分析技术，AI的潜在价值是行业年收的3%到6%，超过1000亿美元。同样的，对于公共部门，大量的数据和用例亦使其成为AI比较成熟的应用领域，但数据隐私和分析成功的可解释性/逻辑透明性限制了潜在的价值。金准人工智能专家认为，尽管如此，公共部门依旧是AI技术非常大的潜在机会点。AI分析技术还将用于各个行业的风险管理，如保险业更为精准的风险评估和保费设置，制药公司将AI算法用于降低临床试验风险，矿业公司预测生产中断风险，实现更有效的勘探、钻探和开采规

2、划等。此外，AI还可创造新的产品和业务模式，如用于银行客户类型识别，可以有效改进的欺诈检测。AI最大的价值机遇是供应链管理和制造业中营销和销售环节。对于公司而言，他们必须检查自己的部门组合，理解行业的价值驱动，寻找人工智能的布局机会，已确定合适的投资部署。此外，零售与高科技等消费行业将出现更多AI营销和销售应用，这是由于更为频繁的数字交互，特别是对电商平台而言，基于AI分析实时制定促销、价格和产品动态，利用生成模型优化端到端的供应链等，将有效降低各项成本，提高运营效率，实现精准营销。AI最大的价值机遇是供应链管理和制造业中营销和销售环节二、人工智能简明释义为帮助建立更为具象的AI技术框架，金准

3、人工智能专家对重要的人工智能相关概念进行简明释义。人工智能指人造的机器智能，由1956年达特茅斯会议上正式提出。机器学习是实现人工智能的主流手段，是基于一种数据训练的模型，即机器通过分析大量数据进行学习，无需编程从而归纳和识别特定目标，重在发现数据之间内在的相关性并做出预测。各类分析技术在19大领域中的热度1.神经网络神经网络技术是机器学习下属的一个概念，本质上是从信息处理的角度对人脑神经元网络进行抽象模拟，从而建立计算模型。基于神经连接的计算模型在上世纪40年代开始受到重视，大量的训练数据（包括图像、视频和语音）成功的实现了数据分析。在深度学习发展之前，神经网络通常只有3到5层，和几十个神经

4、元/节点；深度学习之后，神经网络扩展到7到10层，甚至更多层，模拟神经元数目增至百万量级，从而面向更为复杂的问题实现更为可靠的处理。当下兴起的人工智能，主要就是大规模的深度学习。具体来看，神经网络有三类主要形式：1.1前馈神经网络前馈神经网络（Feed forward neural networks）是最常见的人工神经网络。在这种结构下，信息只向一个方向（向前）移动，即从输入层经过“隐藏层”到输出层，没有循环网络。首个单节神经网络在1958年提出，经过计算能力和训练算法的大发展，前馈神经网络展现出了更高的性能水平。1.2循环神经网络循环神经网络（Recurrent neural network

5、s）指结构中包含节点定向连接成环（loops）的人工神经网络，非常适合于处理（手写、文本、语音形式的）任意时序的输入序列。2016年11月，牛津研究报告显示，基于神经网络（和卷积神经网络）的系统在唇语识别应用中实现了95%的准确率（有经验的人类唇语者准确率近52%）。1.3卷积神经网络卷积神经网络（Convolutional neural networks）是一种深度前馈人工神经网络，其逻辑结构受动物视觉大脑皮层的启发，对于大型图像处理（视觉感知任务）有出色表现。最好的AI系统识别能力已经超过人类2.其他机器学习概念从学习的方式来看，机器学习分为监督式学习（训练数据集中的目标由人标注的）、非监

6、督式学习（训练集没有人为标注）、半监督式学习（训练集被部分标识）和强化学习（输入数据作为模型的反馈）。从算法的类型来看，常见的机器学习算法有决策树算法（采用树状结构建立决策模型）、回归算法（对连续值预测）、分类算法（对离散值预测，事前已经知道分类）、聚类算法（对离散值预测，事前不知道分类）、神经网络和集成算法（集成几种学习模型）。为帮助后文理解，金准人工智能专家进一步说明两类在新生业务中极具潜力的机器学习技术：不同用例中的数据类型（结构化程度、时序性、文本or音频or视频or图片）不同类型数据的AI价值2.1生成对抗网络/GANs生成对抗网络（Generative adversarial ne

7、tworks）是深度学习领域的一个重要生成模型，即两个网络（生成器和鉴别器）在同一时间训练并且在极小化极大算法（minimax）中进行竞争。这种对抗方式避免了一些传统生成模型在实际应用中的一些困难，巧妙地通过对抗学习来近似一些不可解的损失函数，在图像、视频、自然语言和音乐等数据的生成方面有着广泛应用。2.2强化学习强化学习（Reinforcement learning）本质上就是通过试错实现模型优化。目前，强化学习已经被广泛采用，包括谷歌Deepmind的视频游戏和AlphaGo。3.分析技术之于实际问题分析技术：从经典到前沿（将深度学习神经网络、迁移学习和增强学习定义为AI技术）分析技术在不

8、同业务类型中可以解决多种实际问题，包括：分类（Classification），即根据一组训练数据，将新输入的数据进行分类的业务，主要任务为识别特定物理对象（如卡车、汽车、生产线上接受质检的产品等）的图形；连续评估（Continuous estimation），即根据训练数据，评估新输入数据的序列值，常见于预测型任务，如根据销售数据、消费者态度、天气等数据来预测消费需求，或者根据建筑物的相关数据和照片来于猜测房产价格等；集群（Clustering），即根据任务数据创建系统单个组类别，案例有，基于特人数据的消费偏好；其他优化（All other optimization），即系统根据任务产生一组输

9、出为特定目标的函数优化结果，案例有，基于用户（时间、费用、偏好等）需求的最佳交通路线推荐；异常检测（Anomaly detection），即根据训练数据/历史相关性判断输入数据是否异常，本质上是分类功能的子范畴；排序（Ranking），常见于信息检索问题，即基于检索需求按照某种排序标准呈现结果，比如提供产品购买推荐等；建议（Recommendations），即根据训练数据提供建议，比如根据个人购买历史行为推荐“下一个产品”；数据生成（Data generation），即根据训练数据生成合适的新数据，用例包括音乐创作等，即根据音乐素材在特定风格下创作出新的音乐片段。不同类型实际问题涉及的分析技术

10、（条状图表征该问题中AI技术的价值和潜力）三、从用例看潜力金准人工智能专家认为，人工智能算法跟传统算法相比，在性能方面的优势（总体而言，AI分析技术能带来传统之外的30%到128%的行业价值提升）：AI分析技术的价值潜力（左为AI与传统分析技术的对比，右为AI分析为19大行业带来的潜在价值增量）1.预测维护传统系统，已经能够对传感器时序数据，包括检测温度、振动状态等，进行分析，实现预测异常检测和预测维护（对组件的剩余使用寿命做出预测）了。但深度学习将这个功能带到了一个新的高度：可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉

11、价的麦克风和照相机）也能被用起来。在被调研的案例中，这种基于AI技术的预测维护（远程机载诊断技术），可以帮助企业减少停机时间，制定有计划的干预措施，提高产量，并降低经营成本，对应的经济价值约为总销售额的1%到2%。在货运飞机的案例中，AI技术加持的预测维修，能够延长飞机寿命。因为相比于传统模型，它能更有效的结合平面模型数据、维护历史、物联网传感器数据（包括发动机振动数据、发动机状况的图像和视频等）。2.物流优化以AI为导向的物流优化可以实时预测，降低成本，指导行为，提高燃油效率，减少交货时间。在一个欧洲货运的案例中，基于AI技术的车辆性能检测和驾驶员行为分析，司机能够获得实时指导（合适加速、减

12、速等），以优化燃料费用并降低维护成本，货车公司省了15%的燃油费。在一个航空案例中，航空公司基于AI预测交通拥堵和天气相关问题，避免了昂贵的取消费用。对于每天航线近十万的公司而言，哪怕减少1%的取消飞行，也意味着很大的不同。3.客户管理金准人工智能专家预测，AI正在成为客户服务管理和个性化市场营销的重要工具。呼叫中心将AI用于语音识别（不仅是语言内容，甚至是情绪语调）和呼叫路径规划，可以更有效的为客户提供更为无缝的体验；在销售领域（如亚马逊和Netflix），AI也成功的用于个性化的“下一个”产品推荐，大幅提高了销售转化率；在保险领域，汽车保险保费可以根据驾驶数据（驱动模式和距离）进行调整；对

13、于旅游公司，全方位的客户视图（额外的酒店、航班服务）将帮助增加10%到15%的收入，相当于总营收的7%到12%，价值是传统分析的两倍以上；在零售业，SKU性能数据能被用于优化促销策略。各类分析技术在九项业务中的应用热度根据金准人工智能专家调研，69%的案例中AI分析技术完成了对传统分析技术的性能优化，16%的“绿地”案例非AI不可。“绿地案例”主要存在于客户服务等商业领域，如疾病诊断、改善护理等，对应的数据丰富（大量音频、视频、图像和文本），还需要整合人类的反应。此外，还有15%的案例是AI分析，或者说深度学习不适用的，比如药品和医疗产品、电信等领域，一方面是受限于现有的技术和该领域不够充足的

14、结构化的数据量（据估计，一个监督学习算法要实现可接受的性能，每个类别需要至少5000个标记过的数据），另一方面受限于行业和监管问题。除了使用深度学习提高分析性能之外，很多常见的消费产品，如Siri、Alexa和Cortana，甚至基于图像处理的自动驾驶也在发展中。对于这些AI系统，数据采集和再培训是必要的（需要至少每月更新一次，有时甚至是每天更新一次）。除了数据量和多样性之外，训练数据的刷新也很重要，特别是销售、供应、管理和制造业领域。对于大约三分之一的用例，AI分析模型需要频繁更新（四分之三的情况需要每月更新一次，近四分之一的情况至少每周更新一次）四、前路的挑战尽管人工智能前途远大，它依旧面

15、临着诸多的挑战和限制。从数据的角度出发，金准人工智能专家认为可以把困难归纳为五点：训练数据的标记常常需要人工手动，难以获取足够大且全面的训练数据集（特别影响医疗用例），模型透明度有待提高（直接影响汽车、医疗认证等领域的应用），学习缺乏可概括性（难以从一个应用迁移到另一个相似的应用），数据和算法中存在偏差的风险（更社会化的问题）。此外，人工智能还存在恶意使用的问题，包括更为复杂的黑客攻击和高度个性化的政治虚假信息运动、欺骗性的视频等一些列安全威胁。考虑到数据的关键性，金准人工智能专家认为，对于企业和组织来说，制定数字战略，建立数据中心（或者更普适的，选择云供应商），争夺高级人才，思考获取和生成数据的方式，至关重要。技术方面，组织必须开发出健壮的数据维护和治理流程，并实现软件现代化（如Agile和DevOps），并确保AI分析被实例化，克服“最后一英里”（组织挑战）。总结金准人工智能专家认为，AI作为当下信息技术革新的主要动力之一，指向了庞大的经济和社会价值，正在将各个参与者，包括（技术）革新者、公司和政策制定者等，凝聚起来，从而营造充满活力产业环境，确保更为安全、有效的经济和社会福利。现有案例足够说明，AI技术的引进，不仅将深化传统技术价值，更将拓展新的产品和业务形态。对于企业而言，相关数字战略的制定，迫在眉睫。