《IDC:百度大脑领导力白皮书:洞察AI趋势 激发产业新效能(40页).pdf》由会员分享,可在线阅读,更多相关《IDC:百度大脑领导力白皮书:洞察AI趋势 激发产业新效能(40页).pdf(40页珍藏版)》请在三个皮匠报告上搜索。
1、百 度大脑领导力白皮书洞 察 A I 趋 势 激 发 产 业 新 效 能230405081528363839IDC 观点把握趋势2019年AI市场展望辨识路径从技术到应用激发潜能让AI应用发挥效能直面挑战共建AI生态行动计划规划100天AI部署计划结语AI带来万亿美金新机会关于百度AI产业研究中心内容目录4IDC 观点 把握市场趋势为制定AI战略提供参考。 技术走向方面, 机器学习平台、 多模态计算、 多模型数据库将开始走向市场。 落地实施方面, AI部署过程将更加自动化, AI也将从主要在数据中心进行计算扩展至边缘计算。 应用价值方面, 业务流程自动化、 人机交互智能化将是优先受益领域。 市
2、场生态方面则体现出两大明显趋势: 软件及应用引领基础计算架构、 生态资源整合制胜。 辨识从技术到应用的路径驱动AI落地。 机器学习、 深度学习作为最基础最关键的核心技术, 驱动图像、 视频、 语音、 语义、 知识图谱等技术的应用, 未来还将向融合语音、 语义、 视频图像等多模态计算发展。 而从技术到应用, IDC在本次研究中也追踪了16个行业的应用场景。 要将这些应用在企业中落地并发挥效能, 需要行业参与者共同解决数据资源、 硬件适配、 云端协同、 工程化等诸多环节的要求。 评估AI应用效能促进商业模式重构。 全面分析所有AI应用场景可以看到: 人工智能对企业的影响深远, 从产品服务侧, 到中
3、间的生产模式、 运营模式, 再到决策端, 人工智能将从降低人力成本、 缩短流程所需时间、 降低风险损失、 带来增值收入、 提高生产效率等方面发挥效能。 人工智能在不同行业不同企业发挥的效能并不均衡, 本着 “早投资早评估早受益” 的原则, AI系统的早期投资者基本可在6-24个月内收回投资成本, 甚至获得更多投资回报。 共建合作伙伴网络帮助各方轻松拓展业务。 人工智能生态系统正在经历高度集中-各自为政-各司其职的演化进程。 为充分发挥应用效能, 行业参与者不应止步于单纯的采用这些技术, 而应积极构建和启用有助于促进各方合作的平台与服务, 从而提升整个生态系统的效率。 百度大脑: 简单易用、 全
4、面开放。 百度大脑经过两年多的开放和迭代, 目前已经升级到3.0版本,开放超140项AI能力。 百度大脑始终致力于为用户提供最丰富最开放、 简单易用的AI能力。 最后, AI行动计划可以分为六步走: 1-10天制定AI行动计划; 11-20天选择合适的启动场景; 21-40天成立项目小组, 准备数据并落实预算; 41-60天开始测试AI系统; 61-80天正式开始部署AI系统; 81-100天复制成功实践, 扩大部署规模。5过去两年间, 人工智能在中国的发展速度可谓一日千里、 遍地开花: 从企业单个业务场景试用到复制推广到更多部门, 从先行者的小范围探索到行业企业全面入局, 从语音控制、 人脸
5、识别、 OCR等单点应用到将机器学习应用在各种细分领域。 先行者正在将成功的人工智能系统实践复制到更多领域, 技术与应用双重创新驱动中国人工智能市场高速发展。 展望2019年以及其后的3年, 预计人工智能市场将再续辉煌, 新技术的渗透率将进一步提高, 将从智能流程自动化、 人机交互智能化等方面变革性地提升人类生活与工作效率。 与此同时, 市场生态也将更加高度整合。把握趋势2019年AI市场展望技术走向机器学习深度学习 开始走进传统企业 业务流程智能化自动化水平达到新高度低代码开发平台降低AI技术使用门槛软件及应用引领基础架构人工智能从云端部署向边缘计算扩展生态资源整合成为制胜关键融合视觉语音语
6、义等多模态计算开始落地人机交互趋向全面智能化落地实施应用价值市场生态多模型数据库开始走向市场六大行业全面采用AI005100708图1 2019年中国人工智能市场展望来源: IDC, 20186展望一: 机器学习/深度学习开始走进传统企业。 机器学习/深度学习将走进企业内部, 为企业提供以决策为中心的服务。 同时, 深度学习也将继续广泛应用在图像、 音频、 文本等非结构化数据处理中。 尤其是传统行业中的大中型企业, 采用机器学习平台开发人工智能应用将逐渐成为主流。 IDC预计到2020年行业前15%的企业都将采用机器学习。展望二: 融合视觉、 语音、 语义等多模态计算开始
7、落地。 仅能够看清听清的机器智能已经不能满足人类需求, 融合视觉、 语音、 语义及情感的多模态计算成为实现真正智能的迫切刚需。 预计未来三年多模态计算将在实际应用中开始落地。展望三: 多模型数据库开始走向市场。 随着物联网的投资以及企业数字化转型的进程, 企业内各种非结构化数据高速增长, 使得能够支持多种格式数据管理的多模型数据库成为迫切需求。 IDC预计到2023年, 多模型数据库的支出将达到NoSQL数据库支出的30%。展望四: 低代码量开发平台降低AI技术使用门槛。 低代码量/无代码开发平台促进AI部署自动化, 降低技术使用门槛, 使中小企业也能平等使用AI, 实现普惠AI。 用户可以上
8、传图片、 音频、 文本等原始数据, 系统即可自动训练出合适的模型。 典型的案例谷歌AutoML, 百度EasyDL。展望五: 人工智能从云端部署向边缘计算扩展。 基础架构开始向靠近数据源的边缘位置以及端侧设备转移, 而人工智能将成为最先受益于边缘计算的应用程序。 边缘设备将包含AI算法并将驱动计算能力的交付。 IDC预计至2022年, 25%的物联网端设备都将运行AI算法模型。展望六: 业务流程智能化、 自动化水平达到新高度。 机器学习驱动的人工智能将推动新一轮的业务流程重构的浪潮, 众多应用程序将被高度简化。 典型的案例如财务流程自动化、 核保自动化等众多流程自动化水平将达到新高度。 IDC
9、预计至2023年, 人工智能将取代50%的IT业务工作量, 节省20%以上的运营成本。展望七: 人机交互界面趋向智能化。 一方面语音赋能的程序越来越广泛-语音对话能力将嵌入到硬件以及应用程序软件中。 另一方面融合语音、 图像、 视频以及语义理解能力的AI将成为人类与应用程序交互的主流方式。 IDC预计到2023年, 支持AI 的人机交互接口将取代目前50%的基于屏幕的B2B和B2C的应用程序。展望八: 六大行业全面采用AI。 政府行业、 金融业、 互联网行业在经过近年的应用实践后将全面扩展AI的应用。而新零售、 新制造、 医疗领域也将成为AI市场的新增长点。 IDC预计未来这六大行业应用AI的
10、3年复合增长率将超过30%。展望九: 软件及应用引领基础架构。 软件定义计算已成为芯片厂商的重要战略之一。 软件及应用驱动AI专用芯片的阶段也将到来。 未来, 机器学习应用的普及程度、 机器学习是否始终需要大量的数据集、 深度学习神经网络的演化, 都会影响加速计算类硬件的发展路线。 机器学习技术演进、 AI应用趋势对基础架构供应商日益重要。展望十: 生态资源整合成为制胜关键。 人工智能技术正在向端侧智能渗透, 成功的应用离不开硬软件的高度适配, 这使得技术型厂商与传感器、 摄像头、 模组等细分产业的整合愈加重要。 能够整合解决方案中的各种生态要素并构建合作伙伴网络平台成为制胜关键。技术走向落地
11、实施受益领域市场生态7在未来1-3年内, 人工智能应用将渗入到企业的各项应用程序和业务场景, 势必将为组织的人力结构、 业务流程甚至所在的产业结构带来变革。 IDC预计到2022年, 中国人工智能市场规模将达到98.4亿美金。 智能化升级是大势所趋, 如何建立充分的认知和预期, 如何利用AI为企业带来经济效能, 如何做好战略部署和行动计划, 企业在未来一年内均需将这些问题优先纳入战略议程。20020006000001118.29840.3200212020图2 中国人工智能市场规模预测,2017-2022(
12、百万美元)来源: IDC, 20188辨识路径从技术到应用把握人工智能发展趋势, 了解人工智能从技术到应用的落地路径, 是制定人工智能战略的基础。 IDC将真正具备学习能力的系统称之为人工智能系统。 系统通过自然语言、 语音、 图像、视频等方式与人类交互, 从交互信息中抽取知识建立知识库, 并采用机器学习方式建立预测模型, 基于模型进行推理给出结果。 机器学习是系统实现智能化的最关键、 最基础技术, 支持系统实现智能化、 自然交互。9AI系统基础技术: 机器学习机器学习作为实现智能化的关键技术, 在工业界具体落地过程中, 又可以分为传统的机器学习和深度学习。传统机器学习算法按照解决问题的类型可
13、分为聚类算法、 分类算法和回归算法三大类, 聚类是一个无监督学习的过程, 没有给出分类, 通过相似度得到分类。 分类是一个有监督的学习过程, 目标数据库中有哪些类别是已知的, 分类过程需要做的就是把每一条记录归到对应的类别之中。 回归是一个有监督学习过程, 量化因变量受自变量影响的大小, 建立线性回归方程或者非线性回归方程, 从而达到对因变量的预测或者解释作用。深度学习: 按照拓扑结构进行分类, 可以分为卷积神经网络CNN、 循环神经网络RNN、 对抗生成网络GAN、 强化学习。 其中CNN常用于图像、 视频、 音频类数据分析, RNN则常见于文本类数据处理。 GAN常用于图像合成、 图像数据
14、超像素去噪、 语音合成和视频合成等领域。 强化学习常见于电子竞技、 库存管理、 动态定价、 动态治疗、机器人和工业自动化等领域。使用机器学习模型进行图像、 视频、 语音等类型数据处理, 如下图所示, 首先需要在该领域具备一定的数据量,有监督、 半监督机器学习还需要将数据提前标注。 完成数据准备工作后训练模型, 并对模型参数不断调优至可以上线部署。 训练好的模型部署上线后即成为一个个推理引擎, 支持自然语言处理、 图像识别、 语音分析、 海量结构化数据分析预测等。数据准备模型选择数据清洗特征筛选训练验证数据集算法选择损失函数选择参数调优正则化部署上线推理服务测试调优推理服务平台层AI平台与生态自
15、然语言处理大数据算法大计算语音图像AR/VR视频知识图谱用户理解认知层感知层基础层图3 机器学习应用开发过程图4 人工智能开放平台技术能力日渐丰富来源: IDC, 2018来源: 百度, 201810构成AI系统的技术能力由机器学习支撑的人工智能核心技术能力可分成2大类:(1) 感知技术: 智能语音智能语音是人以自然语音或机器合成语音同计算机进行交互的综合性技术, 结合了语言学、 心理学、 工程和计算机技术等领域的知识。 语音交互不仅要对语音识别和语音合成进行研究, 还要对人在语音通道下的交互机理、 行为方式等进行研究。 语音交互过程包括四部分: 语音采集、 语音识别、 语义理解和语音合成。
16、语音采集完成音频的录入、采样及编码; 语音识别完成语音信息到机器可识别的文本信息的转化; 语义理解根据语音识别转换后的文本字符或命令完成相应的操作; 语音合成完成文本信息到声音信息的转换。作为人类沟通和获取信息最自然便捷的手段, 语音交互比其他交互方式具备更多优势, 能为人机交互带来根本性变革, 是大数据和认知计算时代未来发展的制高点, 具有广阔的发展前景和应用前景。计算机视觉计算机视觉是使用计算机模仿人类视觉系统的科学, 让计算机拥有类似人类提取、 处理、 理解和分析图像以及图像序列的能力。 自动驾驶、 机器人、 智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。 近来随着深
17、度学习的发展, 预处理、 特征提取与算法处理渐渐融合, 形成端到端的人工智能算法技术。 根据解决的问题,计算机视觉可分为图像理解、 三维视觉、 动态视觉三大类。(a) 图像理解图像理解是通过用计算机系统解释图像, 实现类似人类视觉系统理解外部世界的一门科学。 通常根据理解信息的抽象程度可分为三个层次:浅层理解, 包括图像边缘、 图像特征点、 纹理元素等;中层理解, 包括物体边界、 区域与平面等;高层理解, 根据需要抽取的高层语义信息, 可大致分为识别、 检测、 分割、 姿态估计、 图像文字说明等。 目前高层图像理解算法已逐渐广泛应用于人工智能系统, 如刷脸支付、 智慧安防、 图像搜索等。(b)
18、 三维视觉三维视觉即研究如何通过视觉获取三维信息 (三维重建) 以及如何理解所获取的三维信息的科学。 三维重建可以根据重建的信息来源, 分为单目图像重建、 多目图像重建和深度图像重建等。 三维信息理解, 即使用三维信息辅助图像理解或者直接理解三维信息。 三维信息理解可分为, 浅层: 角点、 边缘、 法向量等; 中层: 平面、 立方体等; 高层: 物体检测、 识别、 分割等。 三维视觉技术可以广泛应用于机器人、 无人驾驶、 智慧工厂、 虚拟/增强现实等方向。(c) 动态视觉动态视觉即分析视频或图像序列, 模拟人处理时序图像的科学。 通常动态视觉问题可以定义为寻找图像元素,如像素、 区域、 物体在
19、时序上的对应, 以及提取其语义信息的问题。 动态视觉研究被广泛应用在视频分析以及人机交互等方面。11AR/VR增强现实 (AR) /虚拟现实 (VR) 是以计算机为核心的新型视听技术。 结合相关科学技术, 在一定范围内生成与真实环境在视觉、 听觉、 触感等方面高度近似的数字化环境。 用户借助必要的装备与数字化环境中的对象进行交互, 相互影响, 获得近似真实环境的感受和体验, 通过显示设备、 跟踪定位设备、 触力觉交互设备、 数据获取设备、 专用芯片等实现。(2) 认知技术: 自然语言处理自然语言处理是计算机科学领域与人工智能领域中的一个重要方向, 研究能实现人与计算机之间用自然语言进行有效通信
20、的各种理论和方法, 涉及的领域较多, 主要包括机器翻译、 阅读理解、 智能写作、 对话系统、 基础技术和语义计算等。(a) 机器翻译机器翻译的目标是利用计算机将一种语言自动翻译为另外一种语言, 涉及计算机、 认知科学、 语言学、 信息论等学科, 是人工智能的终极目标之一。 基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性, 翻译性能取得大幅提升。 基于深度神经网络的机器翻译使得翻译质量进一步取得跃升, 显示出巨大的潜力。 同时, 与语音、 视觉等人工智能技术结合的多模翻译也取得一系列进展, 智能翻译机、 自动同传、 AR翻译等创新产品的出现, 进一步提升了用户体验, 扩展了应用场
21、景。(b) 阅读理解阅读理解旨在让机器像人类一样, 能够持续的对海量文本进行阅读和知识积累, 从而不断提升机器的智能水平, 进行文本理解与问答。 阅读理解通过对篇章级文本的深度语义理解, 分析篇章中的主题、 关键信息、 核心关系, 进而完成知识获取、 内容理解、 文本问答等任务。(c) 智能写作智能写作是指利用计算机技术进行自动的内容创作, 或者辅助作者进行内容创作。 智能写作技术以自然语言生成技术为核心, 同时也依赖于文本挖掘、 信息抽取、 情感分析等关键技术。(d) 对话系统人机对话旨在让人类以自然语言的方式与计算机等智能设备进行交互。 人机对话技术以自然语言处理技术为基础, 有机融合语言
22、理解、 语言生成、 语音处理、 机器学习以及规划推理等重要技术, 在智能家居、 智能客服、 智能助理、 智能出行等方面都有广泛的应用。(e) 基础技术和语义计算自然语言处理基础技术, 包括各种文本处理的基本算法, 如词法分析、 句法分析、 文本纠错、 语言模型、 情感识别、 文本分类等。 语义计算旨在使机器具备文本语义计算能力, 让机器像人一样思考。 语义计算技术包含文本语义表示、 语义解析、 语义匹配、 多模态语义计算等技术。知识图谱知识图谱是一种结构化的知识库, 是一种由节点和边组成的图数据结构, 是一种将不同种类的信息连接在一起的语义网络。 知识图谱符号化地描述了物理世界中的实体及其联系
23、, 提供了从 “关系” 的角度去分析问题的能力。基于解析融合、 语义关联、 表示理解的能力, 知识图谱可以沉淀传承知识与智慧, 更好地理解意图和资源, 从而优化问答、 对话、 推荐、 推理计算等任务的效果, 提升认知系统的智能化水平。 与行业应用场景结合, 知识图谱可以广泛应用于智慧医疗、 智慧金融、 智慧司法、 智慧企业服务等方向。用户理解在AI应用场景中, 需要对C端用户有全面的理解, 用户画像是非常重要的技术方向, 可以从多个维度去刻画用户特征, 形成群体画像, 用于市场营销、 风险控制等领域。 12从技术映射到行业应用随着市场上开放的AI能力越来越丰富, 技术能够解决的企业需求也越来越
24、多, 应用场景趋向广泛化。 IDC本次研究追踪了16个行业的应用场景, 并将人工智能在企业的应用划分成产品服务、 生产模式、 运营模式以及决策端4大类, 如下表所示。 对于一些在各行业通用的场景, 比如对话式智能客服、 精准营销、 IT自动化、 威胁情报检测自动化、 办公流程自动化, 本次研究中列为跨行业通用场景。业务领域应用场景说明金融产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务产品服务身份验证采用人脸识别进行身份验证, 确保是本人操作产品服务精准营销系统采用机器学习技术结合用户画像进行产品自动推荐、 分层营销、 交叉销售等运营智能智能投顾采用机器学习等人工智能技术进行自动化投
25、资理财行为运营智能智能合规管理采用语义理解、 文本分析等判断合规风险, 使企业更高效地应对紧急的合规事件运营智能欺诈分析及检测采用机器学习、 用户画像等自动识别出隐含欺诈行为或存在高欺诈风险的交易活动运营智能信用风险评估采用机器学习评估信用卡贷款风险, 提高审批效率降低借贷风险运营智能办公自动化采用机器学习、 语义理解、 OCR等技术实现办公自动化, 提高员工生产力制造业产品服务交互界面智能化采用语音、 视频等多模态方式与用户交互生产智能质量管理及推荐系统采用机器学习、 图像视频分析等技术监测产品质量生产智能维修及生产检测自动化采用机器学习技术, 系统综合各种机器日志数据自动建模并预测潜在维护
26、需求运营智能供应链管理自动化采用机器学习预测供需关系的变化, 实现最优化配送路径、 自动补货等政府产品服务身份验证采用人脸识别、 声纹识别等生物识别方式进行身份验证产品服务政务服务采用对话式AI提供智能化政务服务, 如公民服务热线等运营智能舆情管理采用语义理解、 情感分析判断网络观点的正负面、 群众情绪等运营智能智能警务情报系统采用文本分析+知识图谱+搜索技术辅助刑侦、 技侦工作运营智能公共安全响应及预警采用计算机视觉类技术识别并追踪监控中的重点嫌疑人员, 监控交通卡口、 公共场所的安全状态零售产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务产品服务产品推荐系统采用机器学习、 用户画
27、像等主动向客户推送产品或服务产品服务自助结账采用图像识别自动识别商品并进行自动化结算, 表现形式为智能货柜、 自动售货机、 无人超市等产品服务虚拟试衣采用AR/VR与消费者互动运营智能客流分析采用视频分析结合大数据技术进行客流分析运营智能商品稽核采用图像、 视频分析技术审核货架商品陈列等情况运营智能商超止损采用图像、 视频分析执行商超安保工作运营智能安防布控采用人脸识别、 视频分析进行身份验证, 安全防护等运营智能无人车采用无人车进行货物运输、 安全保卫等专业服务/互联网/信息服务产品服务身份验证采用人脸识别进行身份验证, 确保是本人操作产品服务自动化客服采用对话式AI系统辅助人工为客户提供服
28、务产品服务营销互动采用AR、 VR等与用户交互运营智能精准营销系统采用机器学习技术结合用户画像进行产品自动推荐运营智能舆情管理采用语义理解、 情感分析判断网络观点的正负面、 群众情绪等运营智能内容审核采用语义理解、 图片分析等进行内容合规审核表1 从技术映射到行业应用场景商业地产13业务领域应用场景说明教育产品服务语言能力测试采用语音识别技术自动判定人的口语能力产品服务自适应学习采用机器学习+深度学习根据学习的过程不断修订学习计划交通运营智能车辆识别采用图像识别方式识别车牌、 车型等信息运营智能治超采用图像识别等方式识别车辆是否超载运营智能城市大脑采用图像识别、 视频分析进行交通治堵, 确保出
29、行安全运营智能高速监控采用机器学习、 图像视频发现事故异常, 提醒事故处理医疗产品服务智能导诊采用语音等交互方式为患者提供导诊服务产品服务辅助影像诊断采用机器学习辅助影像识别, 给出判断结果产品服务辅助临床决策、 用药采用语义理解+知识图谱辅助临床用药等诊疗决策运营智能电子病历采用语音识别方式将诊疗记录转化成文本运营智能知识库采用知识图谱等技术对病案、 文献等建立知识库, 以便智能决策运营智能药品研究及发现采用语义理解+机器学习等发现可能有较好疗效的新药品运营智能基因检测采用机器学习分析基因检测数据发现致病原因或者预防病变媒体生产智能智能选题采用语义理解、 机器学习等技术进写作话题的筛选生产智
30、能智能写作采用语义理解、 语言生成等技术自动生成句子、 段落甚至完整文本生产智能舆情管理采用语义理解、 情感分析判断网络观点的正负面、 群众情绪等运营智能办公自动化采用机器学习、 语义理解、 OCR等技术实现办公自动化能源行业产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务生产智能维修及生产检测自动化采用机器学习技术, 系统综合各种机器日志数据自动建模并预测潜在维护需求运营智能办公自动化采用机器学习、 语义理解、 OCR等技术实现办公自动化产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务运营智能智能网络采用机器学习自动识别网络故障、 潜在攻击等运营智能自动化网络采用机器学习
31、进行网络智能化调优、 编排和运营产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务产品服务营销互动采用AR、 VR等与用户交互产品服务精准营销系统采用机器学习技术结合用户画像进行产品自动推荐运营智能内容审核采用语义理解、 图片分析等进行内容合规审核生产智能自动分拣采用图像、 视频分析对农产品进行自动分拣生产智能农作物监测采用图像、 视频分析等自动监测农作物生长状况产品服务对话式家居采用多模态交互方式完成人的指令, 或者与人自然交互产品服务家庭安保采用人脸识别进行身份验证, 视频分析监控环境安全等产品服务家庭健康管理采用对话式AI等进行慢病管理、 提醒用药等机器人产品服务服务机器人采用对
32、话式AI、 图像识别等提供服务生产智能工业机器人采用机器视觉在工厂车间服务跨行业通用产品服务自动化客服采用对话式AI系统辅助人工为客户提供服务产品服务精准营销系统采用机器学习技术结合用户画像进行产品自动推荐运营智能IT自动化采用机器学习分析网络流量、 自动检测IT故障等运营智能威胁情报自动化及预防系统采用机器学习自动发现以及预测威胁情报运营智能单据识别采用OCR技术识别证件、 影像、 财务单据等运营智能办公自动化采用机器学习、 语义理解、 OCR等技术实现办公自动化决策智能决策模式智能化采用机器学习等对传统的商业智能及分析技术进行升级*注:有些应用场景既在行业垂深场景中出现也在跨行业通用场景中
33、出现,若应用场景重复出现,说明此类应用已经在该行业内大规模应用。来源: IDC, 2018文化娱乐智能家居电信农业14易上手、 操作简单的技术堆栈是刚需。 AI系统涉及到数据准备、模型训练、 测试调优多个环节, 也存在对分布式系统的需求。其中数据准备环节、 测试调优环节都需要耗费大量的时间, 分布式系统的资源管理也需要应用到容器技术等。 自动化、 低代码的开发形式有助于推动人工智能应用快速实施部署。面向垂深场景下对模型进行调优。 不管是行业特色应用场景,还是跨行业通用场景, 几乎都需要对原有的算法模型进行调优, 通过读取该特定领域的数据, 优化模型参数, 来确保在该场景下的预测准确率。硬软件适
34、配-从数据中心到端侧的硬软适配。 一方面在数据中心部署AI应用需要选择适配的基础架构, 比如是GPU加速还是FPGA加速。 另一方面在端侧, AI技术应用也需要终端硬件支撑, 这就要求模型必须针对不同的终端进行优化, 才能保证经软硬一体化适配后的终端运行效果最优。 硬软件适配是AI从技术到应用需要解决的重要挑战之一。IDC目前追踪了近70个应用场景, 随着市场上开放的技术能力越来越丰富, 预计未来将有上千个应用场景能够落地。 而要将人工智能技术落地到企业进行应用并且发挥效能,需要着力三点: 简单易用的技术堆栈, 面向垂深场景的模型调优以及解决方案中硬软件的适配。人工智能发展到现在, 已不再仅仅
35、是实验室中的数据模型。 产业界正在不懈地探索人工智能应用落地的路径, 在寻找真正促进产业智能化的解决方案。 分析领先的落地应用案例可以看到, 人工智能已经在企业多个业务环节中产生价值, 带来效能。15在众多已经落地的人工智能行业应用案例中, IDC发现仅有不足5%的企业评估过人工智能带来的应用价值; 10%的企业一定程度上可以梳理出人工智能带来的价值, 有30%的企业担心过早评估经济效能会阻碍人工智能系统的后续采用, 55%的企业未考虑过投资人工智能系统带来的回报。 IDC在本次研究中提出企业评估人工智能应用效能的初步框架, 希望为行业企业就如何评估人工智能效能并建立合理预期提供参考。激发潜能
36、让AI应用发挥效能5%55%10%30%10%的企业,一定程度上可以理清人工智能带来的价值55%的企业未考虑过投资人工智能系统带来的回报30%的企业担心过早评估经济效益会阻碍人工智能系统的后续采用仅有不足5%的企业,已经评估过人工智能带来的经济价值图5 您是否评估过人工智能为您的组织带来的价值?来源: IDC, 201816缩短产品上市时间从而提高生产效率通过预防性维护来提高良品率,降低产品质量问题损失生产车间的资产优化来提高资产利用率节省能耗以降低成本产量提升造成生产力提升带来更多收入更快的客服响应速度,更好的用户体验,并可能带来新机会通过用户画像获得新的销售机会并带来新的收入更少的客服人力
37、资源投入从而降低客服中心成本降低欺诈风险带来的损失AI系统增强客户交互过程以提高用户黏性,确保收入增长对仓储物流进行高级预测分析以提高周转率确定研发方向,降低无效研发损失开发新产品以带来新收入IT 运维效率提升 以降低IT基础设施投入,提高IT人员人均产出高级预测分析以判断企业发展方向,寻找增长机会产品服务智能化生产模式智能化运营模式智能化决策智能化IDC将AI会影响到的部门简单分成4类: 产品服务, 生产模式, 运营模式,决策模式, 如下图所示。AI在企业各部门的应用价值AI应用效能评估框架人工智能可以为企业的各个部门带来效能, 只是由于在不同行业的应用侧重点和优先级不同, 带来的价值也不尽
38、相同。 但几乎所有的人工智能用例带来的效能都体现在时间、 人力等生产资源的节省、 成本的降低以及生产力的提升、 带来收入的增长等方面。 因此本次对人工智能应用效能的研究, 一方面关注AI应用对不同的职能部门发挥的价值, 另一方面从单个用例出发来评估其效能。图6 行业企业AI应用效能评估来源: IDC, 2018办公自动化以提高生产效率,提高人均产出17产品服务智能化产品服务智能化主要包括售前-售中-售后客户交互与服务环节以及用户行为分析等。 在客户服务环节采用对话式人工智能为客户提供智能服务等, 既能提高用户满意度, 还能降低呼叫中心人工客服成本。 在用户交互环节采用AR/VR等技术可以在提升
39、用户体验的同时带来新的销售机会。 将AI应用在用户行为分析中, 可以在为用户提供更好服务的同时, 发现更多销售机会并增加额外收入。生产模式智能化生产模式相关的场景主要在于工厂、 车间、 生产线等, 典型的应用包括产品质量检测、 车间生产环境安全监控等。 通常产品质量检测主要是进行外观检测, 通过外观检测保证产品质量, 在提升良品率的同时, 也降低了质量问题带来的负面损失成本。 生产环境安全监控也主要是通过车间的图像、 视频分析, 来确保生产环境安全, 降低生产事故造成的损失。 对生产环境的能耗进行监测预测, 则可以从降低能耗的角度降低成本。运营模式智能化 运营模式场景主要在于物流、 运营管理以
40、及研发, 典型的应用包括供应链智能化、 企业应用智能化以及以决策为中心的运营智能化。 采用机器学习进行仓储物流分析, 预测市场供需变化, 做到智能补货, 可以提高周转效率以及生产效率。 而对市场行情变化建立知识库并预测市场趋势, 也有利于提升企业的生产效率。 企业应用智能化以及办公流程智能化则可以明显提升员工生产力, 不必在高频重复性工作上浪费时间和精力, 员工可以为企业带来更高的价值。决策模式智能化 主要指企业战略级决策模式智能化。 对企业原有的分析方式进行智能化升级, 有助于企业高效应对市场变化并建立起清晰的竞争优势。 升级的方式包括对企业的商业智能、 商业分析系统应用机器学习进行高级预测
41、分析, 支持对话式人工智能方式随时随地实时获取商业洞察等。高级预测分析以判断企业发展方向,寻找增长机会在不同的行业中, 应用AI对各个环节产生的效能也不尽相同。 在2018年1月面向行业企业有关人工智能采用现状的调研中, 当问到 “AI对您的企业哪个部门最有价值”(多选题) 的时候, IDC发现有58%的受访者认为应用人工智能对生产开发部门最有价值, 超过40%的人认为对客户服务、 产品营销侧最有价值, 有38%的受访者认为人工智能对企业运营部门最有价值, 还有37%的受访者认为对企业战略很有价值, 其次是IT、 财务以及行政类运营部门。58%49%43%38%37%29%25%21%生产开发
42、销售、营销企业战略财务部门客户服务运营部门IT部门行政部门图7 您认为AI对您的企业哪个部门最有价值?来源: IDC, 2018年全球人工智能采用现状调研, N=40018AI为企业带来的整体效能从AI为企业各部门带来的应用价值可以看出, 几乎所有的人工智能用例价值要么是节省了人力成本, 要么是降低了时间消耗,或者是资源消耗, 或者直接提升了生产效率, 最终都会以直接带来新的收入、 或者降低固有成本或者提高生产力的方式为企业带来经济效能, 促进业务流程自动化、 智能化。 在本次调研中, IDC看到超过30%的受访者认为采用人工智能将为企业降低成本或者带来更多收入, 其次是认为采用人工智能将提高
43、员工生产力或者缩短工作流程所需的时间, 只有6%的受访者认为采用人工智能是为了降低人力需求。 而要评估AI为企业带来的整体效能, 需要从单个用例出发分别计算。降低成本增加收入产品服务智能化生产模式智能化运营模式智能化决策模式智能化缩短流程所需时间提高生产效率A I 应 用 效 能提高员工生产力提高资产利用效率降低人力需求图8 AI为企业带来的整体效能评估来源: IDC, 20181939%33%20%18%16%6%降低成本增加收入缩短流程所需时间,提高生产效率提高员工生产率提高资产利用率/降低资产消耗降低人力需求典型行业应用案例制造行业在制造业, 人工智能将优先为产品服务、 生产模式以及运营
44、模式带来高效能。 在产品服务侧, 设备智能化为企业带来新的增值收入。 在生产模式方面, 生产车间采用图像识别进行产品质量检测、 安全生产监督, 在节约人力成本的同时, 还能提高良品率, 加强企业安全保障。 初步测算, 对于单个中小型工厂, 良品率提升1个百分点, 每年就能够降低数千万的成本, 对于大型工厂, 这一成本节省将能达到数亿元。 在运营模式上, 供应链管理智能化对制造业也尤为重要, 运用机器学习预测销量、 优化配送路径、 智能补货将显著提高库存周转率、 货品配送效率等。效能体现产品服务生产模式运营模式决策模式人力成本缩减降低时间成本降低资源能耗提升生产效率增加新收入降低时间成本提高生产
45、力收入设备智能化带来新的增值收入良品率提升: 1-6%降低生产成本投入上亿元降低质量问题损失数千万生产效率提升20%以上提高库存周转率提高货品配送率AI塑造核心竞争力图8 AI为企业带来的整体效能评估图9 您认为采用人工智能会给您的组织带来何种价值?图10 制造业人工智能应用效能案例来源: IDC, 2018来源: IDC, 2018年全球人工智能采用现状调研, N=40020投 资回 报时间从人工逐个检测到0.2秒即可完成投资一台相机,实现顶面所有螺钉检测实施时间两个月,复制此成功案例则仅需半个月效能 提升空调生产良品率经济价值 节省因为质量问题每月数万元罚款美的集团采用AI系统提高良品率,
46、每月节省数万元提升良品率是制造业生产车间的工作重点之一。 一方面产品上市前的测试、 验证环节会产生一定成本, 另一方面, 较低的良品率可能还会因为质量问题带来罚款。 美的公司采用图像识别技术通过监测空调外观来保证空调出厂质量。 美的在空调生产车间部署摄像头, 以此来检测空调上的螺丝是否都成功安装。 对空调质量的保证可帮助工厂避免每月因为质量问题而需缴纳的数万元罚款。 降低因质量问题带来的成本是美的投资该人工智能系统并获得ROI的重要保证。图11 美的集团空调生产车间应用效能案例来源: IDC, 201821领邦智能通过深度学习技术进行精密零件外观质检,平均可降低工厂生产成本15%作为世界工厂,
47、 中国的零件生产占全球70%份额, 而零件生产行业在制造业中占半壁江山, 其中小零件在数量上占整个行业的80%。 在零件生产行业, 质检部门人员占全体人员20%左右。 面对人口红利的消失, 国内的零件质检用人成本不断提高, 为了实现利用机器智能对精密零件外观缺陷的准确识别, 有效降低企业生产成本, 领邦智能搭建了基于深度学习平台的领邦质检大脑。 基于百度PaddlePaddle框架训练深度学习模型, 领邦质检大脑对零件外观进行检测, 能够高效准确地识别出问题零件及其种类, 精度可与人工检测持平, 检测速度可以达到20ms/个。 经测算一台检测机器可以代替10个熟练质检工人, 能够帮助企业降低生
48、产成本15%以上。富士康智能设备维保减少员工投入富士康作为一家具有代表性的3C代工厂, 在当前人口红利逐渐消失, 用工成本逐渐上升的的压力下, 一直在探索如何利用人工智能技术降低人工成本, 实现增效减员的目标。 早在2016年, 富士康已经意识到人工智能对制造业的重要性, 每年保持将收入的2%-5%用于人工智能的研究。 富士康公司建立自己的人工智能学院, 与互联网形成战略合作, 促进人工智能技术赋能制造业。 在模具生产中, 刀具的使用情况直接影响产品的质量, 因此工厂需要在设备维保环节投入大量人员确保刀具状态良好。 富士康利用人工智能技术, 实时采集数控机床上的刀具磨损的状态数据,建立基于深度
49、学习的模型算法, 对需要更换的刀具提前预警, 实现刀具的自动补偿, 在确保产品的质量水平的同时, 减少了人员的投入, 使原来每条生产线需要5-6名维护人员降至1-2名。 人工智能的应用缓解了人口红利消失对制造业发展的影响, 有助于制造业实现数字化转型。22效能体现人力成本缩减降低时间成本降低资源能耗提升生产效率增加新收入降低成本提高生产力收入产品服务银行对话式客服代替人工回答70%的问题AI系统为保险公司节省人工审核费用2亿以上生产模式智能投资理财运营模式反欺诈过程降低20%以上的损失AI让银行反欺诈系统准确率提高5倍以上 因风险降低而增加10%以上的收入风险管理效能整体提升15%以上决策模式
50、AI塑造差异化竞争优势金融行业在金融业, 人工智能应用效能最高的在于产品服务以及运营智能环节, 其次是生产智能以及决策智能。 在产品服务侧, 对话式人工智能的采用可代替人工回答70%以上的问题并直接节约呼叫中心成本; 人脸识别等生物认证方式不仅优化了用户体验, 也可以助力智能柜台的广泛应用, 也降低了人力成本; 基于用户画像、 知识图谱的精准营销、 交叉销售、 产品推荐更是为金融业带来了更多销售机会。 在运营环节, 在风险管理方面应用AI效能最为显著, 2018年的落地案例表明AI可以在反欺诈过程为银行降低20%以上的损失并因此增加10%以上的收入, 可以说AI将为整个风险管理过程提升15%以