1、AI案例精选德勤人工智能研究院 AI案例精选 | 德勤人工智能研究院关于德勤人工智能研究院德勤人工智能研究院帮助各组织连接强大、 高度动态和快速进化的AI生态系统的各个维度。 德勤人工智能研究院以前沿的见解， 引领各行业应用AI创新的对话， 以促进 “智能时代” 的人机合作。德勤人工智能研究院旨在促进AI的对话和发展， 激发创新， 并研究AI面临的挑战以及应对挑战的方法。 德勤人工智能研究院与由学术研究小组、 初创企业、 企业家、 创新者、 成熟AI产品领导者和对AI有远见卓识的人组成的生态系统合作， 探索AI的关键领域， 包括风险、 政策、 道德、 工作和人才的未来以及应用AI案例。 结合德

2、勤在AI应用方面的深厚知识和经验， 该研究所有助于理解这一复杂的生态系统， 并据此提供有影响力的观点， 帮助组织通过做出明智的AI决策以取得成功。无论你处于AI旅程的哪个阶段； 无论您是董事会成员还是推动组织战略的高层领导者， 还是将AI战略付诸实践的数据科学家， 德勤人工智能研究院都可以帮助您更多地了解世界各地的企业如何利用AI以获得竞争优势。 欢迎访问德勤人工智能研究院了解我们的全部工作， 订阅我们的播客和时事通讯， 参加我们的现场活动。 让我们一起探索AI的未来。 AI案例精选 | 德勤人工智能研究院1目录01介绍202消费行业403能源、 资源和工业(ER&I)1604金融服务业 (F

3、SI)2805政府和公共服务 (GPS)4006生命科学与健康管理5207技术、 媒体和电信 (TMT)7408结论87 AI案例精选 | 德勤人工智能研究院2 AI案例精选 | 德勤人工智能研究院经过几十年的科学幻想， AI （AI） 已经跃升到了现实， 并迅速成为竞争的必需品。 然而， 在当前AI发展和应用的狂潮中， 许多领导者和决策者仍然对AI能为他们的企业做些什么存在重大的疑问。 本文重点介绍了六大行业中数十个最引人注目、 可应用的AI案例。 每个案例都归纳了关键业务问题和机会、 AI如何提供帮助以及可能的益处。 本文还包括每个行业的几个新兴AI案例， 这些案例预计将在未来产生重大影响

4、。当然， AI的最佳应用因组织而异， 除了这里强调的应用外， AI还有许多引人注目的用途。 然而， 通读本文可以使您更清楚地了解AI在当前和未来几年的商业环境中能够实现什么， 这样您就可以明智地决定何时、 何地以及如何在您自己的组织中部署AI （以及你今天应该投入多少时间、 金钱和注意力） 。介绍Nitin Mittal美国AI联合领导者德勤咨询Irfan Saif美国AI联合领导者德勤风险与财务咨询 AI案例精选 | 德勤人工智能研究院AI创造价值的6种方式综观所有AI案例， AI通常有以下六种主要方式为企业创造价值:1转变交互方式 改变人们与技术互动的方式， 使企业能够以人的方式与人打交道

5、， 而不是强迫人以机器的方式与人打交道。 示例使用能够理解和响应客户情绪的对话式机器人， 更有效地满足客户需求。推动创新 通过使用AI实现创新的新产品、 市场和商业模式， 重新定义战场以及如何获胜。示例根据从社交媒体挖掘的客户需求和偏好推荐新产品和功能。 强化信任确保业务不受欺诈和网络诈骗等风险的影响， 提高质量及一致性， 同时提高透明度， 增强品牌信任。示例在网络攻击发生之前识别和预测网络攻击。降低成本应用AI和智能自动化解决方案以实现价值相对较低且经常重复任务的自动化， 可以通过提高效率和质量来降低成本。 示例使用自然语言处理实现数据输入加快执行通过最小化延迟， 减少实现运营和业务结果所需

6、的时间。示例通过使用预测性洞察创建合成试验，加快药物批准过程。 降低复杂性 通过更主动、 更具预测性、 更能发现规律的分析， 提高理解和决策能力。 示例通过预测机械维护需求， 以减少工厂停工时间。3 AI案例精选 | 德勤人工智能研究院4 AI案例精选 | 德勤人工智能研究院4AI 档案 | AI案例精选消费行业AI档案在我们看来，消费行业涵盖了广泛的业务，包括消费品、零售、汽车、住宿、餐饮、旅游和交通。这些看似完全不同业务的共同点是，它们都将重点放在服务客户上，并共同解决当前和未来的业务问题。与消费者相关的企业正在积极探索利用AI方案，涌现出许多有价值的案例。然而，AI的应用和成熟度因各种原

7、因而不同，如：由于数据质量和复杂性而产生的可扩展性；组织结构与人才匮乏；缺乏信任。随着时间的推移， 随着AI技术越来越广泛地为企业和消费者所接受，对AI建立信任的任务可能会变得越来越容易5 AI案例精选 | 德勤人工智能研究院然而，对于大多数组织来说，最大的挑战是从概念到规模化的转变。对于与消费者相关的企业，这一挑战可能特别困难，因为许多企业拥有大量历史数据和分析平台、分散的数据和分析操作，以及（在许多情况下）分散的权力和责任，无论是跨业务部门，还是跨独立运营的特许经营企业。这通常会导致数据不一致、质量差和可用性受限，这可能是AI系统的一个大问题，因为AI系统往往是数据密集型的（输入的质量直接

8、影响输出的质量）。另一个常见的障碍是实现业务和IT利益相关者的一致和整合。通常，AI用于组织的孤立区域，有时与IT合作，有时不使用AI。然而，为了在规模上实现AI的全部优势，业务和技术集成计划（以及变革案例）非常重要。类似地，在许多组织中仍然缺乏对AI的信任，以及AI可以和应该做什么。解决这一问题应包括协调变更管理方法，以便与领导者和团队沟通，并听取/解决他们的担忧。对于无法直接控制这一关键要素的企业来说，大规模部署AI可能很难实现。 随着时间的推移，随着AI技术越来越广泛地为企业和消费者所接受，对AI建立信任的任务可能会变得越来越容易。每一次成功的AI部署都会促进一个良性循环，提高人们对AI

9、的理解，并有助于扩大未来AI应用的规模和范围。此外，由于这些学习算法和解决方案减少了提供见解和决策行动所需的工作量，由此带来的运营改进通常会增加信心，并提高投资回报。展望未来，面向消费者相关业务的AI系统预计将变得越来越自主，改变公司的货物运输方式，提高流动性，改变他们管理员工的方式，同时在整个生态系统中日益相互关联，使AI能够从从头到尾为业务流程增值。6可能的益处提高效率和效益。AI可以帮助一家公司在其全球地面、 空中和海上业务范围内有效地扩展其业务，提高效率和效益。减少停机时间和维护成本。技术可以减少与维护相关的成本和停机时间更高的收入。AI有助于改善物流定位， 以更好地满足需求并实现收入

10、最大化。 AI案例精选 | 德勤人工智能研究院不仅仅是车队改进（车队网络优化）使用AI和机器学习为地面和空中飞行创建优化的网络计划，最大限度地提高业务线内部和跨业务线的效率。问题/机会不高效的网络计划每年花费数百万美元。另外，据商业杂志报道，85%的船方和收货人认为他们的行业在实施新技术方面明显落后于其他行业。 AI如何提供帮助 优化车队利用率和空车重新定位。公司可以使用机器学习和预测分析来优化其车队利用率和空车重新定位。最初，可以通过人在回路的方法实现，AI模型为驾驶员和规划者提供实施建议。然而，随着时间的推移，随着模型的学习，优化过程可以演变为更加自动化和规范化。实现实时决策。AI系统可以

11、实时获取和处理各种数据，包括交通、天气、路况和其他运动数据的信息。这可用于实现变更流程自动化，让驾驶员和规划者面对意外情况时高效地做出最佳决策。 AI案例精选 | 德勤人工智能研究院下一阶段是个性化（连接客户）7可能的益处增加收入。 提高对客户的需求认识可以带来更高的收入。 更好的客户体验。 对问题模式和问题的深入理解有助于公司改善客户体验 。 降低成本。AI和机器学习可用于处理日常任务， 使客户服务中心能够以更低的成本更高效地运作 。 通过整合平台，利用AI、机器学习和自然语言处理的强大功能，实现个性化并改善客户体验。 问题/机会据Gartner称，CRM的最大细分市场是客户服务和支持，在2

12、018年占CRM市场的36%。3然而，尽管该细分市场的规模和成熟度都很高，但公司需要继续积极跟上竞争对手的步伐，以便在多个层面上提供一致的客户服务，维护客户忠诚度，并为新数字商业生态系统带来的干预做好准备。在整个客户旅程和生命周期中，现在可以使用机器学习、对话AI和自然语言处理跨所有渠道实现客户体验的个性化。 AI如何提供帮助 自动化客户交互。聊天机器人和虚拟客户助手已成为一些组织的热门话题，这些组织希望重新设计和提升客户服务体验。 使用IoT感知客户情绪和需求。 基于AI和物联网的整合客户服务平台，使客户服务提供商能够感知互联客户的情感和需求。 实现客户体验的个性化。使用机器学习和动态数据，

13、企业可以提供实时建议和决策支持，从而在每次互动的前、中、后实现定制的客户体验，提高客户终身价值和忠诚度。8可能的益处更及时、 成本更低的产品组合规划。通过使用AI技术实现产品组合规划过程的自动化， 零售商可以实时分析消费者的期望， 同时避免年度手动审查的运营成本更有效的库存决策。AI可以生成更准确的产品推荐， 使零售商能够就库存做出 更明智的决定 。产品组合与匹配（商品分类计划优化）使用AI来确定哪些商品应该增加库存或替换，以优化销售、利润、库存和客户满意度。问题/机会 传统的产品组合优化方法成本高、速度慢、容易出现人为错误，并且依靠每年一次的手动审查无法最大限度地提高产品的可靠性和可持续增长

14、，而且手动审查无法满足当今消费者快速变化的期望。使用AI进行产品组合优化可以帮助零售商做出更好、更可持续的决策，以有效地为客户提供他们需要的产品。AI如何提供帮助 预测消费者需求和下一步行为。AI分析可以根据过去的购买行为预测消费者的下一步行为及其对市场趋势的反应。这使零售商能够更好地了解哪些商品预计需求量较大，从而能够更明智地决定哪些商品需要优先进货。分析多源的客户数据。神经网络可以挖掘和分析来自相关品牌、竞争对手和社交媒体的数据，然后将这些见解与零售商客户的消费行为进行比较，帮助以更低的成本开展更准确的产品组合预测。此外，算法可以在数据发生变化时自动更新结果，使零售商能够实时跟踪消费者的需

15、求。闭合供求循环（消费者需求规划、 预测和营销）9可能的益处前所未有的个性化水平。AI使营销人员能够处理和分析大量数据， 并了解每个消费者。改善供应链性能， 减少缺货。需求规划和预测中的机器学习可以帮助企业实现收入最大化， 提高利润率， 优化库存， 同时最大限度地减少产品因意外需求而缺货的情况。改进决策。AI技术可以帮助商业领袖改进他们的决策更快做出不太重要的决策 。 AI案例精选 | 德勤人工智能研究院使用AI来扩大营销，改进需求规划和预测。问题/机会 随着消费者使用的销售渠道数量持续增长，零售商应该继续改进他们跨多个销售渠道的计划，以及他们如何处理中断。这通常需要利用AI来提升需求规划优化

16、能力。在过去，营销解决方案只能根据一组固定的假设和狭义定义的输入输出做出决定。尽管这样的解决方案可以在宏观层面上提供有用的洞见，但它们往往难以扩展，而且很大程度上缺乏查看受众具体情况的能力。然而，利用AI，营销人员现在可以更多维的分析消费者习惯。AI如何提供帮助 了解消费者需求。AI可通过分析宏观经济因素和竞争对手活动等广泛因素，更深入地了解消费者需求。更准确地定义细分市场。AI允许营销人员从受众中创建高度专注、细分的群体，产生更深刻的见解，并增加数据点之间的联系。分析产品集群。AI可以检查产品集群，并揭示类似和对比产品组的隐藏需求模式。自动化决策。AI可以帮助自动规划涉及明确因果关系的决策，

17、让规划者将时间和注意力集中在因果关系不太明显的更复杂的情况上。AI时代的客户联系（数字呼叫中心）10可能的益处通过更少的人工参与， 提高了客户满意度。AI有助于提高呼叫中心的整体绩效指标 （包括客户满意度） ， 同时减少解决客户问题所需的人工干预 。降低成本。更少的人工干预意味着更低的运营成本， 因为支持AI增强的呼叫中心所需的劳动力会大大减少 。更有效的互动。对于某些查询， 与基于AI的机器人交互比与人工更方便、 更高效， 从而带来更好的客户体验。使用AI技术，如自然语言处理和机器学习，改善呼叫中心体验和总体客户满意度。问题/机会 客户与呼叫中心的交互会极大影响客户的满意度和忠诚度。同时在疫

18、情下，呼叫中心面临着前所未有的挑战，包括工作量大、IT预算低和劳动力的严重短缺。呼叫中心多年来一直提升自动化水平，以应对这些挑战。然而，到目前为止，大多数交互式语音应答（IVR）系统和聊天机器人都依赖于基本的单词识别和简单的文件检索，而且对谈话内容不敏感，给客户提供了次优体验。使用AI技术（如自然语言处理和机器学习）的数字呼叫中心可以更具预测性和先进性，显著改善客户体验，同时减少人工参与的需求 。使用AI技术，如自然语言处理和机器学习，改善呼叫中心体验和总体客户满意度。AI如何提供帮助 AI技术，如自然语言处理和机器学习，使呼叫中心系统更加复杂和具有预测性，显著改善客户体验，同时减少24/7人

19、工参与的需要；允许客户服务代表专注于更多增值任务。语音虚拟助手。基于AI的自然语言工具和机器学习模型可用于构建语音虚拟助手，提供更高效、更具吸引力、更人性化的客户体验。这些工具可以训练聊天机器人回答问题、安排预约和接听电话，并将客户推荐给最适合处理其请求的部门。智能跟进。使用AI技术的实时分析可以通知呼叫中心何时跟进之前的客户互动。全渠道质量管理。使用预测分析和情感分析，可以监控所有数字渠道上的所有互动，提供关于客户和呼叫中心员工的宝贵意见。这可以为管理者提供实时信息，以便对员工进行再培训或为客户制定下一步最佳行动。 AI案例精选 | 德勤人工智能研究院11 AI案例精选 | 德勤人工智能研究

20、院消费行业中新兴的AI案例购物的未来 （自动商店）使用AI实现零售店自动化， 可以让零售店在 无人看管的情况下运营。实体零售商面临的最大挑战之一是找到与在线竞争对手的成本效率相匹配的方法， 同时通过提供亲身体验和令人满意的本地体验， 继续实现差异化。 有了自主商店， 深度学习软件与摄像头和传感器相结合， 可以识别商店内发生的一切 （包括人们的动作、 表情和动作） ， 使商店能够在几乎没有或根本没有人参与的情况下保持充足的库存和运营。 它可以是全方位服务和自助服务近乎完美的结合。 AI案例精选 | 德勤人工智能研究院消费行业中新兴的AI案例我们到了吗？ （自动驾驶）使用AI自动驾驶车辆。对许多人

21、来说， 开车是他们宁愿避免的琐事。 对于许多公司来说， 卡车运输和其他与驾驶相关的活动只是消耗宝贵资源并使组织面临重大风险的业务成本。 AI即将极大地改善驾驶体验人类驾驶员完全是可选的。 自动驾驶将车载传感器和定位技术与基于AI的决策模型相结合， 旨在减少人为错误， 并在转向、 刹车和导航方面做出更智能、 更明智的决策。 目标是创造更安全、 更便宜、 更高效的驾驶能力减少事故， 解放人类， 让他们专注于更有价值、 更令人满意的活动。 AI案例精选 | 德勤人工智能研究院12 AI案例精选 | 德勤人工智能研究院13 AI案例精选 | 德勤人工智能研究院消费行业中新兴的AI案例合身和智能（时尚科

22、技）使用AI即时判断哪些衣服最适合顾客的尺寸和体型。寻找合适的物品是服装购物中最糟糕的部分之一。 从消费者的角度来看， 在购买阶段这可能是一个耗时的事情， 而且往往会导致不满和退货。 从零售商的角度来看， 这可能是一个更大的问题，需要大量的库存和款式； 拥有丰富经验和专业知识的销售人员可以引导客户购买正确的商品； 不开心的顾客； 以及处理退货的时间和费用。 结合机器学习、 计算机视觉和3D扫描的系统可以通过让购物者站在摄像机前实时获取购物者的测量值来帮助问题最小化。 然后， 可以将这些测量值与服装数据库进行匹配， 以找到最佳款式， 提高客户满意度并降低退货成本。 AI案例精选 | 德勤人工智能

23、研究院消费行业中新兴的AI案例你的健康方式 （个性化的卫生、 健身和健康）将AI与可穿戴和不可穿戴设备结合使用， 以监测人们的健康状况， 并提供实时反馈和指导。想象一 下这样一个世界， 可以实时地根据每个人独特需求量身定制健康体检， 同时还可以从其他人那里获得的集体知识和经验中受益。 有了机器学习和其他AI技术， 系统可以根据来自数百万用户的数据， 随着时间的推移进行培训， 实现数据驱动的个性化指导， 推动行为改变， 帮助管理和预防慢性疾病。 这就是卫生和健康的未来， 随着AI(以及智能手表等设备的普及)的最新进展，这一趋势已经开始显现。14 AI案例精选 | 德勤人工智能研究院 AI案例精选

24、 | 德勤人工智能研究院15消费行业中新兴的AI案例AI个性化的悖论 （服务体验现代化）在许多情况下， 使用AI改变客户服务体验 （以及如何提供服务） ，让客户能够自动、 轻松地获得服务。讽刺的是， 如果将更多的机器和AI技术引入客户服务体验中， 实际上会让服务变得更加个性化， 但事实就是这样。 通过在客户旅程中应用AI， 客户服务体验、 流程和互动正从人到人到机器， 最终是机器到机器， 使客户能够以越来越方便、 高效和有效的方式得到服务， 但矛盾的是， 也越来越个性化， 每个人的需求都被自动、 自主地解决了 。 AI案例精选 | 德勤人工智能研究院 AI案例精选 | 德勤人工智能研究院16能

25、源、 资源和工业 （ER&I） AI档案与大多数其他行业相比，AI在能源、资源和工业（ER&I）领域的应用和部署似乎不够广泛和成熟。 到目前为止，ER&I领域的大型AI成功案例较少，因此需要立即采取行动的竞争压力也较小。尽管大多数ER&I公司通常认识到AI的重要性，并认为AI是一种必要的能力，可能会极大地影响其未来的运营和竞争能力，但迄今为止，大多数工作仅限于小规模试点和专注于少数业务部分的概念验证。使用AI来扩大营销，改进需求规划和预测。 AI案例精选 | 德勤人工智能研究院17 AI案例精选 | 德勤人工智能研究院AI应用和部署增加的主要挑战主要围绕数据。与其他许多以数字、数据为中心的行业

26、不同，ER&I仍然围绕物理工作和物理资产展开，其中许多资产在地理上分散，与数字网络断开。IoT相关技术的广泛应用开始填补这一数据空白。但是，为了使结果数据有用，需要及时组织、捕获和分析生成的数据。此外，还应利用边缘计算和边缘AI技术，及时处理和分析网络边缘分散位置的数据。对于大多数ER&I公司来说，下一步的当务之急是建立一个具有AI、数据科学和数据工程专业知识的内部团队，作为所有AI相关活动和投资的协调中心。该团队将协调公司业务生态系统中的AI活动，同时提供一组核心的内部AI资源和能力，可根据需要从外部进行补充。此外，该团队将在整个企业使用AI方面提供一个广泛、平衡和明智的观点。ER&I中太多

27、的AI计划和愿景要么过于战术化和技术化（过于狭隘，往往强调令人兴奋但不是很有用的技术能力），要么过于战略性和雄心勃勃（实施起来太困难、太昂贵，需要目前不存在的数据和先进能力）。为了在AI方面取得成功，ER&I公司应先了解企业哪些业务最适合AI，在此基础上制定战略和路线图。早期，ER&I中AI的一个重点领域是使机器维护更具预测性。如今，另一个备受关注的重点领域是利用AI改善与客户和现场工作人员的互动。此外，一些ER&I公司开始探索AI的使用，以帮助他们应对极端天气和其他难以预测的事件。通过利用AI视觉和其他先进AI技术的力量，公司可以监控和分析大量信息，包括来自现场传感器、无人机视频和天气雷达的

28、数据，其及时性、准确性和彻底性是仅靠人类无法实现的。 在机器帮助人类变得更有效率这一理念的基础上，AI对ER&I的最大影响可能是帮助企业解决未来的劳动力缺口。拜登政府对基础设施的数万亿美元承诺预计将大幅增加整个ER&I的商业活动，但也可能造成工人和专家的严重短缺。AI可以承担更多以往人类所从事的工作来帮助解决这一差距，因为人类需要做大量的准备分析和繁重的工作，因此人类可以专注于需要人类特有的技能和专业知识的活动。使用AI优化工业机器性能，预测故障，并通过物联网赋能的资产监控通知维护要求。问题/机会 机器维护通常是成本节约的重要方面，因为工业制造商计划外停机的成本每年约为500亿美元。4工厂资产

29、的预防性维护，传统上依赖于平均故障时间来确定何时应安排维护（在服务日志中记录故障和故障，以分析历史性能）.然而，随着工业物联网市场的增长和物联网传感器在工厂中的普及，工业制造商现在有了一个宝贵的机会，可以利用物联网数据和AI做出更明智的决定，决定何时维修或更换机器，帮助工厂以更低的成本最大限度地提高生产产量。 AI如何提供帮助 更好地预测和计划必要的维护和停机时间。通过实时监控机器和收集反馈数据，AI技术可以分析每台机器的模式，以确定其实际维护需求，并创建一个定制的时间表，最大限度地减少工厂车间的整体停机时间。此外，随着对历史数据的收集和分析，AI可以帮助工厂经理更加主动地安排维修停机时间。

30、主动发现并消除隐藏的质量问题。 随着时间的推移，AI可以学会识别物联网传感器数据中的规律，以确定哪些机器部件最有可能出现故障。这些结果可以进一步分析，以了解关键部件性能与产品输出质量之间的相关性。有了这些AI驱动的见解，工厂经理可以更加准确地了解他们需要维护的零件，甚至可以提供反馈，帮助设备制造商改进经常发生故障的关键零件。 减少停机时间 （预测性机器维护） 18可能的益处降低维护成本。即使采用目前最好的预防性维护措施， 工厂资产的维护仍然是一项巨大的成本。 AI可以实现维护效率大规模提升和成本节约。 主动维护和减少停机时间。 随着IoT传感器变得无处不在， 由此产生的传感器数据可以用于分析，

31、 以更好地了解机器性能和故障临界点， 帮助工厂经理更主动地安排停机时间， 同时降低维护和人工成本。 AI案例精选 | 德勤人工智能研究院使用基于边缘AI的IoT解决方案来优化生产和规划流程，并减少意外停机时间。问题/机会到2027年，5物联网市场预计将达到2.4万亿美元，特别是在注重IoT的ER&I行业。这一惊人的增长将使数据收集的数量和复杂性以及工厂、资产和工业终端的可操作洞察力急剧增加。更高的数据量会导致延迟增加，并且会大大增加对网络边缘处理能力和安全性的需求。为了处理所有这些新的IoT数据，并及时有效地处理这些数据，公司应该考虑利用边缘计算和AI的IoT解决方案。AI如何提供帮助 在网络

32、边缘运行高级计算算法。紧凑的、支持GPU的深度学习加速平台（如DLAP x86系列）使运行高级计算算法成为可能，而无需使用云数据存储或外部计算系统。提高数据安全性。在边缘设备上本地存储和处理数据可以减少安全漏洞的数量，并消除对第三方数据存储解决方案的需求，这些解决方案可能容易受到网络攻击。使IoT解决方案成本更低、效率更高。 通过消除对云存储和处理的需求，边缘AI技术通常比传统IoT解决方案更具成本效益，传统IoT解决方案要求公司在考虑硬件设备和网络带宽成本的同时还要考虑存储成本。实现更快的决策。更快的数据采集和边缘AI处理能够快速做出复杂决策。例如，通过在边缘聚集历史数据、实时传感器数据和地

33、质模型，可以将为油井布置创建地质模型所需的时间从数月减少到数小时。边缘的AI（用于生产和规划的边缘AI） 19可能的益处竞争优势。在创新能力竞争中， 公司需要能够在网络边缘快速高效地提供复杂分析的IoT解决 方案。以较低的成本提供及时、 可操作的见解。边缘AI技术可以提供一条途径， 使越来越多的IoT传感器数据能够以比传统IoT技术更快的速度和更低的成本进行分析。提高运营效率， 减少停机时间。边缘AI支持数十个有针对性的ER&I案例， 这些案例可以简化运营决策并减少计划外停机时间。20使用AI技术进行实时分析 来自现场传感器网络的数据（结合科学知识模型和各种环境/外围因素的信息，如地震活动、钻

34、井日志、岩心、完井设计、生产数据和维护记录）。 问题/机会 下游油气作业的多学科性质要求结合科学知识模型对实时传感器数据进行分析。同样，上游能源作业要求对复杂和非结构化数据进行深入分析，如空间、地质、地球物理和化学数据，以监控生产资产并评估勘探和钻井机会。 来自智能传感器和其他成像技术的数据量不断增加，这为AI创造了一个机会，可以发现复杂、不易察觉的规律，而这些对于人类来说是不切合实际的。然而，目前还没有统一的数据标准来帮助分析这种广泛多样的数据。此外，分析和解释数据的现有流程需要大量时间，可能会产生意外结果，造成重大财务和安全风险。 AI如何提供帮助 实时监控现场资产。光纤光学等井下传感技术

35、可以传输大量实时数据，以告知油井和管道的运行情况。通过异常检测和预测建模，可以快速分析这些数据，以提醒运营部门注意泄漏或故障，并预测油井的日产气量。确定和评估勘探机会。 复杂的系统，如认知发现平台，可以将现场传感器的地质数据与现有的公共和私人数据库以及科学模型相结合，创建知识图。然后，机器学习算法可应用于这些知识图，以识别油气勘探机会并评估相关的财务风险。理解传感器数据（现场传感器数据分析）可能的益处改进监测和预测。 将AI技术 （如异常检测算法和机器学习） 应用于现场传感器数据， 可以改进生产资产监控和性能预测。更可信的探索。 通过AI分析现场传感器数据可以在整个勘探过程中提升可信度。 AI

36、案例精选 | 德勤人工智能研究院使用AI技术，如自然语言处理（NLP），让现场工作人员轻松获取关键信息。此外，使用计算机视觉和机器学习算法来感知危险的工作条件并自动生成警报。问题/机会 鉴于油气田工作的危险性和复杂性，维修人员、钻井工人和操作员需要在工作中及时、全天候地获取可靠的信息和支持。目前，大多数石油和天然气工人依靠人工呼叫中心提供信息和紧急援助。然而，这些呼叫中心全天候运行的成本很高，并且不能提供始终如一的高水平服务。在降低生产成本的同时提高效率的压力越来越大，这促使油气公司考虑使用自然语言处理(NLP)和机器学习(ML)等AI技术，以增强或取代呼叫中心和其他基本管理的职能部门。AI如

37、何提供帮助 整合多源的结构化和非结构化数据。智能AI助手平台可以将内部企业数据与多种格式的公共可用信息相结合，包括：文档、电子表格、演示文稿、网页、电子邮件和API。 为现场工作人员提供轻松获取信息的途径。现场工作人员可以通过门户网站、移动应用程序、消息会话和智能扬声器访问整合数据。使用对话AI支持各种场景。 对话AI可以通过对现场工作人员的信息请求应用自然语言处理（NLP），然后查询内部和外部数据的整合数据库来获取请求的信息，从而为现场工作人员提供支持。石油和天然气的典型用途包括：安全指南；实时统计油井作业情况；会议和电子邮件的详细信息；以及业务见解，如历史和预计运营成本。 21现场作业方面

38、（现场劳动力支持和安全）可能的益处更及时、 更可靠地访问关键信息。对于需要实时访问关键信息的现场工作人员， AI技术可以以比传统呼叫中心更容易访问和准确的方式提供答案、 警报和见解。为现场工人提供更大的便利。对话式AI可以让员工通过各种现场友好设备和渠道轻松地请求信息。 持续运行（公用事业服务中断预测）22使用AI算法和预测分析预测能源负荷和需求减少服务中断的峰值，并预测必要的中断时间及时长。 问题/机会 对公用事业企业来说，过度生产能源是昂贵和浪费的，长期储存能源也是如此。然而，供电不足使得一些地区在高峰时段容易出现服务中断。能源消费者越来越期望更广泛的能源选择，具有更高的透明度和更低的成本

39、，这给公用事业公司带来了压力，要求他们对所提供的产品和服务更加慎重。 AI如何提供帮助 更好地预测能源需求和停电。 机器学习模型可以识别能源市场的历史趋势，以便更准确地预测负荷和需求峰值，帮助确保充足的能源供应。其他因素，如天气预报、特殊事件和供应方约束，可以包括在模型中，不仅可以预测需求，还可以预测必要的服务中断时间及时长。 主动提醒客户故障和解决时间。当服务提供商能够更好地处理需求高峰和其他风险因素（如恶劣天气）时，客户可以从预测性AI中获益。然而，当服务中断不可避免时，预测性AI还可以帮助公用事业公司向其客户发出警告，并根据预期的解决时间不断更新。可能的益处更少的停机。预测分析可以帮助公

40、用事业公司考虑实时预测和历史数据， 为能源紧张时期做好准备。 改善客户服务。准确的预测性洞察可以通过实现早期停机警告和准确的停机持续时间估计来改善客户服务。 减少了运维费用。有了AI， AI技术资产的运营费用 （OpEx） 可以减少和/或用资本支出 （CapEx） 代替， 如与大修相关的劳动力和设备成本。 23 AI案例精选 | 德勤人工智能研究院能源、 资源和工业领域新兴的AI案例 快速研发材料（材料信息学）使用AI和数据管理技术加速材料和化学品的发展。 传统上， 开发新材料和化学品是一个复杂、 耗时的过程， 需要大量的猜测、 反复试验和艰苦的手工研究。 但由于AI的进步， 这些步骤正在被简

41、化或取消。 AI驱动的过程包括建立和维护材料和化学品开发数据的综合数据库， 自动将技术文档转换为结构化、 可搜索的数据库， 然后使用机器学习和高级分析技术挖掘数据， 并在短时间内发现高性能化合物。 AI模型可以预测新材料、 化学品和配方的性能， 并可以建议下一步进行哪些实验， 帮助研究人员避免重复实验并快速找到相关数据集。 潜力如何， 以前所未有的速度开发新的化学品和材料。 AI案例精选 | 德勤人工智能研究院23 AI案例精选 | 德勤人工智能研究院更智能的供应链 （算法供应链规划）使用AI提高供应链透明度， 优化运输路线， 最大限度地减少交付中断。COVID - 19大流行生动地说明了意外

42、事件可能对全球供应链造成的破坏性影响。 值得庆幸的是， AI可以帮助世界在未来避免类似的混乱。 通过分析当今供应链产生的大量数据， AI可以预测各种各样的意外事件， 比如天气冲击、 运输瓶颈和劳工罢工， 帮助预测问题， 并围绕这些问题改变运输路线。 AI还可以显著改善其他关键供应链领域， 包括需求预测、 风险规划、 供应商管理、 客户管理、 物流和仓储。 潜在的结果是提高经营效率和营运资金管理;提高透明度和问责制;更准确的交付估计;更少的供应中断。 AI案例精选 | 德勤人工智能研究院24能源、 资源和工业领域新兴的AI案例 AI案例精选 | 德勤人工智能研究院25 AI案例精选 | 德勤人工

43、智能研究院制造业的数字沙盒 （数字孪生工厂）使用传感器数据和AI创建和分析真实世界机器和工厂的数字模型， 从而在不中断生产的情况下改进运营。试图在不中断生产的情况下优化生产操作， 就像试图在赛车以200英里/小时的速度在赛道上疾驰时更换轮胎一样。 解决方案是什么？ 支持AI的 “数字孪生兄弟” 。 数字孪生兄弟是物理设备或系统的虚拟表示， 实时反映其确切元素和行为。 来自众多来源的传感器数据以及历史数据与机器学习和高级分析相结合， 以创建数字模型和空间图， 不断匹配其物理对应的状态、 位置和工作条件。 这些精确的数字模拟使公司能够在不中断日常运营的情况下进行广泛的分析和优化实验。 这是一个虚拟

44、过程， 可以带来真实世界的好处。能源、 资源和工业领域新兴的AI案例 AI案例精选 | 德勤人工智能研究院避免工业灾难（虚拟工厂操作员助理）使用AI帮助电厂操作员更有效地执行工作， 减少灾难性错误的风险。传统的工厂控制系统严重依赖于人工操作人员的监控。 然而，大部分时间， 这些操作人员都坐在控制室里， 几乎没有什么事可做， 这使得他们很容易失去注意力或技能下降。 AI可以补充操作员的能力， 帮助他们做出更好的决定， 避免人为错误， 特别是在压力水平可能超出图表， 每一秒都很重要的关键情况下。 在概念上， 这类似于汽车相关的AI功能， 如自动驾驶和车道辅助， 旨在帮助人们更安全、 更有效地工作，

45、 但也适用于不那么常见的复杂工业活动， 这些活动产生严重后果的可能性更大(如化学爆炸或核熔毁)。 在这样的关键情况下， 操作人员需要得到所有可能的帮助， 尤其是来自AI的帮助， 因为AI不会受到压力的影响。 AI案例精选 | 德勤人工智能研究院26能源、 资源和工业领域新兴的AI案例 AI案例精选 | 德勤人工智能研究院27 AI案例精选 | 德勤人工智能研究院AI可以补充操作员的能力， 帮助他们做出更好的决策， 避免人为错误， 特别是在压力水平可能影响图表和每秒计数的关键情况下。 AI案例精选 | 德勤人工智能研究院 AI案例精选 | 德勤人工智能研究院28金融服务行业AI档案除了众多完全接

46、受AI的金融科技公司外，金融服务业（FSI）的大多数公司仍处于AI采用和投资的早期阶段。尽管FSI领导人普遍认识到并承认AI对其业务的潜在影响，且AI是该行业未来不可避免的一部分，而未来增长和竞争力的主要动力迄今为止，大多数AI投资和服务仅限于小规模试点和专注于狭窄的业务部分。 AI案例精选 | 德勤人工智能研究院29AI正在帮助聊天机器人和IVR系统变得比以前更加智能和复杂， 提高自动化客户交互的质量， 无缝集成和协调多个交互渠道。对于大多数FSI公司来说，重要的下一步是停止涉足AI，并开始拥抱AI并将其产业化，以便AI解决方案可以在整个企业中大规模部署。这可能需要核心构建块，如企业范围的数

47、据治理和利用AI和数据能力的明确战略。仅仅在这个问题上投入更多的钱是不够的。在金融服务行业，一个持续受到广泛关注的重点领域是利用AI来改善客户体验，不仅针对公司的终端客户，还针对其内部客户，如代理人、经纪人和财务顾问。例如，AI正在帮助聊天机器人和IVR系统变得比以前更加智能和复杂，提高自动化客户交互的质量，无缝集成和协调多个交互渠道。同样，在客户的整个生命周期中，从个性化营销活动和促销到推荐个性化的次优行动和计划，预测性AI正被用于更彻底、更有效地与客户沟通。AI的另一个迅速出现的应用领域是自动化和增强关键的FSI流程，如欺诈检测、支付处理、现金对账、承保和索赔管理。其中一些过程是高度重复和

48、劳动密集型的，这使得它们成为自动化的首选。其他人可以从改进的见解中获益匪浅，并且数十年来一直在使用目标分析法；然而，AI正在将这些分析能力和洞察力提升到一个全新的水平。产业融合是AI推动的另一个关键趋势，它不仅仅局限于金融技术。在数字数据爆炸的推动下，AI技术正在为模糊传统产业线的全新产品、服务和商业模式提供支持。而这一行业融合的速度、规模和范围似乎只在不断扩大。 从长远来看，一个几乎肯定会在金融服务行业扎根的重要趋势是，利用AI和数据来打破部门竖井，产生跨越整个价值链的见解。 （例如，使用来自保险聊天机器人的数据通知承保流程）。然而，利用这些广泛、大规模的AI的机会需要前面提到的企业级AI构

49、建一系列能力，它们仍在开发中。30使用AI和机器学习检测银行价值链中的交易和收购欺诈。问题/机会 根据美国银行家协会（American Bankers Association）的数据显示，2016年金融业的欺诈损失约为22亿美元，2018年将增至约28亿美元。6银行需要更快速、更准确地预测和发现欺诈，以减少年度欺诈损失，更好地管理欺诈解决客户体验，提高客户和合作伙伴的信任度和合规性 AI如何提供帮助 实时监测欺诈行为。银行已经部署了机器学习模型，可以监测实时交易的可疑数据，并立即发出警报。 发现人工不注意的可疑活动。银行使用AI模型可以在大量数据中快速准确地识别的可疑活动，而人们经常忽视这些活

50、动。这将使银行能够分析可疑交易和转账，这些交易和转账可能表明某个账户被用来隐藏犯罪活动的资金并使之合法化。此外，AI可以帮助减少误报的数量，从而降低合规成本。 标记消费者交易欺诈。机器学习模型通过研究传统和非传统数据中的历史交易模式，然后使用异常检测发现异常账户活动，可以预测未来交易中的潜在欺诈。这使得银行能够发现其遗留欺诈分析引擎可能忽略的问题。打击欺诈（银行欺诈分析） 可能的益处减少欺诈， 提高信任。银行可以使用AI监测模型显著减少整体欺诈， 从而提高客户信任度 和整体客户体验。 减少人工审计， 降低欺诈检测成本。 AI支持的欺诈检测模型可以减少人工审计的需要， 从而潜在地降低银行欺诈检测