幹貨:AI商業落地(land)難?秒針創始人(people)這(this)三步講透了(Got it)

“2018大(big)數據産業峰會”明略數據、秒針系統創始人(people)兼董事長吳明輝在(exist)會上表示：“面向AI的(of)數據治理，是(yes)在(exist)傳統數據治理基礎上，利用(use)知識工程相關技術，對信息按知識結構進行管理、分類和(and)關聯，将龐大(big)無序的(of)信息進一(one)步治理爲(for)分類有序互相關聯的(of)知識，最終形成行業知識圖譜。“

對于(At)各行各業都在(exist)進行數字化轉型，他(he)認爲(for)這(this)三點是(yes)落地(land)的(of)關鍵：

第一(one)，要(want)把行業的(of)各種數據進行在(exist)線化，全部都連接到(arrive)一(one)起。

第二，要(want)把數據連接後做數據挖掘，做人(people)類自己可以(by)力所能及做的(of)分析與研判。

第三，當我(I)們(them)做好了(Got it)面向AI的(of)數據治理，做好了(Got it)數據挖掘，并且真正形成完整的(of)閉環，才能實現人(people)工智能落地(land)。

企業需要(want)面對真正的(of)人(people)工智能時(hour)代的(of)數據進行規劃，進行數據的(of)整合與融合。如果不(No)面向人(people)工智能的(of)目标提供數據的(of)整合規劃，數據就有可能成爲(for)成本中心，沒有辦法真正的(of)創造價值。

人(people)工智能背後需要(want)數據，但光有數據産生(born)不(No)了(Got it)任何價值。隻有把數據在(exist)産業裏形成最終的(of)智能，賦能于(At)行業裏的(of)每一(one)個(indivual)從業者才會産生(born)價值。數據沒有價值，數據加上行業場景與認知最後變成人(people)工智能産生(born)最終的(of)賦能，它才會創造出(out)價值，才會有意義。

此外，他(he)透露明略聚焦三個(indivual)領域，安防、金融、工業與物聯網，将數據知識化存儲下來(Come)，通過很多規則與算法嫁接到(arrive)人(people)工智能的(of)規則算法，形成人(people)機同行時(hour)代的(of)頂級知識體系，從而實現人(people)工智能在(exist)企業的(of)落地(land)。

以(by)下是(yes)演講全文：

數據應該是(yes)企業的(of)核心資産，而不(No)是(yes)成本中心

各位來(Come)賓，大(big)家下午好！很榮幸今天到(arrive)現場與大(big)家分享關于(At)人(people)工智能和(and)大(big)數據的(of)思考。

我(I)經營兩家企業級服務公司，看到(arrive)很多企業講如何數字化轉型，如何利用(use)大(big)數據與人(people)工智能對企業做變革。路程非常坎坷。全世界處于(At)經濟轉型之中，中國很多企業成長伴随着人(people)口紅利，包括移動互聯網紅利也有很好的(of)成長。但今天人(people)口紅利不(No)再，如何在(exist)新的(of)時(hour)代迎接挑戰？如何通過數字經濟和(and)數字化的(of)方法優化企業内部效率？這(this)是(yes)企業級服務幫助每一(one)個(indivual)客戶要(want)解決的(of)問題。

數字化轉型的(of)過程并不(No)順利，全世界的(of)優秀企業，通用(use)電器、樂高、耐克都是(yes)我(I)服務的(of)客戶，他(he)們(them)的(of)領導人(people)非常有遠見。在(exist)很多年之前已經開始嘗試建立自己的(of)數字化轉型策略，建立數據中心，存儲數據。通用(use)電器非常早建立了(Got it)工業互聯網雲平台Predix，但是(yes)在(exist)發展過程中，他(he)們(them)也不(No)得不(No)對數字化部門進行裁員和(and)架構調整，遇到(arrive)很多挑戰；LEGO早在(exist)2014年就推出(out)了(Got it)LEGO Digital Designer平台，後來(Come)由于(At)種種原因不(No)再繼續，并重新調整了(Got it)數字化戰略，在(exist)之後的(of)數字化轉型中也遇到(arrive)了(Got it)銷量下滑、裁員等挑戰；耐克很早就通過智能手環采集消費者運動數據，與運動産品連接，但最後也難免以(by)裁員、重新調整數字化戰略收尾。數字化轉型之路沒那麽容易，全球很多優秀的(of)企業都是(yes)在(exist)探索和(and)試錯中不(No)斷前進的(of)。企業做很多投入，但投資者和(and)資本市場對它沒有認可，公司的(of)股價持續低迷。董事會會質疑這(this)件事情有沒有價值，爲(for)什麽數字化轉型沒有給企業産生(born)新的(of)利潤，而帶來(Come)了(Got it)如此大(big)的(of)成本。每個(indivual)從事行業的(of)從業者一(one)定要(want)思考這(this)個(indivual)問題。

秒針系統十幾年前開始做數據挖掘，利用(use)數據技術幫助企業做數字營銷的(of)轉型。我(I)們(them)遇到(arrive)很多問題，最大(big)問題是(yes)如何把數據真正地(land)利用(use)起來(Come)？任何企業、任何組織，如果你把數據全部存下來(Come)需要(want)巨大(big)成本。如果沒有把數據真正用(use)起來(Come)就是(yes)巨大(big)的(of)成本中心，把數據真正用(use)起來(Come)才有可能創造價值。

以(by)安防行業爲(for)例，全國各地(land)部署攝像頭有很大(big)成本，但成本能不(No)能真正轉化成生(born)産力？這(this)是(yes)安防行業IT人(people)員需要(want)思考的(of)問題，如何把成本中心轉化成利潤中心，轉化成真正對産業有價值的(of)部分。人(people)工智能背後需要(want)數據，但光有數據産生(born)不(No)了(Got it)任何價值。隻有把數據在(exist)産業裏形成最終的(of)智能，賦能于(At)行業裏的(of)每一(one)個(indivual)從業者才會産生(born)價值。數據沒有價值，數據加上行業場景與認知最後變成人(people)工智能産生(born)最終的(of)賦能，它才會創造出(out)價值，才會有意義。王堅博士說在(exist)他(he)加入阿裏時(hour)，阿裏所有的(of)交易數據都删掉了(Got it)。但他(he)加入阿裏時(hour)說，馬老師，數據無論如何都應該存下來(Come)不(No)應該再删。不(No)知道今天的(of)數據有沒有價值，但我(I)認爲(for)有價值應該存下來(Come)。王堅博士在(exist)阿裏被各種挑戰，你爲(for)什麽存那麽多的(of)數據，爲(for)什麽建阿裏雲。今天大(big)家看到(arrive)他(he)取得的(of)成就，其實過去很多年在(exist)集團裏備受挑戰。

數字化轉型沒有捷徑，需要(want)一(one)步步來(Come)，要(want)不(No)斷地(land)解決挑戰，最終取得成功。今天各行各業都在(exist)進行數字化轉型，但轉型需要(want)企業經營者和(and)投資者有耐心。不(No)能思考數據沒有價值就不(No)存。我(I)們(them)需要(want)存，但如何規劃是(yes)重要(want)的(of)課題，我(I)們(them)需要(want)面對真正的(of)人(people)工智能時(hour)代的(of)數據進行規劃，進行數據的(of)整合與融合。如果不(No)面向人(people)工智能的(of)目标提供數據的(of)整合規劃，數據就有可能成爲(for)成本中心，沒有辦法真正的(of)創造價值。

充分契合業務的(of)前提下，企業數字化轉型分爲(for)三步走：數據在(exist)線、數據分析與挖掘、人(people)工智能

我(I)在(exist)明略自己的(of)年會講過，人(people)工智能在(exist)行業的(of)落地(land)需要(want)三步走。第一(one)步要(want)把行業的(of)各種數據進行在(exist)線化，全部都連接到(arrive)一(one)起。明略服務的(of)公共安全行業，之前有各種各樣的(of)IT系統，每個(indivual)派出(out)所的(of)每個(indivual)民警手裏有很多套系統。我(I)去公安客戶領導的(of)電腦上，桌面有類似hao123頁面的(of)複雜效果，每一(one)個(indivual)圖标、鏈接都是(yes)過去IT公司開發的(of)系統。戶籍管理系統、車輛管理系統、110報警系統，每個(indivual)警察電腦都有上百個(indivual)。數據散落在(exist)不(No)同的(of)系統裏，他(he)們(them)每天做案情分析時(hour)在(exist)各個(indivual)系統頻繁切換，效率低。數據散落在(exist)不(No)同的(of)系統裏，不(No)可能産生(born)最終的(of)人(people)工智能。人(people)工智能要(want)融合數據，當把數據連接在(exist)一(one)起時(hour)很快要(want)讓它産生(born)價值，否則客戶也不(No)允許投資這(this)麽多的(of)錢。

人(people)工智能真正形成之前，也就是(yes)三步走的(of)第二步，要(want)把數據連接後做數據挖掘，做人(people)類自己可以(by)力所能及做的(of)分析與研判。這(this)一(one)步，行業裏也叫做BI（商業智能）。明略數據幫助很多公安幹警做到(arrive)了(Got it)，但在(exist)很多行業裏第一(one)步還沒有做到(arrive)。人(people)工智能在(exist)行業落地(land)的(of)第二步很重要(want)，第三步，當我(I)們(them)做好了(Got it)面向AI的(of)數據治理，做好了(Got it)數據挖掘，并且真正形成完整的(of)閉環，才能實現人(people)工智能落地(land)。人(people)工智能跟傳統的(of)信息化最大(big)的(of)區别是(yes)可以(by)形成最終的(of)閉環，一(one)旦形成閉環，所有叠代将自動加速，它将相比傳統的(of)IT系統更加智能，可以(by)自我(I)學習，最終形成真正意義上的(of)人(people)工智能。人(people)工智能在(exist)每個(indivual)行業落地(land)沒那麽簡單，需要(want)三步走，每步都需要(want)投入很多力量。

蒙牛做很多成功的(of)嘗試，蒙牛利用(use)數字化手段幾乎打通了(Got it)質量控制和(and)檢測環節，每天蒙牛可以(by)獲得近40萬條自動檢驗數據，但這(this)些都是(yes)他(he)們(them)一(one)步一(one)步地(land)規劃而得來(Come)的(of)。

我(I)拜訪重要(want)的(of)客戶在(exist)湖南某一(one)個(indivual)城市的(of)公安局，我(I)跟公安局的(of)領導聊時(hour)說要(want)建立樣本數據，他(he)們(them)就找了(Got it)二三十個(indivual)協警幫助我(I)們(them)做數據标注。有了(Got it)标注才能給人(people)工智能提供很好的(of)系統支持，真正成功的(of)企業或是(yes)政府部門是(yes)有耐心的(of)。首先，就是(yes)要(want)面對人(people)工智能建立真正有意義的(of)數據融合平台，這(this)也是(yes)明略目前在(exist)服務這(this)些大(big)型B端企業、政府機構的(of)獨特之處。

面向業務智能的(of)“在(exist)線化”的(of)關鍵舉措：面向AI的(of)數據治理

數據是(yes)人(people)工智能的(of)基礎，自我(I)學習是(yes)人(people)工智能相比傳統IT系統重要(want)标志。我(I)們(them)需要(want)面向人(people)工智能規劃未來(Come)數據平台，規劃未來(Come)的(of)數據在(exist)線。面向人(people)工智能的(of)數據治理跟傳統的(of)數據治理有非常大(big)的(of)區别，先思考數據真正的(of)價值是(yes)什麽。一(one)般的(of)數據和(and)人(people)工智能時(hour)代需要(want)的(of)數據到(arrive)底有什麽本質的(of)區别。

數據是(yes)人(people)類特别重要(want)的(of)武器，幫助人(people)類解決很多信息不(No)對稱問題。數據是(yes)觀察者觀察世界後，利用(use)數學的(of)方法或計算機的(of)方法對客觀世界發生(born)的(of)客觀事實進行記錄，這(this)是(yes)數據本身的(of)意義。數據本身的(of)信息量很大(big)，記錄數據有成本。比如，明略服務軌道交通的(of)客戶，一(one)個(indivual)機車，不(No)用(use)說後面的(of)環節，光車頭上大(big)概就有上千個(indivual)傳感器，每個(indivual)傳感器每秒鍾都要(want)發送很多信号，如果把這(this)些數據都存下來(Come)的(of)話，一(one)輛車一(one)天的(of)數據已經能夠達到(arrive)幾百GB的(of)量級。

海量的(of)數據全部存起來(Come)不(No)可能，我(I)們(them)需要(want)把真正有價值的(of)數據提取出(out)來(Come)。提取的(of)過程稱之爲(for)把數據知識化，信息知識化的(of)過程。我(I)們(them)把這(this)個(indivual)過程做完以(by)後，再結合行業領域的(of)知識與行業專家，最後變成完整的(of)人(people)工智能智慧系統。

相比傳統的(of)數據治理，面向人(people)工智能的(of)數據治理最核心的(of)是(yes)引入知識體系。爲(for)了(Got it)面向人(people)工智能，對比傳統的(of)數據治理，所有數據儲備做的(of)最核心工作(do)要(want)建立知識圖譜的(of)系統，我(I)們(them)需要(want)對數據結構背後建立動态的(of)本體和(and)知識庫。我(I)們(them)需要(want)把傳統的(of)以(by)表結構爲(for)單位的(of)數據真正連接成爲(for)以(by)結構化的(of)數據，以(by)行業的(of)知識爲(for)基礎的(of)所有計算單元，在(exist)上面可以(by)做邏輯推理，可以(by)做很多的(of)動态分析。它可以(by)替代人(people)做真正複雜的(of)非統計類的(of)工作(do)，這(this)需要(want)建立知識體系，這(this)是(yes)真正人(people)工智能最大(big)的(of)價值。人(people)工智能最大(big)的(of)價值不(No)是(yes)替代簡單的(of)重複性勞動，更加重要(want)的(of)是(yes)替代人(people)類甚至都可能做不(No)到(arrive)的(of)事情。

因此，面向AI的(of)數據治理，是(yes)在(exist)傳統數據治理基礎上，利用(use)知識工程相關技術，對信息按知識結構進行管理、分類和(and)關聯，将龐大(big)無序的(of)信息進一(one)步治理爲(for)分類有序互相關聯的(of)知識，最終形成行業知識圖譜。

未來(Come)明略提供的(of)人(people)工智能警察，應該比中國優秀的(of)警察還厲害，比福爾摩斯還厲害，這(this)是(yes)未來(Come)産生(born)真正價值的(of)地(land)方。人(people)工智能背後最核心的(of)是(yes)行業知識與領域知識。通用(use)的(of)知識平台不(No)太可能存在(exist)，我(I)們(them)需要(want)一(one)個(indivual)垂直領域一(one)個(indivual)垂直領域的(of)做。明略聚焦三個(indivual)領域，安防、金融、工業與物聯網，我(I)們(them)把三個(indivual)領域的(of)數據知識化存儲下來(Come)，把所有客戶裏的(of)數據知識化存下來(Come)，在(exist)上面産生(born)真正的(of)人(people)工智能應用(use)。

明略不(No)做簡單的(of)數據平台，而是(yes)引入行業知識體系

在(exist)公共安全領域， 明略通過面向AI的(of)數據治理，将海量多源異構數據實時(hour)轉化爲(for)“人(people)、事、地(land)、物、組織”等公安領域的(of)實體，定義并挖掘各實體間的(of)各種關系，并将這(this)些數據全部融合到(arrive)統一(one)的(of)大(big)數據分析平台上，最後落地(land)在(exist)客戶不(No)同的(of)業務警種，在(exist)這(this)個(indivual)過程中我(I)們(them)不(No)僅僅構建了(Got it)一(one)個(indivual)大(big)數據平台，而是(yes)引入了(Got it)公安的(of)知識體系，最終爲(for)公安客戶大(big)大(big)提高破案效率。例如，最近明略禁毒大(big)數據分析平台，在(exist)一(one)個(indivual)月内就徹底摧毀了(Got it)分布在(exist)多省的(of)制販毒網絡團夥。正是(yes)基于(At)此前大(big)量的(of)面向AI的(of)數據治理工作(do)，我(I)們(them)才能爲(for)公安客戶迅速完成數據挖掘和(and)分析，從而迅速破案。

在(exist)金融行業，我(I)們(them)爲(for)全國某股份制銀行搭建了(Got it)全行級知識圖譜平台，把銀行所有業務闆塊的(of)數據按照業務知識的(of)邏輯融合在(exist)一(one)起，這(this)不(No)是(yes)傳統的(of)數據治理，它是(yes)按照銀行的(of)知識體系把全部數據融合在(exist)一(one)起。平台建立後，爲(for)銀行實現海量數據和(and)非結構化數據的(of)分析，提升遠程監控工作(do)水平和(and)能力，從多個(indivual)維度爲(for)銀行帶來(Come)業務效率的(of)提升。

軌道交通是(yes)制造業的(of)重點領域，我(I)們(them)是(yes)國内首家把軌道交通領域散落在(exist)不(No)同子系統的(of)數據以(by)行業知識的(of)結構融合在(exist)一(one)起的(of)公司。例如軌道交通車頭的(of)數據和(and)線網的(of)數據結合，大(big)家知道地(land)鐵站和(and)高鐵站軌道有信号系統，車有很多數據。之前的(of)數據都分散割裂，今天把數據都連接到(arrive)一(one)起，而且連接的(of)時(hour)候是(yes)有背後的(of)知識圖譜和(and)背後的(of)知識結構。當我(I)們(them)把這(this)些數據全部連接到(arrive)一(one)起時(hour)，我(I)們(them)對故障的(of)預測與維護等場景都産生(born)很大(big)的(of)價值，可以(by)節省計算資源與存儲成本。原來(Come)數據量太大(big)，很多不(No)敢存，把數據融合在(exist)一(one)起，更加知道哪一(one)些數據應該存，哪一(one)些數據不(No)應該存。這(this)是(yes)人(people)工智能時(hour)代的(of)數據治理需要(want)做好的(of)準備工作(do)。

數字經濟時(hour)代，明略的(of)産業定位：助力企業數字化轉型的(of)“啓動器”

明略數據是(yes)助力企業數字化轉型的(of)啓動器，人(people)工智能落地(land)行業三步走當中，最基礎的(of)就是(yes)數據在(exist)線。“數據在(exist)線”不(No)是(yes)搭建數據倉庫把數據連起來(Come)，而是(yes)要(want)把行業知識真正梳理清楚。明略與行業的(of)頂級專家思考行業的(of)本質、知識體系是(yes)什麽，如何把數據真正地(land)标注在(exist)行業知識體系中。隻有這(this)個(indivual)工作(do)做好，我(I)們(them)的(of)人(people)工智能才能真正地(land)落地(land)到(arrive)各行業。

數據和(and)知識分幾個(indivual)層面，數據、場景、業務。場景維度，思考到(arrive)底數據會在(exist)哪一(one)些環節被使用(use)。具體業務會考慮具體問題，有很多數據和(and)知識的(of)維度。

我(I)們(them)在(exist)幫助行業梳理過去很多年的(of)工作(do)經驗，很多規則與算法嫁接到(arrive)人(people)工智能的(of)規則算法，形成人(people)機同行時(hour)代的(of)頂級知識體系。計算機未來(Come)也需要(want)知識，它不(No)能隻靠暴力的(of)挖掘與計算解決問題。人(people)工智能在(exist)每個(indivual)企業運行時(hour)要(want)考慮效率，知識幫助計算機解決效率問題。小孩上二年級學簡單的(of)計算，從從1加到(arrive)100有簡單的(of)公式，如果不(No)知道的(of)話需要(want)花很多的(of)腦力。計算機的(of)計算需要(want)知識，面向人(people)工智能的(of)數據治理需要(want)把知識跟原始數據真正連接在(exist)一(one)起，這(this)是(yes)未來(Come)人(people)工智能真正有價值的(of)地(land)方。

明略的(of)目标是(yes)幫助企業不(No)斷提高效率，幫助政府各部門不(No)斷提高效率。我(I)們(them)希望踏踏實實地(land)爲(for)客戶做好面向AI的(of)數據治理，幫助企業和(and)客戶做好人(people)工智能落地(land)的(of)基礎建設工作(do)。我(I)們(them)讓數據成爲(for)企業的(of)核心資産，成爲(for)真正創造價值的(of)IT服務，而不(No)是(yes)成本中心。