第四范式:做企业全面AI转型的引路人

  • 日期:08-02
  • 点击:(1898)


导语:AI公司只是一个指南,转型就是企业自身

“在金融行业,我们帮助商业银行将其分期付款交易增加不到1,000美元,并提高了营销准确性。”

“在能源行业,我们帮助石化公司在未来1-7天内预测能源材料的价格,平均准确度超过99%,并准确预测购买材料的最佳时机。”

“在零售行业,我们帮助大型零售商将销售预测准确率提高50%,使其更高效,更具成本效益。”6月20日,在第四个范例AI新产品发布会上,第四个Paradigm创始人&首席执行官德文元谈到了公司人工智能技术在各个行业的价值。观众坐在英特尔,工行,百胜的大咖啡客人面前!中国,瑞金医院等行业,听取了企业的第四种范式。理解和定义AI转换。

提高业务决策操作准确性的规则。

四年前建立的第四个范例现已发展成为人工智能领域的明星独角兽公司。戴文元说,公司已经做了四年,只有人工智能在各个行业创造了价值。戴文元坚信,人工智能不是为了行业和企业追求“酷”的奖金,而是必须为“核心竞争力”。 “过去,公司并不依赖人工智能为他们带来商业竞争力和效益,但现在越来越多的公司开始依赖,所以今天我们将讨论企业人工智能的转型。”

AI着陆很简单,价值难以最大化

“在过去的两年里,我们谈到人工智能登陆。事实上,人工智能登陆非常简单。它已经降落在脸上,但在公安领域,刷脸和刷在办公室的脸,价值可以创造的是完全不同的。今天对于企业来说换句话说,并不是说AI锤子是用来竞争的,而是企业之间的竞争。谁先用AI来提升核心价值,无论谁拿到在提高生产力方面处于领先地位,率先为客户提供更准确的服务,并且是第一个找到改善运营结果的新方法。所以今天我们谈论的是AI值,而不仅仅是着陆。机器是价值生成的核心。“

第四种模式帮助7617个客户和情景完成了AI转型,涵盖了金融,医疗,能源,零售,媒体和许多其他行业。与此同时,仍有更多的行业和企业渴望改变人工智能,但他们无法在解决核心问题和陷入焦虑中找到突破口。 “有些公司不了解人工智能技术的本质,他们没有找到与自己的基因匹配的人工智能,因此存在一些'伪要求'。事实上,人工智能是一种预测法律的一般能力。数据,企业不需要纠缠AI。最终,可以解决哪些问题,而是更多地关注自己的业务,更关注他们需要改进的业务价值和目标。

为了帮助公司正确转换AI,同时考虑获取价值的成本,最大化收益。第四种范式总结了企业人工智能在实践中转化的“1 + N”理论。 “1”是指公司的核心业务与对业务影响最大的一个或多个方案的极端影响的组合。 “N”旨在以尽可能多的高效率扩展应用场景,以最大化场景的整体价值。

以服务第四范式的国际零售集团为例。根据其发展目标,业务分为两类:“开源”和“节流”。

“开源”的目标主要与客户相关,包括提高客户保留率,单一客户价值和平均客户保留时间。在手段方面,可能有成千上万的建议,优惠券营销等。人工智能可以通过优化推荐和营销来改善保留率和单个客户价值等核心指标。

“节流”的目标是降低中后台的运营成本,提高运营效率。通过提高供应链和其他环节的效率来提高公司的竞争力。

其中,个性化服务和供应链是核心应用,其中“1”增加1个百分点就足以改变企业的竞争格局。而许多细分场景,如各种文件的OCR,各种场景的语音识别,智能客户服务,过程机器人等,都是“N”缩放登陆可以提高企业的整体效率。

“1 + N”解决的问题是公司不必研究人工智能的第一个着陆场景,而是有无限的场景创新可能性。

让公司全面的AI转型时间从一百年降到几个月

“1”代表最终的商业效应,并在其核心业务中建立绝对优势,包括如何充分利用数据价值以及如何从“事后分析”转变为“实时决策”。 “N”代表追求基于规模的效率,包括如何使Web开发人员开发AI应用程序,以及如何解决AI登陆期间的数据瓶颈。

“1”是最终的,对AI系统的要求很高。它不仅需要高维度(维度指的是规则数量),还需要实时和AI自学习功能。

人工智能在行业中的应用实际上是在明确的业务目标的前提下使模型的维度更高。通常,AI的尺寸越大,效果越好,但过去的专家模型通常从几个到几千个不等;而传统的高维模型往往限于10,000。尺寸以下。在过去两年中,人类历史上90%的数据已经生成。海量数据需要具有高VC维度的模型。模型维度已达到1000亿个级别,并带来了更好的业务成果。金融,互联网和医疗行业的第四个范例。在人工智能应用中,高伟将该行业的核心业务绩效提高了50%-574%。

随着服务变得更加线性并且对体验的需求增加,AI系统还需要具有毫秒响应的高实时性能。让统计分析只能出现在“事后”之后,转化为“实际”的实时商业决策AI应用,直接产生商业价值。例如,在财务方案中,第四范式实时“反欺诈”可以将客户损失减少30%-50%。

除了高维度和实时性,“1”还要求AI系统具有纠正能力。任何系统都不可能是完美的,它可能会出错,AI并不可怕,而可怕的是AI继续犯同样的错误。因此,在业务应用程序过程中连续使用反馈数据,系统自我更新和优化,也是未来AI系统极其重要的核心能力。

“N”追求着陆着陆的效率。如德文元所示,人工智能应用程序是在人工智能缩减之前的12个月内建立的,就像英美烟草公司首次开始人工智能一样。当公司面对成千上万可由人工智能推广的场景时,这种创新速度需要100年才能完成完整的AI转换,这对任何企业来说都是不可接受的。

件。

为了弥补公众对AI原理缺乏认识,第四种范式提出使用统一的认知和方法来扩展生产AI,将AI开发过程简化为四个步骤:行为数据收集,反馈数据收集,模型训练和模型应用。简单地说,当我们想向顾客推荐食物时,我们首先会让机器收集顾客过去的饮食偏好的行为数据,然后向顾客推荐相关食物,并收集反馈数据(顾客是否喜欢)它),并根据这些数据进行模型训练。最后,指示机器做出决定。基于此,第四范式构建了AI生产流水线“先知”平台,将平均AI应用阵容从30人减少到数十人。

为了解决人工智能专业人员短缺的问题,低门槛和自动化人工智能技术AutoML是关键。 AutoML允许在没有人为干预的情况下应用机器学习模型,允许Web工程师构建AI。自2015年以来,第四个范例已在战略上投资于AutoML,并通过自动机器建模降低了模型开发阈值。另一方面,在AI应用程序开发周期中,以前的数据准备占人工成本的60%以上,而传统的数据治理架构已成为AI规模的瓶颈。第四种模式结合了企业AI规模的需求,并建立了一个完整的面向AI的数据治理系统。它从三个角度构建数据引擎:数据完整性,实时,在线和离线一致性,并解决传统的大数据架构。为AI构建效率瓶颈和性能问题。

过去,第四种模式侧重于提供更好的软件平台和方法。然而,在服务企业的过程中,发现无论是核心业务的最终效果还是人工智能的规模,底层都需要计算能力的支持。大公司的机器数量是数万。早期团队的通常想法是该算法应该与现有的硬件系统相匹配,但是这种合作很难支持极高的AI影响高度计算的要求。与此同时,随着人工智能规模的不断扩大,机器数量实际呈指数级增长,这也导致企业无法负担的高计算成本。

基于对企业需求的理解,第四种模式开创了“软件定义计算”的概念,并推出了硬件产品SageOne。放弃让算法在现有硬件上运行的传统方式,使用软件定义的专用AI系统架构,即为AI场景选择合适的算法,然后选择最能充分利用算法优势的架构系统,最后是在硬件层。创建匹配的计算能力,实现强大的性能和低TCO性能。在核心场景中,SageOne可以做出实时业务决策,并在20毫秒内实现20亿维模型的高并发访问。与普通服务器相比,SageOne的软硬件集成解决方案可以使高维模型构建过程的加速度提高6-12倍,并且TCO降低到1/2到1/3。

新技术的开发通常不受技术本身的影响,而是受新技术的影响。第四种范式基于其自身帮助行业登陆AI的经验,回答了关于企业AI转型的重要问题。企业首先需要认识到转型过程,关注其核心情景,确定明确而明确的应用目标,其次,还必须在组织中重新整合,以更好地适应大规模引入AI的需求。