浅析人工智能商业化落地的关键因素.doc

《浅析人工智能商业化落地的关键因素.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅析人工智能商业化落地的关键因素浅析人工智能商业化落地的关键因素　　目前，人工智能还处于弱人工智能水平阶段，商业落地应该一步一个脚印，不能急于求成。目前的人工智能技术只能解决部分问题，人工智能要实现商业落地，需要搞清楚要解决问题的具体领域，并有明确的应用场景边界，把人工智能的功能限定在特定的边境之中，这样的AI解决方案才更具有实用价值。　　2闭环数据反馈循环　　中国的BAT,以及国外的谷歌、微软、苹果、特斯拉等巨头公司，他们都有一个共同特征—闭环的数据反馈循环。向百度、Google等互联网公司，能够

2、通过用户输入的信息，就能及时获取用户的一手数据。通过特定技术，就能提高客户的体验。从终端收集数据，然后用数据训练模型，这样就可以用模型提高用户体验，用户端又会重复产生数据，这就形成了闭环的数据反馈循环。　　3海量高质量数据　　近年来，伴随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业数字化的转型，数据量呈现几何级增长，根据IDC统计，全球数据总量预计2020年达到44ZB，中国数据量将达到8060EB，占全球数据总量的18%。针对视频和音频等数据，其分析越来越聚集于提取其中的语义，

3、以深度学习为代表的人工智能技术，本质上是一个具有多层的神经网络，只有依托海量的数据，才能使其学习质量达到理想的结果。　　4高性能计算硬件　　深度学习模型可以分为三个环节，分别为：前期训练、云端推理、终端推理，其中前两个环节存在较大的计算量，目前，CPU+GPU架构已经成为大部分企业的首选。FPGA的性能功耗比使得它有很大的市场，百度采用FPGA打造百度大脑专用AI芯片，微软也是基于英特尔Stratix10FPGA芯片打造了Brainwave平台。在终端推理环节，由于终端设备需求各不相同，需要定制化、

4、低功耗、低成本的嵌入式解决方案，市场的竞争呈现多样化，如寒武纪的1A处理器。　　通过前面章节的探讨，我们知道了想要人工智能落地，就必须把握好四个关键因素，未来可从这四个方面形成合力，加速人工智能应用落地，构建应用场景、高性能计算硬件成为人工智能应用落地的重中之重。那么，人工智能将率先在哪些领域落地？这也是很多人所关注的焦点，就此话题，我们展开进一步的讨论。　　人工智能将在哪些领域率先落地？　　1金融领域　　很长时间以来，由于在风控和运营方面的局限，金融服务一直存在很多瓶颈，不过，随着人工智能、大数据

5、、云计算时代的来临，这些问题完全有可能迎刃而解，对此，百度高级副总裁朱光的判断是，“人工智能最好、最有商业价值的落地场景就是金融。人工智能技术现在就能使其真正发生深刻变革的产业就是金融。”在传统领域里面数据做得最好的就是金融界，李开复曾经指出：“一是在金融界里相对隔离得非常清晰。金融领域是不跟其他领域混在一起的，股票就是股票、保险就是保险、银行就是银行、账单就是账单，这些东西是能够用来计算的，且属于狭窄的领域。二是利用手中拥有的大数据量，可以获取更多的数据。三是金融是最无摩擦的领域，钱进钱出，这里没

6、有生产、仓库和物流。”这就是为何人工智能很容易在金融领域落地，人工智能在金融领域的应用，主要通过机器学习、语音识别、视觉等方式来预测交易数据、价格走势等，从而为客户提供先关的金融服务，这样能大大降低投资风险。这里需要强调的是，并不是人工智能技术将要取代人类，而是帮助人类做的更好。　　2零售领域　　人工智能在零售领域的应用，主要是通过大数据的分析，对仓储和物流以及导购进行智能管控，从而达到节省成本、提高效率、简化购物程序的目的。人工智能在零售行业有很多应用场景，如：计算机视觉和模式识别、消费者分析、智

7、能库存管理等，这里以计算机视觉和模式识别为例，简要做一举例，电商平台每天都会有海量图片，而通过计算机视觉和模式识别等深度学习技术，能对其进行分析和识别，在不完整信息的情况下，自动识别图片的关键要素，从而为消费者提供更便捷的体验。　　3企业级服务　　通过算法以及大数据处理系统的运用，现阶段人工智能已经具备人脸识别、智能交互等功能，已经具备数据分析和描绘客户画像的能力，能够让服务和营销的精确度更加精准。由于机器学习是人工智能的基础，所以机器学习在企业服务领域中的应用场景非常广泛。例如：碳云智能利用AI技

8、术进行健康数据分析，为医院、药厂、健康管理公司等提供人群健康指数分析和预测；中译语通用深度学习、神经网络等技术为客户提供海量的机器翻译与语义搜索等服务；因果树用AI投资机器人辅助企业进行投资决策。　　4医疗领域　　人工智能在医疗健康领域中的应用领域包括虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理等，近年来，智能医疗的热度逐渐攀升，随着图像识别、深度学习、神经网络技术的不断进步，在很大程度上推动了医疗产业与人工智能的深度融合。从另一个方面来