数智化 | 企业智能化如何落地？格物钛领先实践入选爱分析「2022人工智能应用实践报告」

智能技术赋能企业数字化转型，能否把握这一机遇，成为企业扩大市场竞争力的关键。智能化进程中，企业正在或将会面临哪些挑战？有哪些成熟路径和方法论？有哪些值得借鉴的前沿实践案例？

近日，爱分析发布《2022人工智能应用实践报告》（下文简称为“报告”），梳理人工智能在产业中落地的20大挑战，评估AI应用成熟度来因地制宜推进智能化，总结企业智能化转型方法论并展示14个优秀案例。

报告中，格物钛数据平台助力上汽安吉物流批量化迭代AI模型的领先实践入选，格物钛创始人兼CEO崔运凯作为外部专家受邀参与报告研究过程。

人工智能在产业中落地的20大挑战

自2019年起，人工智能的发展进入与产业加速融合的阶段，已经广泛渗透进金融、零售、工业、能源、医疗、城市管理等多个行业和领域，一些行业头部企业已经全面拥抱了智能化转型。由于可获取和参考的建设经验有限，加上企业所处行业、发展阶段的不同，自身需求以及拥有的资源禀赋各异等因素，人工智能在产业中落地充满挑战。

报告基于大量调研和过往研究积累，从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度梳理出了目前人工智能在产业中落地面临的20个主要挑战。

战略层面：

• 缺少明确的短、中、长期目标与路径
• 组织、治理结构、制度流程等方面未达成统一
• 缺少主动地识别新技术用于业务创新的机制

数据层面：

• 数据基础较差，包括了数据孤岛、数据质量低、数据架构老旧等问题
• 缺少面向AI开发的数据采集、数据处理、数据管理等方面的标准化方法和自动化能力

场景规划层面：

• 业务价值链与可智能化的应用场景分散，导致AI应用场景不明确
• 缺少定位高价值度应用场景的方法

应用解决方案开发层面：

• 企业对于何时自研，何时引入外部能力不明确
• AI开发人员对业务流程、业务需求理解不足
• 将业务问题转化为AI算法可解决问题的难度大
• 数据样本量小、质量低，不足以支撑应用解决方案的开发
• 从验证想法到模型部署上线的时间过长
• 业务系统中部署AI应用面临场景化适配问题，需考虑“云边端”的协同部署的方式

技术基础设施层面：

• 业务和IT系统的技术架构老旧，不能适配AI开发和部署的需求
• AI开发技术门槛高，缺少易用的平台型开发工具
• 大规模的应用开发成本高
• 组织内缺少统一的AI技术管理和服务能力
• 缺少覆盖模型全生命周期的管理和运营能力

组织与人才层面：

• 组织：部门间缺少协同机制、权责不明，阻碍智能化推进
• 人才：优秀的数据科学家、算法工程师人才紧缺；普通IT和业务人员模型AI技能欠缺；管理人员AI素养不足
  

评估AI应用成熟度，因地制宜推进智能化

智能化转型没有统一的路径和方法，不同企业在不同阶段面临的问题通常也各不相同。爱分析调研发现，国内主要行业目前已经开展过智能化建设的企业中，约70%仍处AI应用的早期实验或初步投入阶段，仅约30%的企业进入多维布局或深度应用阶段，真正在组织内实现AI应用与业务全面融合的企业不足1%。报告预测，在接下来的3至5年，国内大量的企业对AI的应用将从单点的AI建设走向全面的智能化转型。

企业智能化转型方法论

既然梳理了企业智能化可能遇到的挑战，明确了各阶段着力的方向，企业具体如何做才能达到“数智化”目标呢？

报告从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才六个维度，论述企业在应对智能化转型的多种挑战时可以采取的方法和措施，并选取了14个领先案例为企业提供参考。

战略层面：

明确智能化的目标和路径，并在组织内达成统一；

建立将新技术用于业务创新的机制，并提供相应的资源支持

案例：

• 某大型保险集团制定了平台、应用、技术“三个领先”战略，并成立专门大数据和人工智能部门，从项目管理机制、前沿技术研究、国产化方案替代、应用成果孵化等方面开展建设，从而推动智能化转型。

数据层面：

重视数据治理与数据平台建设工作；

建立面向AI开发的数据采集、数据处理和数据管理等方面的标准化方法和自动化能力

案例：

• 中新天津生态城构建智慧城市产业大脑，用AI挖掘数据价值；
• 非结构化数据平台格物钛助力上汽安吉物流批量化迭代AI模型，让物流管理更智慧

场景规划层面：

确定场景规划的流程和方法；

定位高价值度应用场景

案例：

• 美宜佳打造商业智能决策管理平台，实现线下零售的智能化运营；

• 虚拟数字人助力江南农商银行为客户提供创新性的远程视频柜员服务；
• 某全球头部日用消费品公司在华公司以费用支出为导向规划AI应用场景

应用解决方案开发层面：

明确自研和引入外部能力的条件；

在AI开发团队中引入业务专家，提供业务知识方面的专业指导；

依靠经验丰富的AI开发人员将业务问题转化为算法可解决的问题；

提高小数据集的数据质量以支撑AI应用开发；

采取先以最少的数据让AI应用可用即上线，后续再维护更新的策略；

综合考虑算力、带宽等需求，设计合理的“云边端”协同部署方式

案例：

• 依托计算机视觉技术，某餐饮连锁企业为饺子品控安上智慧之“眼”；
• 中宏人寿保险构建营销员智能助理，通过保险知识的共享和复用赋能销售；
• AI算法支撑下，AR虚拟试戴让安克创新用户获得更优的线上互动体验；

• 某银行搭建智能消费者保护中台，助力消费者权益保护监控和预警

技术基础设施层：

实现AI系统与不同业务和IT系统的融合；

使用低门槛的平台化工具赋能企业内AI应用的开发；

通过引入成熟模型，以及提高模型泛化能力等方式降低大规模AI应用开发的成本；

建立统一的模型开发和模型管理能力，提高AI资源的利用率；

构建覆盖模型全生命周期MLOps体系，缩短模型迭代周期，并持续地保障模型质量

案例：

• 海信集团引入AI平台，构建独立自主的AI开发能力；
• 助力某大型集团搭建AI数据智能平台，支撑数智化升级；
• 某大型国有商业银行构建MLOps体系，实现敏捷的模型迭代，高效的模型交付

组织与人才层面：

建立适应AI开发和管理需求的组织架构，明确部门权责和协同机制；

内外兼顾，培养AI人才队伍

案例：

• 某头部家电集团建立面向AI开发和管理的组织架构，全面支持产品的智能化创新

人工智能在产业中的落地正在如火如荼地推进，预计3至5年，国内大量的企业对AI的应用将从单点的AI建设走向全面的智能化转型。随着进程的推进，更多未知的领域有待企业去探索，AI在产业中落地也会面临许多新产生的问题，格物钛将持续跟踪研究与实践，让越来越多的企业释放积累数据的无限价值。