第四范式:让AI在各行各业创造最大价值

社会新闻 浏览(817)

引导词:AI公司只是一个指南,转型是由企业自己完成的,“在金融业,我们帮助一家商业银行将其1000元以下的分期付款交易提高了6倍,从而提高了其营销准确性。”

“在能源行业,我们帮助一家石化企业预测了未来1-7天的能源材料价格,平均准确率超过99%,准确预测了采购材料的最佳时间。”

“在零售业,我们帮助一家大型零售企业提高了50%的销售预测准确性,使企业的供应效率更高,成本更低。”6月20日,在第四范式的新人工智能产品发布会上,第四范式创始人首席执行官戴文渊描述了公司人工智能技术在各个行业的价值。观众中挤满了来自英特尔、中国工商银行、百胜品牌中国、瑞金医院等行业的贵宾,聆听对第四范式中企业人工智能转型的理解和定义。

为什么人工智能初创公司会议能吸引许多行业领袖的注意力?这是因为会议围绕着人工智能公司和现实产业相结合的重要命题,而这个已经构建了中国最成功的人工智能系统的团队,如百度凤超(Baidu Fengchao)和今日头条(Today's Headline),致力于利用人工智能的共性原理来提升其在不同行业的成就,即利用机器在海量数据中找到上亿条规则,从而提高企业决策的准确性。

第四种模式建立于四年多前,现在已经发展成为人工智能领域的一家明星独角兽公司。戴文渊说,公司在过去四年里唯一做的事情就是人工智能在各个行业创造价值。戴文渊坚信,人工智能不是行业和企业追求“酷”的奖励项目,而是“核心竞争力”的必要选择。“过去,企业并不依赖人工智能来给自己带来业务竞争力和效益,但现在越来越多的企业开始依赖人工智能,所以今天我们将讨论企业人工智能的转型。”

人工智能登陆简单且难以最大化其价值。

“我们谈到了人工智能在过去两年的登陆。事实上,人工智能着陆非常简单。刷子会落在地上。然而,在公共安全领域刷脸和在办公室门卫刷脸可以创造完全不同的价值观。今天,对企业来说,不是说他们用人工智能作为一把锤子来竞争,而是互相竞争。谁先利用人工智能提升核心价值,谁就将率先提高生产率,为客户提供更准确的服务,并寻找新的思路来提高运营效果。所以今天我们要讨论人工智能的价值,而不仅仅是登陆。机器是价值的核心。”

第四个范例帮助7,617个客户和12,648个场景完成了人工智能转型,涵盖金融、医疗、能源、零售和媒体等许多行业。与此同时,仍有更多的行业和企业渴望改造人工智能,但却找不到解决核心问题的突破口,陷入焦虑之中。“一些企业还没有理解人工智能技术的本质,也没有找到符合自己基因的人工智能。因此,存在一些“伪需求”。事实上,人工智能是一种从数据中发现规律和做出预测的一般能力。企业不需要与人工智能能解决的问题作斗争,而是更关注自己的业务,更关心需要改进的业务价值和目标。”

为了帮助企业正确改造人工智能,同时考虑获取价值的成本,实现利润最大化。第四种范式总结了实践中人工智能转化的“1 N”理论,“1”是指公司核心业务与对业务影响最大的一个或几个场景的完善相结合。“N”是利用高效率在大规模上着陆尽可能多的应用场景,以最大化场景的整体价值。

以第四范式服务的国际零售集团为例。根据其发展目标,业务可以分为“开源”和“节流”。

“开源”目标主要与客户相关,包括提高客户保留率、单一客户价值、平均客户保留时间等。技术上,可能有成千上万的推荐、优惠券营销等。人工智能可以提高核心指标,如保留率和单一客户价值

将企业的整体人工智能转化时间从100年缩短到几个月,“1”代表了对极端业务效果的追求和在其核心业务中建立绝对优势,包括如何充分发挥数据的价值,以及如何从“事后分析”转变为“实时决策”。“N”代表了对大规模登陆效率的追求,包括如何让网络开发者也能开发人工智能应用,以及如何解决人工智能登陆过程中的数据瓶颈。

“1”对人工智能系统达到极致有更高的要求。它不仅需要高维度(维数指规则的数量),还需要实时和人工智能的自学习能力。

人工智能在工业中的应用实际上是在明确业务目标的前提下,使模型的维数更高。一般来说,人工智能的维数越高,其效果越好。然而,在过去的专家模型中,维度通常从几个到几千个不等。然而,传统意义上的高维模型通常被限制在一万级以下。在过去的两年里,人类历史上90%的数据都是生成的。海量数据需要高风险投资维度模型。模型尺寸已经开始达到1000亿的水平,这也带来了更好的商业效果。在金融、互联网和医疗行业的人工智能应用中,高维度使该行业的核心业务效果提高了50%-574%。

随着在线服务和体验要求的提高,人工智能系统需要毫秒级的高实时响应。让只能“事后”出现的统计分析转化为“过程中”实时业务决策人工智能应用,直接产生业务价值。例如,在金融场景中,第四种实时“过程中反欺诈”模式可以减少30%-50%的客户损失。

高维持和平和实时性能,“1”还要求人工智能系统有纠正错误的能力。没有一个系统是完美的,也不会出错。人工智能的错误并不可怕。可怕的是人工智能一直在犯同样的错误。因此,在业务应用过程中不断利用反馈数据更新和优化系统本身,也是人工智能系统未来极其重要的核心能力。

“N”追求大规模着陆效率。正如戴文渊指出的,在人工智能大规模登陆之前,当英美烟草第一次开始制造人工智能时,人工智能应用程序需要超过12个月的时间来构建。当一个企业面临数百种人工智能可以推广的场景时,这样的创新速度需要100年才能完成一个全面的人工智能转型,这是任何企业都无法接受的。

因此,人工智能规模成为推动企业全面变革和升级的关键。然而,认知水平、人才门槛和数据成熟度是人工智能规模不可或缺的条件。

为了弥补公众对人工智能原则认识的不足,第四范式提出用统一的认知和方法大规模生产人工智能,将人工智能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。简而言之,当我们想要向顾客推荐美味的食物时,我们会首先让机器收集顾客过去饮食偏好的行为数据,然后向顾客推荐相关的食物,并收集反馈数据(不管顾客喜不喜欢),根据这些数据进行模型训练,最后引导机器做出决策。在此基础上,第四种范式构建了人工智能生产线的“先知”平台,将人工智能在线应用的平均周期从30个人月缩短到几十个人日。

为了解决人工智能专业人才短缺的问题,低门槛、自动化人工智能技术自动化成为关键。自动语言使机器学习模型能够在没有人工干预的情况下应用,使网络工程师能够构建人工智能。第四个范例始于2015年,战略投资于AutoML,通过自动机器建模降低了模型的开发门槛。另一方面,在人工智能应用开发周期中,数据准备曾经占人工日成本的60%以上,传统的数据治理架构已经成为人工智能规模登陆的瓶颈。第四种范式结合企业人工智能大规模登陆的需要,建立了一套完整的面向人工智能的数据治理系统,从数据完整性、实时性、在线性和离线一致性三个角度构建了数据引擎,解决了传统大数据架构构建人工智能的效率瓶颈和性能问题。

使用的第四个范例

基于对企业需求的理解,第四范式创造性地提出了“软件定义计算”的概念,并推出了硬件产品SageOne。代替传统的在现有硬件上运行算法的方式,采用了软件定义的特殊人工智能系统架构,即针对人工智能场景选择合适的算法,然后选择能够充分发挥算法优势的架构系统,最后在硬件层创建匹配计算力,从而实现强大的性能和低总体拥有成本性能。SageOne可以在核心场景中做出实时业务决策,并且可以在20毫秒内实现对20亿维模型的高并发访问。与普通服务器相比,SageOne软硬件集成解决方案可以将高维建模过程加快6-12倍,并将总拥有成本降低到1/2到1/3。

新技术的发展往往不受技术本身的限制,而是受对新技术的认知的限制。第四种范式回答了一个关于企业人工智能转变的重要问题,即企业人工智能从自身在帮助工业实现人工智能方面的经验。首先,企业需要关注自己的核心场景,并在认知转换过程中确定明确的应用目标。其次,他们需要对组织进行一定的重组,以更好地满足大规模人工智能引入的需要。