AI中台助力企业智能化转型

2020-06-28 11:09:57

本文主要和大家分享 “AI中台如何助力企业数字化以及智能化转型”，以及我在构建 AI中台方面的一些心得和经验。
企业数字化旨在利用数字化技术改变企业业务模式，优化生产过程以及寻求新的商业价值。但能够做到真正数字化的企业并不是很多。那么在数字化的征途上，企业都需要做些什么呢？

从数字化到智能化

企业首先要做的事情是数据连接，也就是进行数据的收集、整理，以及标准化和统一化的数据操作，形成统一的数据平台。进而基于这些数据去进行分析，制定数据指标，再基于这些数据指标进行一些挖掘和洞察，后依据数据的洞察做决策。

智能化赋能方向

智能化其实想想已经离我们并不是那么遥远了，在很多领域我们都有一些智能化的赋能和应用。我将它总结成两个维度：

从一个横向的维度来讲，有一些通用化的AI技术，比如说计算机视觉、CD还有NRP，这是自然语言处理。还有声学处理，这样的一些通用化的AI可以应用在各个领域。
从垂直的角度来说，企业可以对垂直领域的数据进行专门的分析挖掘。比如企业可以深入某一个营销场景，做一些业务探索等。

这两个维度结合，就可以组合出各种各样的智能化赋能。大类赋能就是智能化的流程管理，比如智能运营、金融企业里的风控、运营过程中的一些业务助理，包括底层的技术运维等等。

第二大类就是我们非常熟悉且讨论很多的智能化精细营销。例如精准推荐、客户画像、客群分析，还有智能客服等等。

第三大类是智能化决策领域，这个领域里包括智能顾问、知识图谱，还有用人工智能技术进行报告分析并预测趋势，后辅助企业做决策。

所以智能化赋能已经走进了企业的日常研发工作流程。

企业进行智能化建设的痛点？

实施过程它比较复杂：研发环节比较多、流程重复、以及缺少过程的固化、优化与自动化，业务响应缓慢。
部署维护困难：模型研发与部署割裂，缺少统一的运行、监控平台，以及更新维护机制。
缺少反馈与更新：生产模型缺少持续的数据反馈，导致模型性能随时间偏移，难以更新。
模型重复建设问题：“烟囱式”开发，目标重复、过度重复，缺乏资产复用与能力沉淀。
高投入低产出：项目建设相对缓慢，投入高，收效低，完成后应用范围小，无法扩大。
研究缺乏管理：缺少统一标准，研究力量分散，资源利用率低，AI资产缺乏管理，易流失。

中台化思想结构

中台化理论是几年前阿里提出的，他们在企业内部进行了一系列的中台化改造。阿里强调的是服务沉淀，能力共享，打破系统的壁垒，用大中台的能力去支持小前台不断变化的需求，实现对前台业务需求的敏捷化支持，终实现业务的快速的创新。

那么我们平时听到多的中台是什么？是数据中台。

数据中台统一了数据的标准，沉淀公共数据，实现数据实体化、标准化、统一化的融合。事实看来中台化是有效的，因为数据中台里固化下来的那些有价值的资产和能力，在支撑工具的帮助之下，并且加以统一的标准化约束，就能够向外充分地实现资产和能力的复用、共享，对外提供敏捷而高效的服务，不断地满足前台纷纷扰扰各种各样的业务需求。

总体来说，从资产向外输出，实现相关的复用和共享之后，再次进行能力的沉淀，纳入到中台，再把这些资源再重新地再共享出去，终实现的是一个有机的循环，以及对于资产和能力的集约化管理。

中台化的事项对于AI研发是否有帮助？

我们构建 AI中台，上面对接业务前台，下面依赖于数据方的支持，对外提供一个标准化统一化的服务。我们只加工利用可复用的能力和资产来进行标准化产品的加工，并且整个过程是可追踪、可维护、可更新的，可以有效或者说合理地进行循环的，这就是AI中台的形成。

为什么AI中台能解决问题

首先，AI中台可以对复杂的实施过程进行标准化流程规约，也就是企业可以充分复用算法和特征，通过特征引擎进行固化，再通过可复用的模型和算法，利用数据来重训练模型。目的是实现复杂实施过程的标准化、流程化和自动化，并尽量加快其学习的过程。

另外针对流程化部署维护方面，AI中台可以提供一套标准化的模型封装工艺，对外企业只要维护一个统一的服务接口，实现统一模型运行维护统一的平台。

企业还可以在运行平台之上，建立一系列的监控机制和反馈机制，定期进行数据样本的收集与导出，性能指标定义与报表展示。这依赖的是对服务持续性的监控，AI中台实现的是持续健康地反馈和更新。终这些持续的反馈更新反过来还会作用到开始复杂实施过程的流程化与自动化的一个环节里去优化模型。

总而言之，AI中台是充分利用企业现有的能力。当前端有新的需求出现时，后端可以用自动化的工具迅速迭代功能。此外，AI中台还可以利用企业已有的一些能力来对前台提供支持，让企业服务越来越敏捷。如果有重复的需求提出，AI中台可以帮助企业直接利用现在已有的服务，通过一些简单的改造或者封装，提供一个充分复用、充分共享的服务，避免重复性建设。