導語:AI公司只是引路人,完成轉型的是企業自身
“在金融行業,我們幫助某商業銀行千元以下的分期交易提升6倍,實現了營銷精準性的提升。”
“在能源行業,我們幫助某石油化工企業預測未來1-7天能源材料的價格,平均準確率達到99%以上,精準預測采購材料的最佳時間。”
“在零售行業,我們幫助某大型零售企業提升50%的銷售預測準確率,讓企業供貨效率更高、成本更低。”6月20日,在第四范式AI新品發布會上,第四范式創始人&CEO戴文淵地講述著公司的AI技術在各個行業產生的價值,臺下坐著來自英特爾、工商銀行、百勝中國、瑞金醫院等各行業的大咖嘉賓,傾聽第四范式對于企業AI轉型的理解與定義。
一場人工智能創業公司的發布會,為什么能夠引發諸多業界領袖的關注。這是因為發布會圍繞著人工智能公司與實體產業結合的重要命題,而這只打造了百度鳳巢、今日頭條等中國最成功AI系統的團隊,正致力于用人工智能的共通性原理推動其在不同行業取得成果,即利用機器在海量數據中尋找數億條規則,從而提升企業決策經營的準確性。
成立四年多的第四范式如今已經發展成為AI領域的明星獨角獸公司。戴文淵表示四年來公司在做的,只有AI在各個行業里創造價值這一件事。戴文淵堅信人工智能對于行業和企業來說絕不是為了追求“炫酷”的加分項,而是一個關乎“核心競爭力”的必選項。“過去企業不依賴AI給它帶來業務上的競爭力和收益,但是現在越來越多的企業開始依賴,所以今天我們要討論企業AI轉型這件事情。”
AI落地簡單 價值最大化難
“過去兩年我們談AI落地,其實AI落地很簡單,刷個臉就落地了,但在公安領域刷臉和在辦公室門禁刷臉,所能創造出的價值是完全不一樣的。今天對于企業來說,不是說拿著AI這個錘子去競爭,而是企業互相之間的競爭,誰先利用AI提升了核心價值,誰就率先提升了生產力、率先為客戶提供更精準化的服務、率先找到提升運營效果的新思路。所以今天我們要講的是AI價值,不僅僅是落地。機器是產生價值的核心。”
第四范式已經幫助7617個客戶、12648個場景完成AI轉型,覆蓋了金融、醫療、能源、零售、媒體等眾多行業。與此同時,還是有更多的行業與企業迫切想要轉型AI,卻找不到解決核心問題的突破口,陷入焦慮。“一些企業并沒有理解AI技術的本質,未找到與自身基因匹配的AI,因而出現了一些‘偽需求’。其實AI是一種從數據中發現規律進行預測的通用能力,企業不需要糾結AI到底能夠解決什么問題,而是轉而更聚焦于自身業務,更關心本身需要提升什么業務價值與目標。”
為了幫助企業正確地轉型AI,同時考慮獲得價值的成本,實現收益最大化。第四范式在實踐中總結出了企業AI轉型的“1+N”理論,“1”是指結合公司核心業務,把1個或幾個對業務影響最大的場景做到極致。“N”則是用高效率把盡可能多的應用場景進行規?；涞?使場景的總體價值最大化。
以第四范式服務的某國際零售集團為例,根據其發展目標,業務分為“開源”和“節流”兩大類。
“開源”的目標主要和客戶相關,包括提升客戶留存率、單客戶價值、平均客戶留存時間等。手段上來說,可能有千人千面的推薦、優惠券營銷等。AI在里面可以通過優化推薦、營銷等環節,提升留存率、單客戶價值等核心指標。
“節流”的目標主要是降低中后臺運營的成本和提升運營效率。通過提升供應鏈等環節的效率,降低成本,提升企業的競爭力。
這其中,個性化服務、供應鏈是核心應用,是“1”——1個百分點的提升就足以改變企業的競爭格局。而眾多細分場景,如各種單據的OCR、各種場景的語音識別、智能客服、流程機器人等,是“N”——規模化的落地可以提升企業的整體效率。
“1+N”解決的問題是,企業不用再悉心研究AI的第一個落地場景是什么,而是擁有無限的場景創新可能。
讓企業全面AI轉型的時間從一百年下降到數月
“1”代表追求極致的業務效果,在自己的核心業務上建立絕對優勢,包括如何充分發揮數據價值,以及如何從“事后分析”變為“實時決策”等。“N”代表追求規?；涞匦?包括如何讓Web開發者也能開發AI應用,以及如何解決AI落地過程中數據瓶頸。
“1”要做到極致,對 AI 系統的要求較高,不僅需要高維度(維度指的是規則數量),還要求實時和 AI 有自我學習能力。
在產業界應用AI,其實就是在業務目標清晰的前提下,把模型的維度做高。通常,越高維度的AI,其效果上能做到越精細,但過去的專家模型,往往維度在幾個到幾千個不等;而傳統意義上的高維模型,往往局限在萬級別的維度以下。過去兩年產生人類歷史上90%的數據,海量數據需要高VC維的模型,模型維度開始達到千億級別,也帶來了更好的業務效果——第四范式在金融、互聯網和醫療等行業的AI應用中,高維為行業的核心業務效果提升了50%-574%。
隨著服務線上化以及對體驗要求的提高,AI系統同時要求有毫秒級響應的高實時性。讓原本只能出現于“事后”的統計分析,轉變成為“事中”實時業務決策AI應用,直接產生業務價值。例如在金融場景中,第四范式實時的“事中反欺詐”可將客戶損失降低30%-50%。
高維和實時性之外,“1”還要求AI系統有糾偏的能力。任何系統都不可能完美,都可能會犯錯,AI犯錯不可怕,可怕的是 AI 持續犯同一個錯誤。因此,持續利用業務應用過程中的反饋數據,進行系統自我更新與優化,也是未來AI系統極其重要的核心能力。
“N”追求的是規?；穆涞匦省Ｕ绱魑臏Y所舉例道,在AI規?；涞刂?像BAT剛開始做AI的時候,一個AI應用都是超過12個月建設周期。當企業面臨成百上千個可以被AI所提升的場景,這樣的創新速度完成全面AI轉型需要一百年,這是任何企業都不能接受的。
因此,AI規?；蔀橥苿悠髽I走向全面變革和升級的關鍵鑰匙。而認知水平、人才門檻和數據成熟度則是AI規模化中不可或缺的條件。
為了彌補大眾對AI原理的認知不足,第四范式提出用統一的認知和方法論規?；aAI,將AI開發過程簡化為行為數據采集、反饋數據采集、模型訓練、模型應用四個步驟。簡單來說,當我們想要給顧客推薦美食,我們會先讓機器采集顧客過往飲食喜好的行為數據,然后推薦給顧客相關食物,并采集反饋數據(顧客是否喜歡),基于這些數據進行模型訓練,最終指導機器做出決策。第四范式以此為基礎構建了AI生產流水線“先知”平臺,將AI應用上線平均周期從30人月降低至數十人天。
為了解決AI專業人才緊缺的問題,低門檻、自動化的AI技術AutoML成為關鍵, AutoML讓機器學習模型無需人工干預即可被應用,讓Web工程師就能夠構建AI。第四范式從2015年開始戰略投入AutoML,通過機器自動建模,降低模型的開發門檻。另一方面,在AI應用開發周期中,以往數據準備占據60%以上人天成本,傳統數據治理架構已成為AI規模化落地的瓶頸。第四范式結合企業AI規?；涞匦枰?建立了一套完整的面向AI的數據治理系統,從數據完整性、實時性、線上線下一致性等三個角度構建數據引擎,解決傳統大數據架構構建AI的效率瓶頸和性能問題。
第四范式過去專注于提供更好的軟件平臺和方法論,然而在服務企業的過程中,發現無論是核心業務的極致效果,還是AI規?；涞?在底層都需要算力的支撐。大型公司的機器數量動輒上萬,早期團隊通常的思路是算法要匹配已有的硬件系統,但這種配合很難支持極致的AI效果對算力極高的要求。同時,隨著AI落地規模的不斷增大,機器數量實際呈指數性增長,也導致了企業無法負擔的高昂算力成本。
基于對企業需求的理解,第四范式開創性的提出了“軟件定義計算”理念,并推出了硬件產品SageOne。摒棄了傳統的讓算法在現有硬件上運行的方式,而采用由軟件定義的專用AI系統架構,即針對AI場景選擇合適的算法,繼而選擇最能發揮算法優勢的架構系統,最后在硬件層打造與之匹配的算力,從而取得強大性能與低TCO表現。在核心場景SageOne可以做到實時的業務決策,20毫秒內可實現20億維度模型的高并發訪問。相比普通服務器,SageOne軟硬一體解決方案可實現高維模型構建過程的6-12倍加速,TCO降低到1/2到1/3。
新技術的發展往往不是受制于技術本身,而是對新技術的認知。第四范式從自身幫助產業界落地AI的經驗出發,回答了一個關于企業AI轉型的重要問題。企業首先需要認知轉變的過程,要聚焦自身核心場景,確定明確清晰的應用目標,其次在組織上也要進行一定的重新整合,才能更好地適配規模化引入AI的需求。
