導(dǎo)語:AI公司只是引路人,完成轉(zhuǎn)型的是企業(yè)自身
“在金融行業(yè),我們幫助某商業(yè)銀行千元以下的分期交易提升6倍,實現(xiàn)了營銷精準(zhǔn)性的提升。”
“在能源行業(yè),我們幫助某石油化工企業(yè)預(yù)測未來1-7天能源材料的價格,平均準(zhǔn)確率達(dá)到99%以上,精準(zhǔn)預(yù)測采購材料的最佳時間。”
“在零售行業(yè),我們幫助某大型零售企業(yè)提升50%的銷售預(yù)測準(zhǔn)確率,讓企業(yè)供貨效率更高、成本更低。”6月20日,在第四范式AI新品發(fā)布會上,第四范式創(chuàng)始人&CEO戴文淵地講述著公司的AI技術(shù)在各個行業(yè)產(chǎn)生的價值,臺下坐著來自英特爾、工商銀行、百勝中國、瑞金醫(yī)院等各行業(yè)的大咖嘉賓,傾聽第四范式對于企業(yè)AI轉(zhuǎn)型的理解與定義。
一場人工智能創(chuàng)業(yè)公司的發(fā)布會,為什么能夠引發(fā)諸多業(yè)界領(lǐng)袖的關(guān)注。這是因為發(fā)布會圍繞著人工智能公司與實體產(chǎn)業(yè)結(jié)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(tǒng)的團(tuán)隊,正致力于用人工智能的共通性原理推動其在不同行業(yè)取得成果,即利用機(jī)器在海量數(shù)據(jù)中尋找數(shù)億條規(guī)則,從而提升企業(yè)決策經(jīng)營的準(zhǔn)確性。
成立四年多的第四范式如今已經(jīng)發(fā)展成為AI領(lǐng)域的明星獨(dú)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(yè)里創(chuàng)造價值這一件事。戴文淵堅信人工智能對于行業(yè)和企業(yè)來說絕不是為了追求“炫酷”的加分項,而是一個關(guān)乎“核心競爭力”的必選項。“過去企業(yè)不依賴AI給它帶來業(yè)務(wù)上的競爭力和收益,但是現(xiàn)在越來越多的企業(yè)開始依賴,所以今天我們要討論企業(yè)AI轉(zhuǎn)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(lǐng)域刷臉和在辦公室門禁刷臉,所能創(chuàng)造出的價值是完全不一樣的。今天對于企業(yè)來說,不是說拿著AI這個錘子去競爭,而是企業(yè)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(chǎn)力、率先為客戶提供更精準(zhǔn)化的服務(wù)、率先找到提升運(yùn)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(jī)器是產(chǎn)生價值的核心。”
第四范式已經(jīng)幫助7617個客戶、12648個場景完成AI轉(zhuǎn)型,覆蓋了金融、醫(yī)療、能源、零售、媒體等眾多行業(yè)。與此同時,還是有更多的行業(yè)與企業(yè)迫切想要轉(zhuǎn)型AI,卻找不到解決核心問題的突破口,陷入焦慮。“一些企業(yè)并沒有理解AI技術(shù)的本質(zhì),未找到與自身基因匹配的AI,因而出現(xiàn)了一些‘偽需求’。其實AI是一種從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律進(jìn)行預(yù)測的通用能力,企業(yè)不需要糾結(jié)AI到底能夠解決什么問題,而是轉(zhuǎn)而更聚焦于自身業(yè)務(wù),更關(guān)心本身需要提升什么業(yè)務(wù)價值與目標(biāo)。”
為了幫助企業(yè)正確地轉(zhuǎn)型AI,同時考慮獲得價值的成本,實現(xiàn)收益最大化。第四范式在實踐中總結(jié)出了企業(yè)AI轉(zhuǎn)型的“1+N”理論,“1”是指結(jié)合公司核心業(yè)務(wù),把1個或幾個對業(yè)務(wù)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(yīng)用場景進(jìn)行規(guī)模化落地,使場景的總體價值最大化。
以第四范式服務(wù)的某國際零售集團(tuán)為例,根據(jù)其發(fā)展目標(biāo),業(yè)務(wù)分為“開源”和“節(jié)流”兩大類。
“開源”的目標(biāo)主要和客戶相關(guān),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(yōu)惠券營銷等。AI在里面可以通過優(yōu)化推薦、營銷等環(huán)節(jié),提升留存率、單客戶價值等核心指標(biāo)。
“節(jié)流”的目標(biāo)主要是降低中后臺運(yùn)營的成本和提升運(yùn)營效率。通過提升供應(yīng)鏈等環(huán)節(jié)的效率,降低成本,提升企業(yè)的競爭力。
這其中,個性化服務(wù)、供應(yīng)鏈?zhǔn)呛诵膽?yīng)用,是“1”——1個百分點的提升就足以改變企業(yè)的競爭格局。而眾多細(xì)分場景,如各種單據(jù)的OCR、各種場景的語音識別、智能客服、流程機(jī)器人等,是“N”——規(guī)模化的落地可以提升企業(yè)的整體效率。
“1+N”解決的問題是,企業(yè)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(chuàng)新可能。
讓企業(yè)全面AI轉(zhuǎn)型的時間從一百年下降到數(shù)月
“1”代表追求極致的業(yè)務(wù)效果,在自己的核心業(yè)務(wù)上建立絕對優(yōu)勢,包括如何充分發(fā)揮數(shù)據(jù)價值,以及如何從“事后分析”變?yōu)?ldquo;實時決策”等。“N”代表追求規(guī)模化落地效率,包括如何讓W(xué)eb開發(fā)者也能開發(fā)AI應(yīng)用,以及如何解決AI落地過程中數(shù)據(jù)瓶頸。
“1”要做到極致,對 AI 系統(tǒng)的要求較高,不僅需要高維度(維度指的是規(guī)則數(shù)量),還要求實時和 AI 有自我學(xué)習(xí)能力。
在產(chǎn)業(yè)界應(yīng)用AI,其實就是在業(yè)務(wù)目標(biāo)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(xì),但過去的專家模型,往往維度在幾個到幾千個不等;而傳統(tǒng)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(chǎn)生人類歷史上90%的數(shù)據(jù),海量數(shù)據(jù)需要高VC維的模型,模型維度開始達(dá)到千億級別,也帶來了更好的業(yè)務(wù)效果——第四范式在金融、互聯(lián)網(wǎng)和醫(yī)療等行業(yè)的AI應(yīng)用中,高維為行業(yè)的核心業(yè)務(wù)效果提升了50%-574%。
隨著服務(wù)線上化以及對體驗要求的提高,AI系統(tǒng)同時要求有毫秒級響應(yīng)的高實時性。讓原本只能出現(xiàn)于“事后”的統(tǒng)計分析,轉(zhuǎn)變成為“事中”實時業(yè)務(wù)決策AI應(yīng)用,直接產(chǎn)生業(yè)務(wù)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(tǒng)有糾偏的能力。任何系統(tǒng)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(xù)犯同一個錯誤。因此,持續(xù)利用業(yè)務(wù)應(yīng)用過程中的反饋數(shù)據(jù),進(jìn)行系統(tǒng)自我更新與優(yōu)化,也是未來AI系統(tǒng)極其重要的核心能力。
“N”追求的是規(guī)模化的落地效率。正如戴文淵所舉例道,在AI規(guī)模化落地之前,像BAT剛開始做AI的時候,一個AI應(yīng)用都是超過12個月建設(shè)周期。當(dāng)企業(yè)面臨成百上千個可以被AI所提升的場景,這樣的創(chuàng)新速度完成全面AI轉(zhuǎn)型需要一百年,這是任何企業(yè)都不能接受的。
因此,AI規(guī)模化成為推動企業(yè)走向全面變革和升級的關(guān)鍵鑰匙。而認(rèn)知水平、人才門檻和數(shù)據(jù)成熟度則是AI規(guī)模化中不可或缺的條件。
為了彌補(bǔ)大眾對AI原理的認(rèn)知不足,第四范式提出用統(tǒng)一的認(rèn)知和方法論規(guī)模化生產(chǎn)AI,將AI開發(fā)過程簡化為行為數(shù)據(jù)采集、反饋數(shù)據(jù)采集、模型訓(xùn)練、模型應(yīng)用四個步驟。簡單來說,當(dāng)我們想要給顧客推薦美食,我們會先讓機(jī)器采集顧客過往飲食喜好的行為數(shù)據(jù),然后推薦給顧客相關(guān)食物,并采集反饋數(shù)據(jù)(顧客是否喜歡),基于這些數(shù)據(jù)進(jìn)行模型訓(xùn)練,最終指導(dǎo)機(jī)器做出決策。第四范式以此為基礎(chǔ)構(gòu)建了AI生產(chǎn)流水線“先知”平臺,將AI應(yīng)用上線平均周期從30人月降低至數(shù)十人天。
為了解決AI專業(yè)人才緊缺的問題,低門檻、自動化的AI技術(shù)AutoML成為關(guān)鍵, AutoML讓機(jī)器學(xué)習(xí)模型無需人工干預(yù)即可被應(yīng)用,讓W(xué)eb工程師就能夠構(gòu)建AI。第四范式從2015年開始戰(zhàn)略投入AutoML,通過機(jī)器自動建模,降低模型的開發(fā)門檻。另一方面,在AI應(yīng)用開發(fā)周期中,以往數(shù)據(jù)準(zhǔn)備占據(jù)60%以上人天成本,傳統(tǒng)數(shù)據(jù)治理架構(gòu)已成為AI規(guī)模化落地的瓶頸。第四范式結(jié)合企業(yè)AI規(guī)模化落地需要,建立了一套完整的面向AI的數(shù)據(jù)治理系統(tǒng),從數(shù)據(jù)完整性、實時性、線上線下一致性等三個角度構(gòu)建數(shù)據(jù)引擎,解決傳統(tǒng)大數(shù)據(jù)架構(gòu)構(gòu)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(wù)企業(yè)的過程中,發(fā)現(xiàn)無論是核心業(yè)務(wù)的極致效果,還是AI規(guī)模化落地,在底層都需要算力的支撐。大型公司的機(jī)器數(shù)量動輒上萬,早期團(tuán)隊通常的思路是算法要匹配已有的硬件系統(tǒng),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(guī)模的不斷增大,機(jī)器數(shù)量實際呈指數(shù)性增長,也導(dǎo)致了企業(yè)無法負(fù)擔(dān)的高昂算力成本。
基于對企業(yè)需求的理解,第四范式開創(chuàng)性的提出了“軟件定義計算”理念,并推出了硬件產(chǎn)品SageOne。摒棄了傳統(tǒng)的讓算法在現(xiàn)有硬件上運(yùn)行的方式,而采用由軟件定義的專用AI系統(tǒng)架構(gòu),即針對AI場景選擇合適的算法,繼而選擇最能發(fā)揮算法優(yōu)勢的架構(gòu)系統(tǒng),最后在硬件層打造與之匹配的算力,從而取得強(qiáng)大性能與低TCO表現(xiàn)。在核心場景SageOne可以做到實時的業(yè)務(wù)決策,20毫秒內(nèi)可實現(xiàn)20億維度模型的高并發(fā)訪問。相比普通服務(wù)器,SageOne軟硬一體解決方案可實現(xiàn)高維模型構(gòu)建過程的6-12倍加速,TCO降低到1/2到1/3。
新技術(shù)的發(fā)展往往不是受制于技術(shù)本身,而是對新技術(shù)的認(rèn)知。第四范式從自身幫助產(chǎn)業(yè)界落地AI的經(jīng)驗出發(fā),回答了一個關(guān)于企業(yè)AI轉(zhuǎn)型的重要問題。企業(yè)首先需要認(rèn)知轉(zhuǎn)變的過程,要聚焦自身核心場景,確定明確清晰的應(yīng)用目標(biāo),其次在組織上也要進(jìn)行一定的重新整合,才能更好地適配規(guī)模化引入AI的需求。
