剖析企业AI智能化转型路径 
2021-02-19
近日,新加坡金融科技节X 新加坡科技创新周(SFF x SWITCH)盛大开幕。中国人民银行行长易纲、中国银保监会主席郭树清、盖茨基金会创始人Bill Gates、谷歌总裁Sundar Pichai、微软CEO Satya Nadella、纳斯达克CEO Ms.Friedman、花旗集团CEO Ms.Fraser等来自130个国家及地区的政策制定者、科技领袖及学界权威汇聚一堂,共探金融科技发展趋势。
 
第四范式创始人、首席执行官戴文渊受新加坡金融管理局邀请,于“技术基础设施”峰会(INFRASTRUCTURE SUMMIT)分享企业AI智能化转型的落地实践与思考。

企业AI智能化转型路径产品图1

在分享中,戴文渊谈到:AI的本质是在海量数据中发现规则,规则数越多,对问题刻画的越细致,预测的结果也越准。AI时代,机器通过对不同领域寻找海量规律,能够助力各行各业全面进入数据科学时代。以第四范式在金融、零售行业的场景为例:当规则从数千条提升至数亿条后,某大型股份制银行的信用卡交易欺诈识别准确率提升7倍以上;千元下的分期交易响应率提升6倍以上;个性化理财产品推荐成功率提升5倍以上;规则数从数千条提升至数百万条后,某大型餐饮连锁集团的销量预测准确率提升50%,线上点餐的平均客单价提升2%。

今天,企业已经普遍认识到AI技术的价值,纷纷借助AI对业务进行改造升级。AI在单点业务获得成功后,常困扰企业的问题是,如何将AI规模化地为各个业务赋能,实现全面的智能化转型?

戴文渊提到,企业在制定AI转型路线时可考虑“1+N”的应用模式,“1”指核心业务,意味着在核心业务场景中追求极致效果,可借助AI实现业务收益;“N”意味着在业务场景相对分散的情况下,将AI快速、规模化落地,实现由“点”到“线”再到“面”的全面业务赋能。

互联网行业的“1”可以理解为千人千面的个性化推荐,把这一点做到极致,其产品及业务可以不断的获得成功。而对于更多行业,如金融、零售行业,企业往往是海量业务的组合,更适合通过“N”的方式规模化落地AI应用,实现全面的转型升级。


“N”的实现需要解决两个问题:人才及效率。首先,门槛足够低,让AI应用开发不限于极度稀缺的AI科学家。第四范式的做法是通过AutoML(自动机器学习),让业务人员也能开发AI应用。以范式服务的某银行客户流失率预测为例,该行借助第四范式AutoML,构建人工智能模型的时间从400小时下降至10小时,且预测准确率相较于人类科学家手动建模更高。

其次,“N”的实现还需要统一的方法论,从而规模化生产AI,以标准化流程提升效率。第四范式建立了一个以“库伯学习圈”理论为基础的AI方法论,将AI开发分成“行为数据采集、反馈数据采集、模型训练、模型应用”四个标准步骤,帮助企业加速AI的落地效率。以第四范式服务的某大型央企为例,在统一的方法论和低门槛平台的加持下,该企业一年内在100多个业务场景中实现了AI落地。

对于企业来说,AI不只是单点业务的智能化升级,更是整体业务创新、经营效率提升的利器。自2014成立以来,第四范式一直致力于帮助各行各业企业实现智能化转型,目前已在金融、零售、制造、能源、医疗、互联网等行业落地了AI应用案例,连续两年蝉联 IDC MarketScapeTM  中国机器学习平台市场份额第一。依托于丰富的技术积累与行业经验,第四范式将继续完善全栈式的企业级AI产品体系,让企业智能化转型不再受到落地效率低下、业务价值不佳、投入成本激增等难题的制约。