文章
智慧未来 | 人工智能商业落地三步法
对于人工智能的本质，在《我们终将被人工智能替代？从AlphaGo Zero谈起》一文中已有所阐述，大致可以用以下三点来概括：
- 现阶段所讨论的人工智能，很大程度上都是在谈人工智能这个大概念下机器学习领域中的深度学习技术。
- 它的底层原理相对简单，对数据有很大的依赖性，本质上是一种基于大数据的统计分析技术。
- 深度学习所能做的，简单的来说就是将信息分类。而当面临海量、高维度的 信息需要分类的时候，人类的大脑无论是从数据存储量还是计算速度而言都有很大的局限性；与之相比，计算机在存储和计算上比人类优秀的多，结合深度学习的方法可以做到信息越多、维度越多，分类结果越准确， 这样在某些特定场景中就能超越人类。
当人工智能不再神秘之后，我们就能理解AI并不是一项只能掌握在少数人手中的“阳春白雪”。那么从商业的角度来看，这项技术如何才能带来价值，真正落地到行业中去呢？
在探讨这个话题之前，我们首先要了解这样一个事实：人工智能目前正以一种“润物细无声”的方式悄悄地在各行各业中被应用！例如，在互联网行业中，电商会精准地根据你潜在的需求推荐商品，“千人千面”的新闻APP会定制你感兴趣的主页并自动推送相关新闻，地图导航软件会根据海量用户的GPS定位信息精确地预测未来的路况和预计的抵达时间；即使在传统行业中，人工智能也被广泛地应用于芯片设计、药物研制、金融交易甚至是财务、制造生产等不同的领域。
和传统的互联网打法不同，大量的企业，尤其是行业领先者对于AI普遍采取了“秘密超车”的战术，试图在竞争对手起步之前就领先一个身位或是进一步拉先发优势的差距。毫不夸张地说，我们正处于人工智能大规模落地应用爆发的前夕，现在开始追赶也许还未为时过晚，但随着时间的推移，马太效应的逐渐显现可能会使后来者处于弱势的地位。
基于对人工智能目前整体形势的认知，我们可以采取以下的三步法探索这项技术的具体落地路径：
第一步：寻找人工智能所能带来商业价值的应用场景
要找到合适的AI商业落地应用场景，本质上是要理解AI在哪些方面可以做的比人类更好。虽然目前AI还远未达到全面替代人类智能的阶段，但是基于深度学习的AI技术在对海量信息处理和分类上已经比人类更优秀。换而言之，现阶段的AI技术已经可以取代从事简单重复脑力劳动的“初级白领”。
即使是对于高级白领，在绝大多数脑力劳动中都包含了大量的基础性和重复性工作，例如：信息的录入、检索和分析，流程的重复优化等。这些工作涉及到教育、医疗、法律、金融投资、会计等各个行业，所以即使不用机器替代人，利用AI提高工作效率（生产力）也已经是一项普遍的需求。
在理解了AI能做什么以后，企业可以进一步思考一个关键问题：目前阻碍生产效率的最大障碍是什么？（或：组织中有哪些大量的重复工作？）想清楚了这个问题，往往就能找到一个切合实际的应用场景。例如：企业中人力资源的招聘往往需要HR手工筛选大量的简历并匹配与之相关的职位，这类的重复工作是否可以用AI来提升效率？
第二步：落实人工智能落地的所需要具备的必要条件
要能将AI真正落地，至少要具备以下两项必要条件：
数据基础：
由于目前基于深度学习的人工智能高度依赖大数据，企业的数据基础往往是决定AI项目是否能成功实施的基石。在实施AI方案之前企业可以对自身的数据基础进行诊断和评估，我们可以简单地将数据基础成熟度分成以下几个等级：
L1：关键业务数据缺失
L2：基础数据完整但组织内存在信息孤岛
L3：数据整合度高但不能支持业务决策
L4：可以进行数据驱动的业务决策但不能实时响应业务变化
L5：支持数据驱动的业务决策并能实时响应业务变化
当企业的数据基础成熟度在较低级别时，例如：关键数据缺失的L1级，需要做的往往不是马上实施AI方案，而是先进行数字化（或信息化）改造以打好基础。互联网和金融行业由于每天发生的业务天然就能产生大量数据，相对而言数字化程度最高，最早就有机会尝试利用AI技术；对于数据基础建设还未完成的其它传统行业，则必须通过业务流程的改进将数字化的程度提高才能考虑AI解决方案。有了大数据，人工智能的落地就成功了一半！
团队构成：
我们通常有个误区，认为人工智能只是一个技术问题。事实上，掌握AI算法距离行业落地还差十万八千里，并不是具备技术能力就稳操胜券了。企业如果想打造AI能力，至少需要以下几类人才所组成的团队：
- AI技术专家 - 包括数学、统计学方面的科学家，进行底层算法的研究；同时也包括传统意义上IT技术专家，能使用最新的AI算法开发技术原型以及后续的商业产品。
- 行业专家 – 对于特定行业的AI解决方案，团队中需要有经验的行业专家加入。
- AI应用专家– 这可能是目前AI行业最紧缺的人才了。AI应用专家首先是一名优秀的产品经理，其次要了解算法特性，最后还要能理解行业问题，这样才能将AI技术专家和行业专家的优势整合在一起构建适合行业的技术解决方案。
第三步：快速验证迭代，大规模实施
有了应用场景，完善了数据基础，搭建好团队以后，接下去要做的是基于AI的过程设计原型验证(Proof of Concept)。在确认技术原型可行的情况下，再进行迭代和最终的大规模实施。
以上三步是将人工智能进行商业落地的基本框架，在实际操作的过程中还会遇到许多现实问题，例如：企业能否自上而下的支持与推进AI战略、实施人工智能是否会打破组织内部已有的利益格局并造成冲突等等。在技术上由于人工智能还没有完全成熟，所以在不同行业和场景中也会有各种局限性，这既是一个大的挑战，也同时是行业发展中的机遇，谁能最先将AI发展成一种“通用技术”并制定标准，就将会在这场关于未来的竞争中取得巨大的优势。
作者为德勤智慧未来学院总监 高挺
