--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能时代：破解人机共存密码（套装共10册）" author: null edition: null publisher: null year: null isbn: "9787521719512" library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5" source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced" pdf_physical_page_count: 3314 pdf_physical_page_index_base: 0 range_start: 630 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=630&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=630&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=620&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=640&limit=10" --- # 人工智能时代：破解人机共存密码（套装共10册） > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=630 | PRINTED_PAGE=NOT_DETECTED 国际上也有许多运用人工智能优化制造的成功案例。例如，为全球用户提供存储器产品的知名硬盘厂商西部数据公司（WesternDigital Corp）就利用人工智能优化测试设备节省了资金支出。对于硬盘制造行业来说，最大的开支之一就是测试设备。因为硬盘制造的任何一道工艺出错都可能导致生产的集成电路不合格，拉低良品率，导致不必要的经济损失，所以测试环节贯穿在集成电路生产制造的整个流程中。在基于卷积神经网络的人工智能模型的帮助下，硬盘制造的测试流程得以优化，也因此节约了数亿美元，这对市值在200亿美元左右的西部数据公司来说，是相当大的一笔资金。 作为深圳地区LCD（液晶显示器）工业领域的标杆性企业，华星光电在智能质检方面取得了显著的成果。为了满足用户的需求，华星光电需要在较短的时间内交付出高质量的产品，但是在运营过程中发现，耗时的质量检验阻碍了生产制造速度的提升。质量检验是整个制造流程中极为重要的部分，如果不能在交付前发现瑕疵，就会导致产品退货和返工，为此需要付出高昂代价，也会对产品声誉造成损害。于是，华星光电将人工智能引入工厂，打造了生产线图片库。这个图片库里的图片分为两类，一类为合格产品的图片，另外一类是存在各种不同缺陷的产品的图片。然后，华星光电根据这些图片开始训练人工智能模型。在实际工厂中，超高清相机在检验点拍摄产品图像，人工智能模型将实时拍摄的图像与数据库中的缺陷图像进行快速比对和分类，并发送至云端供检验人员检查评估。华星光电利用智能视觉检测加速目视检查流程，通过将产品图像与缺陷图像库进行比对，实现了智能、更快速、更准确的产品瑕疵检测。经过人工智能的优化，检查流程能够实现在数毫秒内完成单个产品分析和检测，缩短了检验交付周期，在削减了生产制造成本的同时，提高了运营的赢利性。 ## PDF_PHYSICAL_PAGE_INDEX=631 | PRINTED_PAGE=NOT_DETECTED 工业AI中台“三步走”策略 从上述案例可以知晓，要让人工智能在企业实际运用中落地，各工业企业首先要找到着手点，从人工智能应用到AI中台还需要一个过程，可以采取“三步走”的策略。 第一步，评估现在，寻找着手点。首先要对企业各项业务的现状进行评估，从自身的业务痛点和人工智能成熟度出发，对自身工厂的各方面运转情况进行健康检查和审视，将自身企业的现状与行业平均水平进行比较，找到自身需要通过人工智能改造以有所提升的业务领域，例如资源消耗是不是合理、运转速度够不够快、操作是否稳定准确等。 第二步，引入人工智能单点式用例。根据各项业务的实际情况，确定优先引入人工智能的单点式用例。企业的利益相关者可以将人工智能用例清单与企业各项业务存在的痛点进行比对，深入研讨优先通过人工智能解决哪项痛点，并制定相符的方案，这部分需要考虑到业务的复杂度、基础条件的完备程度、数据的打通情况及引入人工智能所要付出的相关成本，再综合确定人工智能的优先用例。 第三步，人工智能模型测试与拓展。对人工智能模型进行测试与解决方案拓展，选择工厂内的特定场景测试人工智能用例，然后根据输出效果迅速地对人工智能模型进行多次迭代和改进试点方案设计，单个业务线实现优化后，为了发挥人工智能的全部潜能，应该在公司全范围实施人工智能，实现生产制造环节全方位的优化提升。将人工智能融合进各项业务领域，这时工业AI中台才初见其形，然后通过对AI中台的不断优化和迭代，最终形成统一支持和优化业务的AI中台。 ## PDF_PHYSICAL_PAGE_INDEX=632 | PRINTED_PAGE=NOT_DETECTED 历史的车轮滚滚向前，人工智能的浪潮以迅雷不及掩耳之势席卷全球，将工业从3.0时代带入了4.0时代。从宏观上看，从现有的传统生产制造模式到人工智能模式的转变，也许将是一个完全颠覆性的改变——因为从生产制造到供应链，再到销售和售后体系，人工智能可以实现全链路的覆盖和提升。从微观上看，对于企业来说，AI中台之下的智能生产制造可以更好地优化生产、减少浪费和提高效率。从数据角度看，人工智能可以为工业的远大前景赋能，波士顿咨询就曾在《工业4.0——未来生产力与制造业发展前景》的报告中预测，人工智能将为中国工业的生产效率带来15%\~25%的提升，额外创造附加值4万亿\~6万亿元人民币。人工智能对工业的改造将是不可阻挡的一个大趋势，在新技术层出不穷的当代社会，人工智能的强大动力有增无减。对于工业来说，拥抱人工智能成为最理所当然的选择。 以消费者为核心，赋能智慧新零售 上一节说的人工智能赋能生产制造是以生产目标为核心，而这一节里要说的赋能新零售则是以消费者为核心。赋能新零售之所以以消费者为核心，是因为所有的零售活动都是围绕着消费者进行的，人是消费关系的核心，零售中的数据也都是和消费者以及消费行为有关的数据，消费者是人工智能赋能零售业的重要入口。 随着电子商务的兴起，零售行业发生了天翻地覆的变化，从传统的门店零售转向电商网站零售，消费者足不出户就可以买到心仪的产品，人工智能的出现又推动零售业向前进了一步，智慧零售应运而生。智慧零售的要义就是改变传统的零售方式，根据消费数据预测消费者的需求，做到个性化推荐和销售，甚至通过大数据和人工智能预测消费者行为，从而影响产品研发和生产。 ## PDF_PHYSICAL_PAGE_INDEX=633 | PRINTED_PAGE=NOT_DETECTED 人工智能赋能新零售的基本思想是通过数据指导零售行为，这里的数据就是企业所打通的消费数据。企业一般会运用一系列业务系统管理消费行为，如ERP、CRM、DMP（数据管理平台）等，这些系统几乎涵盖了产品从生产到被消费过程中的所有数据，例如业务数据、客户数据、交易数据、竞品数据、外部数据和消费者全链路行为数据等。然后，数据中台通过数据清洗和加工将它们融合打通。 进而，由AI中台提供的图像识别、语义分析和智能决策等功能，可以实现以消费者为核心的智能应用，其中包括根据多方数据进行消费者人群画像、根据消费记录进行消费者价值预测、根据消费偏好进行个性化推荐、根据忠诚度进行忠诚奖励、根据店铺位置和所处社区进行智能选品以及根据消费者需求进行销售预测等。这些智能应用最终会通过各类业务终端，比如App、各大电商平台、社交应用和自助终端等，与消费者产生关联。所以，从零售各业务环节来看，人工智能能够对消费者、门店、导购、运营、市场、生产、品牌和设计等相关方的行为产生影响。 总结一下，人工赋能新零售是以消费者为核心，也就是说在零售环节中，AI中台要通过海量数据识别和分析消费者各种各样的动机和行为，针对消费者进行个性化服务，以达到增加销售的目的。所以人工智能赋能可以更好地理解消费者、服务消费者和赋能消费者，让消费者在最短时间内，通过最佳手段获取最高契合度的产品信息，从而增加零售的转化效率。 智能消费者管理全流程架构 在零售中要做到对消费者的个性化推荐，首先要做的就是了解消费者，即分清哪些是目标消费者以及目标消费者的需求等，这可以在智能客户管理体系中得以实现。智能客户管理体系的核心是零售AI中台，零售AI中台通过运用人工智能模型，对消费者数据进行机器学习或深度学习，从而预测出消费者的购买意向、购买力、触达方式和风险等，目的是锁定目标消费者，为创造个性化体验做好准备。 ## PDF_PHYSICAL_PAGE_INDEX=634 | PRINTED_PAGE=NOT_DETECTED 首先需要大量的消费者数据，例如电商、社区、客服、媒体和线下等各渠道获取的数据。具体来说数据的获取可以分为线上、线下两个方向。线上的触点有App端、微信端、电话端、短信端、广告端和媒体端等，线下的触点包括商超的售卖、户外广告和运营活动等。这些触点都会产生相应的数据，比如消费者属性数据、媒体数据、行为数据、点击数据和购买数据等，线上数据和线下数据相互补充形成数据闭环。然后需要对这些数据清洗、打通和融合，再进行初步的数据处理。这时，我们就可以在零售AI中台上进行建模和预测。 如图6-4所示，零售AI中台通过人工智能模型预测内容主要分为几个部分： ## PDF_PHYSICAL_PAGE_INDEX=635 | PRINTED_PAGE=NOT_DETECTED 图6-4 以零售AI中台为核心的智能客户管理体系示意图 第一，意向预测，即预测消费者购买意向，预测消费者是否有购买的意向和对其意向商品进行排序。例如一个消费者花费很长时间查看同一类商品的信息，并将其中的几件收藏以及加入购物车，说明这个消费者有购买这类商品的意向。 第二，价值预测，即预测消费者购买力，判断消费者是高价值还是低价值客户，对消费者的购买力进行预测分析。比如通过消费者的购买记录，对消费者的购买力进行分类，如果一个消费者经常购买奢侈品，则其可以被分类为高消费人群。价值预测不一定基于购买数据，通过消费者在线上、线下的其他行为，也可以推知其价值。 第三，交互预测，即评估触达方式和手段，通过分析消费者行为习惯来选择最优触达方式，比如电话、广告或者短信。例如，有的消费者非常排斥电话营销，根据相关数据预测这类消费者可能会拒绝接听，那么通过电话与这群消费者接触的方式就不太合适，可以选择线上广告等其他渠道触达。每个人有自己的交互方式，我们要理解并满足他们的偏好，实现有效的触达，促成购买，这也是对交互方式的一种决策优化。 第四，风险预测，即预测消费者的潜在风险概率、欺诈可能性或潜在损失金额。例如，阿里巴巴开发的“八卦盾”工具，依托于人工智能实时检测淘宝平台上的黄牛扫货以及恶意退款、恶意攻击、敲诈勒索等恶意订单行为。如果检测到上述行为，商家可以向平台申诉，系统就可以主动拦截订单并进行预警，降低了交易的风险，营造了一个公平可信的电商交易环境。 零售AI中台通过数据对消费者进行全面的预测和分析，目的是找到潜在的客户并确定相应的营销策略。在营销过程中又将产生数据，并回流到数据中台和AI中台。通过零售AI中台最终可以实现全链路智能洞察。无论身处哪个行业之中，只要面向的是消费者，其生命周期管理都具有比较标准的模式，无外乎是潜客转化、新客互动、客户运营、存量提升、流失预防和流失激活等过程。在整个生命周期里，零售AI中台需要在每一个环节都对客户的意向、价值、交互方式和相应风险进行预测，从而优化业务决策。在这个过程中，有大量的人工智能模型在发挥作用。零售AI中台将这些人工智能模型都汇总在一起，实现真正的线上、线下打通，赋能零售运作的各个环节，从而增加消费者的购买概率，增加消费者和商家的黏性，最终提高消费者的贡献值。如果每一位消费者的贡献值都增加了，企业总体的收益一定也会增加。 ## PDF_PHYSICAL_PAGE_INDEX=636 | PRINTED_PAGE=NOT_DETECTED 现在要开发一个新的客户，成本是非常高的，一般要付出几百元甚至更多的成本才能让一个金融或者教育领域的潜在客户成为企业的付费客户，如果付出了高昂的成本最终却没有实现价值，会给公司带来很大亏损。例如，企业想要增加新客户，如果考虑是从搜索引擎或者朋友圈引入，首先应当预测客户对产品的购买意向和潜在价值有多大，然后再去付出相应成本的投放。另外，因为对客户进行维护管理也需要成本，对于原先已有的客户，即存量客户，也要关心他们对企业的价值有多大。如果一个存量客户的预测价值较高，则需要通过各种方式经常沟通，给予他们相应的权益，进而维持和提升客户的价值。如果一个客户在某个环节上已经失去活性，不采取相应措施的话，客户就会流失，这时就需要通过营销手段对客户进行激活，防止客户真正流失。 个性化体验平台 个性化体验平台支撑了给消费者推荐个性化内容的任务。当消费者数据在零售AI中台进行了多角度的预测后，消费者就拥有了很多数字化的标签维度，再通过个性化体验平台，就可以做到真正意义上“千人千面”式的个性化营销和推荐，给消费者带来最精准、最恰当的消费体验。 ## PDF_PHYSICAL_PAGE_INDEX=637 | PRINTED_PAGE=NOT_DETECTED 如图6-5所示，根据智能个性化推荐数据准备的情况，个性化体验平台的推荐方式分为以下三种模式。 第一种推荐模式是实时的个性化投放，即基于人工智能的在线计算模型，对数据进行在线学习，实时得出结果。其中的含义包括两个角度：一是利用了实时的信息，二是实时计算反馈离线和近实时数据库中没有的结果。实时的个性化投放一般是针对线上推荐而言的，通过互联网，信息才能被快速地收集和学习，并迅速做出预测和反馈。不同用户访问网站时，需要看到个性化的、与自己需求相匹配的产品或广告内容。这类场景需要实时的个性化推荐，用户一点击进入网站就要按照他的需求生成新的内容，这样才会吸引用户的注意力，对用户的决定产生影响。其中的延时不能超过百毫秒级，否则就会让用户觉得太慢了，难以吸引用户的注意力。例如，在一个外卖订餐App上向用户推荐餐厅必须是实时的，因为针对用户显示附近的菜品和餐馆，对用户来说才是有意义的，不然送餐时间过长，用户一般不会选择。因此，当用户打开App或者输入一个地址时，就要求App能够立刻做出反馈，呈现实时个性化的结果。首先，需要根据定位信息，发现用户现位于哪个商圈，该商圈里的菜品和餐馆种类是已知的，这些都存在于数据库中。如果发现预先准备好的推荐菜品和餐馆都不在这个商圈里，就需要利用零售AI中台实时进行计算得到新的合适的推荐，随即内容投放模块会将相应的内容触达用户，最终，用户实时地得到了菜品和餐馆的推荐列表。 ## PDF_PHYSICAL_PAGE_INDEX=638 | PRINTED_PAGE=NOT_DETECTED 第二种推荐模式是离线的后台个性化投放，利用人工智能模型对数据进行离线计算，把个性化的结果存储到相应数据库中，下次用户上线时可以看到。这些个性化的推荐不需要是实时的，也就是说，推荐内容可以在后台进行运算和决策，频率也不需要太高，比如说可以每天或每周迭代一次。例如，用户在电商网站上购买了婴儿奶粉，则零售AI中台可以预测出该用户对于母婴产品的需求较高，是母婴产品方面的高价值人群，因此在该用户后续使用的过程中，可以推荐宝宝辅食、宝宝玩具等产品。显然，这一个性化的内容投放不需要是实时的，推送频率也不用特别高。因此，可以把用户相关数据存储到相应的离线数据库中，用户下次上线就可以看到。每次打开外卖订餐App，首页的内容就是通过这样的方式呈现出来的：首先，将对应每个类别的用户的菜品和餐馆推荐列表在后台通过人工智能计算出来，然后存储在数据库中，当用户打开App输入其想要的菜品或餐馆时，内容投放模块随即查询数据库，再由数据库返回预先准备好的推荐列表，呈现给用户。 ## PDF_PHYSICAL_PAGE_INDEX=639 | PRINTED_PAGE=NOT_DETECTED 第三种推荐模式是近实时的个性化投放，这是介于在线实时投放和离线后台投放之间的投放模式，不需要立刻做出个性化的推荐体验，但也不能延时太久。近实时个性化投放需要当场计算反馈离线数据库中没有的结果，但对时效性的要求没有实时的个性化投放那么高。因此，这种推荐模式可以理解为实时投放和离线投放的折中状态。例如，用户在浏览外卖订餐App的页面时可以进行选择，对不同的菜品或者餐馆表示喜欢或不喜欢。用户的反馈信息会被人工智能捕捉到，回流到零售AI中台进行学习，根据打分情况，更新外卖的推荐列表。当用户重新返回页面浏览相关的信息时，用户将获得实时的体验，App会推送用户喜欢的菜品和餐馆类型。近实时的个性化投放不像在线实时投放，能够让用户时时刻刻都能看到变化，也不像离线后台投放，要等后台的个性化数据刷新后才能看到变化，而是不知不觉中产生的变化，是一种“润物细无声”的变化。 实时的个性化投放、离线的后台个性化投放和近实时的个性化投放三种模式对应了不同的场景应用，根据对时效性要求的不同，这三种模式的搭配能充分满足用户个性化体验的需求。 个性化投放应用实例 根据中国电子商务协会发布的《中国电子商务发展报告2018—2019》，2018年中国电子商务交易总额高达31.63万亿元人民币，同比增长8.5%。由此可见，电子商务领域发展得如火如荼，但是大量商家的进入使电商市场逐渐趋于饱和，即使电商领域的潜力无穷，没有核心竞争力的商家仍然会面临倒闭的风险。以往，满足消费者衣食住行的基本需求已经足以让商家成功立足，但现在，满足用户的个性化需求才是真正的核心竞争力。现在成功的电商品牌，无一不是依靠个性化投放留住用户，在用户、搜索、浏览、购买和支付等数据的基础上，进行实时、离线和近实时投放三方面的个性化业务，提升用户体验和平台的效益。 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=640&limit=10)