人工智能时代：破解人机共存密码（套装共10册）

例如著名的房地产品牌金茂府就是智能营销的积极实践者。金茂府通过楼盘和目标消费者大数据分析提供精准营销方案。对于房地产行业来说，对人群的定位特别重要。无论是开发一个楼盘还是楼盘的销售和运营，都需要知道潜在消费者所在以及他们有哪些需求和爱好。打通整套数据之后可以对营销客群进行深度洞察和精准营销。这样一来，金茂府就能更懂得消费者的需求，比如在消费升级的浪潮下，金茂府通过大数据分析发现，住宅的消费群体除了一些基本的住房需求外，开始更加关注住房的观赏性，对小区的美化和绿化有很高的要求，所以金茂府十分注重外部自然环境的美化，绿化率达到30%。在实现了相关新品定位落地后，其营销渠道也开始通过数字化赋能打通数据体系，进行深度营销洞察，在洞察的基础上再进行精准分析，形成具有品牌特色的营销文案，精准投放到目标消费人群那里。在房地产市场经历了一段时间的消沉的大背景下，金茂府却运用数字化赋能不断扩大自己的市场，成功进驻了华北、华东、华南、华中和西南5大区域。由此看来，或许数字化赋能是房地产转型的一大关键。

通过数字化的深度运用和赋能，不仅商场营销和房地产营销能够实现显著的收益提升，其他行业也是如此。经由数字化赋能，行业内可以实现对全域数据的认知和分析，从而洞察消费者的价值点，找到营销的创新点以及以往营销过程中存在的问题，最终优化产品定位和营销运营。通过上述案例我们可以知道，数字化赋能是对整个行业的赋能，它可以为行业带来许多积极的改变。

大数据时代下，数字化赋能是企业在竞争激烈的市场中站稳脚跟的必经之路。用不好体量庞大的消费者数据，它们就是一堆不产生任何意义的乱码；用得好，它们就是企业生根发芽的基石，是价值难以估量的企业资产。数字化赋能提供的就是为企业化数据为效益的智慧，它将这一智慧嵌入产供销的每一个环节之中，为整个商业链路提速增效。它适用于各行各业，最终也将是全球商业未来发展的大趋势。数据是AI思维的基础，所以数字化赋能也为AI思维的落地夯实了基础。

虽然我一直和你说要追求卓越，要实现最后的1%，但是这并不意味着我们不可以接受部分改进。很多时候，一个完美的结果需要完成很多改进，而不会一步到位。

—《态度》—

知行合一，学以致用，本章还是从“用”的角度展开，阐述人工智能如何在实际的业务场景中落地，并为企业创造价值的。本章先从人工智能治理的困境入手，引出AI中台的重要性和必要性。通过对工业AI中台以及零售AI中台的案例分析，你会真正了解AI中台是如何发挥作用，为企业赋能的。

我们在前面讲过人工智能决策引擎运行的全过程，包括对历史数据的特征处理、机器学习、模型评估、模型生产以及模型监控。读完本章之后你会发现，正是因为有了AI中台的存在，人工智能决策引擎才得以在企业实现落地。大量生产制造和零售环节的案例既证明了AI中台可以解决人工智能落地过程中管理难、利用难、可靠性低的痛点，也表明了AI思维是一套从理论到实践一脉相承的完整方法论。

美好而混乱_：AI治理的困境

回顾之前，企业将生产制造环节和零售环节的数据收集起来，在数据中台上进行打通，在具体的业务线层面会产生人工智能应用的需求点。无论是生产制造领域还是零售领域，都会逐步在单点上建立起相应的人工智能应用。但随着人工智能应用落地数量增加，人工智能模型就会出现零散而混乱的状况，企业在管理和利用这些人工智能模型时就会面临一些需要解决的痛点。

第一个痛点是管理难。从生产制造到零售，如果每一个业务环节都通过人工智能进行升级，可想而知，产生的人工智能模型数量是非常大的，而且会分布在不同的业务部门中，显得零散而混乱。那么如何管理这些不计其数的人工智能模型呢？现有的人工或者传统的信息管理手段似乎都不能有效地完成任务，所以对人工智能模型的管理是企业在智能化过程中形成的一个新的需求和领域。

第二个痛点是利用难。对很多企业来说，利用人工智能模型进行业务洞察和优化，存在相当大的壁垒和障碍。因为人工智能应用不像传统的应用软件，它涉及核心的业务决策，所以必须用专门的手段管理、监控和持续优化，若缺少人工智能专用的系统和平台，则很难发挥其价值。

第三个痛点是可靠性低。人工智能模型在管理不当的情况下非常容易出错，而且较之传统的数据分析更为复杂，出错的可能性相对大很多。单点式的人工智能模型散乱在生产制造和零售环节的各个业务节点中，无法确保输出结果的可靠性，从而无法驱动企业实现数字化智能决策，也就无法驱动相应业务的提升。

这些痛点都是围绕业务而生的。当人工智能逐渐深入到业务之中后，散落的人工智能应用会越来越多，这时候，不但数据可能凌乱地分散在各个平台上，形成数据孤岛，人工智能模型也会非常混乱，甚至管理人工智能模型本身也会成为业务痛点，因此必须通过一套标准化流程来应对和优化整个人工智能模型生产过程中所涉及的各个环节，构建一套相对标准化的、可延伸的，并在企业内可发挥价值的AI中台，来统筹管理所有散乱的人工智能模型和应用，并驱动其不断优化和迭代。

我在PayPal工作的时候，需要同时管理几百组不同的人工智能模型，这些模型分别对应了不同的场景预测，比如有一系列预测用户行为的模型，也有各种预测商家价值和风险的模型，而且每过一段时间，这些模型又会用新的数据刷新。在没有系统化使用AI中台之前，由于人工智能模型的混乱出现了很多问题，比如预测模型和应用场景没有最佳匹配，因此它不能恰如其分地给出满意的预测，最终在实际业务中不能够带来任何提升。发现是人工智能混乱引发的问题后，我带领团队开始构建AI中台，用平台化的模式管理这些模型，最终人工智能混乱的问题得以解决。对于软件怎么开发和管理，已经有很多成熟的方法论，而对于人工智能怎么治理，则可以通过平台化的方法论，在数据中台上进一步构建AI中台，为如何把人工智能模型更有效地管理起来提供了一些方向性的思路。

AI中台就是为企业提供整合化和规模化智能服务的基础设施，它依附于数据中台之上，在企业里实现人工智能决策引擎。也就是说，AI中台是在产供销全流程数据基础上进行模型建构，从而实现精准决策，使价值落地的。例如，从零售角度来说，用户的相关数据会留存在搜索渠道、社交渠道、电商渠道、线下渠道和客服触点里，我们在这些打通的数据基础上，构建AI中台能力，服务更多应用，而不仅仅局限在单点上的人工智能模型。当模型的数量达到一定规模后，我们可以通过AI中台提升人工智能模型运作的效率。所以，当企业数据打通之后，构建AI中台能够进一步提升和优化业务目标，实现增量的价值。

因此，AI中台是在数据中台之上的延伸，如果说数据中台是对直接业务需求的响应，提供的是基础的服务，那么AI中台的作用就是实现业务的创造性发展。一方面，AI中台实现的前提是基于数据中台的全链路数据打通；另一方面，数据中台和AI中台相辅相成，可以提供个性化的服务，智能驱动业务发展，甚至能够创造新的业务模式。所以说，数据中台不是数据分析利用的终点，而是业务创新的起点。通过AI中台和数据中台的整合，企业可以快速、规模化地利用AI思维创造价值。

机器学习平台

机器学习（包括深度学习）是人工智能发挥作用的核心，因此AI中台的核心就是机器学习平台，其中包括一套成熟的机器学习流程运作，涵盖从数据出发进行特征处理、样本调节、模型训练、模型参数调优、模型验证和提供预测服务的各个步骤。

图6-1对机器学习平台做了梳理，机器学习平台的输入包括客户数据、行为数据、交易数据、机器数据、生产数据等，需要预测的目标也都会输入到平台上，经过以下各个流程的加工：

第一步，通过对原始数据的提取与融合，形成结构化的、后续步骤可以操作的数据。

第二步，通过数据特征向量化，将结构化的数据转换为特征向量。

第三步，对特征向量进行缩放和归一化处理，这些对特征数值的调节能够优化后续人工智能模型的效果。

第四步，通过特征选择和降维，降低特征向量的维度，形成建模样本。维度过高会对后续模型训练产生影响。

第五步，通过各种统计采样方法对建模样本进行样本调节，生成均衡样本。均衡的样本有利于产生优质的模型。

第六步，根据均衡样本进行模型选择和训练，产生初级模型。

第七步，利用网格搜索、随机搜索等方式对初级模型进行模型参数调优，形成优化模型。

第八步，将优化模型进行模型验证，合格后输出模型至模型仓库。

第九步，利用输出模型进行预测服务，给出预测分数。预测通常是以打分形式体现，无论多么复杂的人工智能应用，都是通过复杂的流程，最终输出对事件、流程或个体的打分。这个打分既可以是实时打分也可以是批量打分，既可以是在线的，也可以是离线的。获得预测分数后，根据分数产生针对实际业务的决策。

在实践中，人们通过对中台上已经打通的大量生产制造和零售环节的数据进行复杂的处理，对大量的数据实现深入的人工智能分析，最终达到指导和优化决策的目的。无论是生产制造环节的预测还是零售环节的预测，通过上述平台都可以实现标准化的管理。有了这套体系后，开发新的人工智能应用的时候就不需要重新开发框架，而是利用这个平台在每一个环节上通过简单的配置和脚本进行定制。对于实际应用来说，如果让每一位开发人员修改平台本身，就会容易出错，所以，只有把整套平台尽可能地固化下来才是最优的，在统一的环境下用一套完备的平台治理人工智能模型，降低它本身带来风险的可能性，这样也有利于企业人工智能体系的迭代和发展。综上所述，在人工智能已经有一定应用空间以后，企业适合建立一个以机器学习平台为核心的AI中台，这样可以确保人工智能模型之后的延伸和发展具有可靠性和易管理性。

从机器学习到应用定制

刚刚我们谈到了AI中台的核心是从数据到预测的机器学习平台，就像数据中台里打通的数据一样，机器学习和深度学习模型是AI中台重要的部分，如图6-2所示，下面我们来看一下各种不同的模型是如何架构和产出的。

各种通用数据在数据中台上汇总和融合，为AI中台的运作提供了通用数据样本。在AI中台中，当通用数据样本输入后，就可以在机器学习平台上进行建模，生成通用模型，例如图像视频、自然语言、商业决策和工业决策领域的通用模型，来解决通常所见的预测问题。具体而言，图像视频领域的通用模型包括物体识别、轨迹分析、人脸检测和人体识别等；自然语言领域的通用模型包括情感预测、多轮对话、文本分类和文本摘要等；商业决策领域的通用模型包括价值预测、转化预测、智能推荐和CRM优化等；工业决策领域的通用模型包括状态诊断、目标预测、寿命优化和能效优化等。因为机器学习和深度学习具有反馈和自学习的功能，中台上的模型训练用到的数据越多，形成的通用模型效果也就越好。但是，通用模型的建立主要是依据大量通用样本数据，所以通用模型本身对于具体场景的应用而言不是最佳的，没办法做到十分精准的千人千面。就像穿衣服，上学时候的校服或者工作时候的职业装都能够套在每个人身上，但对于个体来说一定不是最好看、最合适或者最舒服的，每个人的体形、性格和喜好不同，应该有更精准的、定制化的穿衣解决方案。