案例5：中宏保险构建营销员智能助理，通过保险知识的共享和复用赋能销售
中宏人寿保险有限公司（以下简称“中宏保险”）是国内首家中外合资人寿保险公司，由加拿大宏利旗下的宏利人寿保险（国际）有限公司和中国中化核心成员——中化集团财务有限责任公司合资组建于1996年11月，现已拥有逾2000名员工和17000名营销员，为240万客户提供金融保险服务。 保险产品作为专业的金融产品，客户对其通常缺乏了解，这导致在选购保险产品时，客户需要考虑很多需求和因素，整个决策周期也很长。因此，保险行业为了提高业绩，就需要保险营销员能够向客户持续输出产品、条款规则、政策等专业知识，基于复杂信息，以最快的方式有效处理客户的实际问题，展示出专业性和解决问题的能力，才能将潜在客户最终转变成为现实客户。 多年来，中宏保险一直注重对营销员的咨询支持和培训管理工作，然而随着其业务范围的扩展，营销员的咨询支持和培训管理工作变得越来越来繁重，消耗了大量内部资源，并且实际效果也不够理想。一方面，中宏保险营销员原先主要依赖向主管领导和营业网点服务台的工作人员咨询关于保险产品的问题，然而这些问题有约50%都是较常见的问题，对常见问题重复的询问不仅消耗了主管大量的时间，也占用了营业网点宝贵的客户服务资源。另一方面，保险业的营销员人员更替较频繁，新的营销员入职后也需要对一些常见问题进行询问和学习，人员不停地轮转也进一步增加了内部培训的压力。 基于上述原因，中宏保险希望利用自然语言处理、知识库、对话机器人等技术，打造一台线上的保险营销员智能助理，用于解答营销员的常见问题，并具备对新员工的培训能力。中宏保险对于营销员智能助理解决方案有如下两点最重要的要求： 1）保险行业涵盖的知识体系很庞杂，不同的专业知识有11大类，因此在构建智能助理的知识库时，需要尽量全面地覆盖营销员会咨询和学习的知识类型，并且知识库上线后也要省事持续地维护更新； 2）准确理解营销员的问题是给出正确答案的前提，因此需要对话机器人内置丰富的AI能力模块，使其具备出色的自然语义理解能力，能够与营销员进行流畅对话。同时，需要底层的机器学习平台具备良好的扩展能力，让普通业务人员也能以可视化的方式对特定业务场景进行算法模型的调优调参，以达到更高的语义理解准确度。
打造以智能知识库为核心，智能交互为途径的营销员智能助理解决方案
在对多家厂商的语音语义、知识管理产品，以及建设和运维方案做了较长时间的评估后，中宏保险选择与竹间智能合作来搭建营销员智能助理解决方案。竹间智能成立于2015年，公司以自然语言处理、深度学习、知识工程、文本处理、情感计算等人工智能技术为基础，将AI能力整合到企业业务中，为金融、制造、政务、智能终端等行业提供端到端解决方案。 基于对中宏保险需求的理解，竹间智能为其提供了营销员智能助理解决方案。从用户使用方式的角度，智能助理内置在中宏保险的内部营销工具中，营销员咨询产品或进行业务培训都可以点击进入智能助理界面，通过文字或语音输入问题，从而获取所需信息。从解决方案架构的角度来看，其底层包含了机器人建设、运营工具、机器学习平台等解决方案的开发和运营工具，构成对话机器人的多个AI模块，以及丰富的自然语言处理基础技术，最上层则是与营销员进行直接交互的界面。
图 6： 中宏保险营销员智能助理解决方案架构
中宏保险与竹间智能联合搭建的智能知识库涵盖了丰富的信息，包括：运营规则（包括新单投保、保单服务、保单理赔等）、营销员基本法、保险热销产品、营销员荣誉竞赛、客户活动与增值服务、数字化工具使用等信息类型。而为了使知识库覆盖尽量全面的知识类型，保障后续的迭代更新，双方组建起项目组，在中宏保险的领导下，重点开展了如下工作： 1）在项目前期充分调研营销员需求。了解一线营销员需要了解哪些知识，对知识的呈现有哪些要求，在问法上有哪些独到的习惯等问题。 2）高度自动化的知识图谱构建。基于竹间智能的Gemini知识工程平台，项目组从中宏保险的保险条款、产品文档等非结构化数据中自动解析和抽取保险产品名称、以及与之相关联的犹豫期、等待期、保险责任等产品属性。在此基础上，在Gemini平台上将抽取的知识进行自动关联，形成保险产品的知识图谱，从而实现知识推理、产品检索等功能。比如将知识推理用于回答产品的保障内容、产品的比较、符合要求的产品有哪些等问题。 3）利用自动化的自然语言学习技术，在智能助理上线前后进行高频问题识别和更新。通过竹间智能Bot Factory A+H人机协同平台的自监督学习能力，项目组一方面在智能助理上线前对中宏保险的客服录音和聊天记录做聚类分析，自动识别出已知的客户高频问题及其对应语料，视需要由人工核对，从而为营销员应对高频的产品和业务问题提供标准答案。另一方面，在智能助理上线后，通过自监督学习从营销员新提问的众多未得到回复的问题中识别出高频问题，中宏保险的业务专家随后对这些问题给出标准答案，自动加入知识库，从而实现对知识库的持续更新。平台的AI自学习能力使之能够以较低的运营成本不断提升机器人的模型与会话能力。 为了让智能助理能够准确地理解语义，实现与营销员的流畅对话。竹间智能在对话机器人中内置了多个AI功能模块，包括语义解析、FAQ、多轮对话、意图识别、情感识别、知识推理、智能话术等。例如，多轮对话引擎通过向营销员连续反向提问获得确认具体问题所需的全面信息；意图识别引擎内置50多类、3000多种开箱即用的意图模型，用于识别营销员的询问意图；情感识别引擎能识别25种情绪，从而使对话更有同理心和温度。同时，平台内置了一台对话管理框架，当营销员向智能助理提出问题时，对话管理框架会结合业务场景，对不同AI模块的优先级、权重、分流策略进行调整，从而在其中选择最匹配的模块对营销员的问题进行准确应答。 为了让中宏保险能够对智能助理进行二次开发，使智能助理具备针对特定业务场景的扩展能力，竹间智能在对话机器人底层提供了自动机器学习平台，平台内置了多种前沿算法，当上层的AI模型对特定场景的语义识别不够准确时，开发人员可以在自动机器学习平台上以可视化的方式对算法模型进行自动化测试、自动调参、算法融合，让语义理解准确度在复合式算法、仅需要少量数据的条件下，自动迭代学习。 保险营销员智能助理落地后的价值与效果 营销员智能助理落地以后，中宏保险在营销员的咨询支持和培训管理上实现了以下显著的效果： 第一，在对营销员的咨询支持方面。首先，智能助理能够7x24小时不间断且秒级响应营销咨询需求，对营销员常用问题实时给出正确回复，高解决率有效减轻了主管和营业网点服务台客服的咨询服务压力。自智能助理上线以来，平均回复准确率保持在95%以上，得到了一线销售人员普遍认可。其次，智能助理上线后也作为运营平台，可直观了解未知问题和营销员关心的热门问题，帮助丰富智能助理知识库和填补营销员业务未知领域，未来结合智能化的培训练习，帮助营销员提升技能，增长业绩。 第二，在对新营销员的培训方面。实时智能助理能帮助新营销员快速且全方位地掌握产品、服务、规则、政策等全量信息与内容，缩短了新人成长过程中知识储备的周期，让新人能快速开展业务。 保险营销员智能助理项目经验总结 第一，在金融、制造等专业知识密集的行业，保障知识的高效学习与传承是提高其生产和服务质量的关键。而如果只能依靠行业“老师傅”去传授企业在长期业务发展过程中沉淀的大量专业知识，不仅耗费大量时间精力，也很难保证质量。因此，金融、制造等行业的企业可以考虑应用人工智能技术解决专业知识管理与共享的问题。 第二，在用AI对知识进行管理并以问答形式对外输出的过程中，企业需要重点考虑构建智能知识库以及具备高度语义理解能力的对话机器人。对知识库的构建需要采用自动化的知识解析和知识图谱构建工具，以及用无监督学习从海量语料中自动学习新知识，从而提高知识库构建和后续运营维护的效率；对于对话机器人则需要其内置丰富的AI功能模块，完善的对话管理框架，以及省事二次开发的自动机器学习平台，使机器人能准确理解语义，实现与用户的流畅对话。
案例6：AI算法支撑下，AR虚拟试戴让安克创新用户获得更优的线上互动体验
安克创新科技股份有限公司（以下称“安克创新”） 是一家全球化的消费电子牌子企业，主要从事智能配件和智能硬件的设计、研发和销售，为消费者提供充电、无线音频和智能创新等品类的消费电子产品。安克创新的销售渠道覆盖国内外各大主要的电商平台和一些线下合作伙伴，在Amazon、Ebay等境外电商平台上占据行业领先的市场份额。 安克创新旗下的音频牌子Soundcore声阔，于2021年末推出了新产品“声阔智能眼镜”，并计划重点在欧美市场对该产品做市场营销和线上产品推广，但安克创新此时需要应对较复杂的市场环境。一方面，在购物线上化和海外疫情常态化的大环境下，牌子商在线上推广产品普遍会面临营销手段单一，业绩增长乏力的问题。另一方面，年轻群体是消费电子的主力用户人群，为了吸引这类用户群体，牌子商需要通过不断的业务和场景创新提升消费体验，让消费者感受到牌子的活力和创新力。 在此背景下，安克创新决定引入AR虚拟试戴解决方案来推广其智能眼镜产品，让用户能足不出户进行眼镜试戴，模拟真实穿戴智能眼镜的效果。对于AR虚拟试戴解决方案的要求，安克创新有如下具体考量： 1）AR试戴的效果要足够好，以保证用户获得较真实的试戴体验，包括：眼镜的质感、材质、光泽度等产品细节的还原度要高；试戴时，眼镜要能够跟随人脸的运动与面部正确位置高度贴合；所有试戴效果要能够实时生效。 2）在保证试戴效果良好的前提下，解决方案要能够同时支持在移动端和Web端使用，从而满足不同偏好的用户使用习惯，获得范围更广的社交传播效果。 3）需要厂商具备完整的解决方案的交付能力，提供从商品建模到交付上线全链路的产品服务，让安克创新能快速上线有效的解决方案。 先进的AI算法和实时渲染引擎助力实现多端一致、效果真实的虚拟试戴效果 在对比了国内外多家厂商的AR试戴解决方案的技术水平、使用效果和落地方案后，安克创新选择与火山引擎合作，为其提供能满足上述要求的AR眼镜试戴解决方案。火山引擎是字节跳动旗下的企业级技术服务平台，将字节跳动快速发展过程中积累的增长方法、技术工具和能力开放给外部企业，提供云、AI、大数据技术等系列产品和服务，帮助企业在数字化升级中实现持续增长。 基于自研技术，火山引擎为眼镜、美妆、鞋帽、手表、首饰、美甲等行业客户提供AR虚拟体验场景建设，可应用于牌子营销、新零售、电商购物等场景。在线上，其解决方案可提供SDK/API，快速进行商城（Web）、APP、小程序等第三方集成上线，为消费者实现从浏览商品-线上试穿/试戴-购买的线上购物体验闭环。在线下，可将虚拟体验产品应用于实体店，通过创新的互动手段吸引消费者进店，提升消费者的购物体验，进而促进消费行为的发生。通过线上线下体验和流程的打通，辅助客户解决传统零售行业面临的高库存、高销售成本、低转化等诸多棘手问题。 为了保障安克创新的用户能够获得较真实的试戴体验，火山引擎从3D素材制作、人脸关键点识别算法、实时渲染三方面着手为安克创新提供解决方案。 火山引擎基于其自研的3D引擎为安克创新定制了10款声阔智能眼镜和8款预热款眼镜的3D素材，在对原始素材做基础建模后，对材质的诸多细节如高光、反光、半透明等做进一步优化。例如，对于镜片透明度的处理，传统的素材处理只考虑透明度效果，而火山引擎进一步针对镜片在半透的情况下与欧美不同人群的肤色相融合的效果做了优化，使效果更自然和真实。 为了让眼镜在用户试戴过程中能紧贴面部轮廓，获得很高的跟随度。火山引擎在解决方案中采用了自研的人脸关键点识别算法对人脸的3D关键点进行识别，精细化定位五官和面部轮廓，并用3D拟合算法实时生成人脸的3D模型，从而使眼镜模型能够很好地跟随和贴合人的面部。同时，解决方案中还采用了运动补偿和运动估计等惯性检测算法，保证在连续运动和极端角度下试戴效果的稳定性。 火山引擎的3D引擎具备实时渲染的能力，并且对图形渲染的性能做了优化，保障了为安克创新定制的细节度很高的3D素材也能够实时生效。 针对安克创新需要同时支持移动端和Web端的需求，火山引擎通过对算法和算力进行优化，实现解决方案多端运行的稳定性和效果一致性。在移动端，火山引擎根据手机硬件性能做了算法适配和硬件加速，保证在多算法并行的情况下的真实效果和超低延迟。在Web端，火山引擎也通过相应的优化能够应对浏览器资源调用、算力需求诸多限制。同时，火山引擎对算法本身进行优化，使得达到同样的模型精度，其模型大小比业内平均水平低几十倍，从而降低了包体大小省事多端适配，也更节省了算力。 针对完整的解决方案的交付能力要求，火山引擎提供了包括体验设计、技术解决方案建立、项目管理、数据检测、市场进入的端到端解决方案，让AR眼镜试戴解决方案能够在安克创新快速落地和有效应用。
图 7： 火山引擎AR虚拟试戴解决方案交付链路
AR虚拟试戴解决方案落地后的价值与效果 从用户试戴效果的角度，安克创新通过采用AR眼镜虚拟试戴解决方案，让用户能够不用到店接触实物，在线上就能获得很真实的眼镜试戴效果，并且了解商品的外观、特点等诸多细节的信息，更好的帮助购买决策。 从业务价值的角度，虚拟试戴解决方案提升了安克创新用户的线上消费体验，从而促进商品的购买转化。该功能在安克创新官网上线4周就吸引超100万海外用户体验了该功能，对安克创新的牌子推广及购买转化都产生了很明显的实际效果。因此，安克创新在中国区推出智能眼镜后，也同样选择了火山引擎研发的AR虚拟试戴解决方案。 AR虚拟试戴解决方案的借鉴意义 AR虚拟体验带来的交互、场景、终端体验正在催生体验式消费的新升级，而为了保证更真实和稳定的虚拟体验，需要用人工智能技术从两个层面发挥作用，解决相应的问题。 第一，先进的计算机视觉算法是提升虚拟体验效果真实性的关键。要让虚拟体验达到更加真实的效果，就需要通过采用更加先进的计算机视觉算法对现实中的物体和环境进行感知、识别和重建，从多个层面还原和模拟现实中的情形。 第二，人工智能在实际落地过程中需要重点突破算力的瓶颈。开发出先进的算法通常只解决了问题的一半，要让算法能够实际运行，尤其是在消费者终端运行，就需要对其算力消耗、硬件资源进行大量的优化，保证算法在生产环境中可用。
案例7：某银行搭建智能消费者保护中台，助力消费者权益保护监控和预警
某股份制商业银行（以下简称“M行”）是国内金融零售业头部银行，该行注重对消费者的全流程陪伴和打造最佳用户体验，践行消费者权益保护工作。 在金融产品与服务体系日益丰富且复杂的背景下，我国政府与金融监管部门愈发重视金融消费者合法权益的保护，陆续出台了《中国人民银行金融消费者权益保护实施办法》等各类监管文件，要求各大银行建设或加强消保全流程管控机制，从产品开发设计、定价管理、合同协议、营销宣传、纠纷解决等各方面保护金融消费者合法权益。 此前，M行已使用传统的IT系统实现消保审查和投诉处理线上化，例如消保审查系统是由业务部门提交申请、各级消保专职部门审批，完成各项消保审查；投诉管理系统是包含客服接听电话-记录-分类-转办-处理等环节的工作流系统。但此类系统由分行或业务部门各自建设和使用，且没有覆盖全渠道投诉、反馈和跟踪情况。总行没有统一的投诉处理风险反馈机制，导致投诉风险主要依靠各层级消保部门进行人工分析，信息流转过慢，管理层无法对消保工作进行全过程的监控和管理。 出于在全流程业务中有效保护消费者合法权益的需求，M行希望通过建设智能消费者保护中台，运用语义理解、语音识别、机器学习等技术增强对消保业务全过程管控，智能排查潜在的投诉风险，以数字化手段提升工作质效。M行对智能消保中台解决方案有三点核心需求： 1）现有的消保审查、投诉管理、服务监督检查和舆情监测等系统存在数据孤岛问题。需要通过中台建设打破多业务部门、各区域、各系统数据壁垒，拉通“事前审查-事中管控-事后监督”全周期消保数据。 2）各项业务系统产生海量的非结构化文本数据，全人工处理和分析的效率低。需要借助OCR、NLP等智能技术进行信息挖掘，用于辅助投诉处理和进一步的风险智能分析。 3）管理层缺少对全行消费者投诉、处理反馈和跟踪情况进行实时掌握和风险排查的有效手段。智能消保中台应提供针对潜在投诉风险的智能排查工具，形成适配消保业务的知识图谱和标签体系，输出较为准确的风险研判结果。 基于认知智能技术，打造银行智能消费者保护中台解决方案 M行经过对解决方案公开比选，基于对拓尔思认知智能技术和客户服务经验的认可，选择与拓尔思合作建设智能消费者保护中台。拓尔思是一家人工智能和大数据技术及数据服务提供商，核心技术是语义智能，即基于语义理解的认知智能，为客户提供从数据洞察到智慧决策的解决方案。 拓尔思为M行提供的智能消保中台解决方案，覆盖消保业务的事前审查、事中预警、事后督办的消保全生命周期智能管理，提供投诉升级预警、重大投诉推送提醒、外部舆论分析等功能，实现潜在风险由人工排查向系统自动排查转型。 解决方案有三个核心要点：一是拉通各业务系统的数据；二是对非结构化数据进行处理和信息提取；三是多维度的知识挖掘和分析应用。 针对数据孤岛问题，M行通过建设全口径的投诉管理大数据平台，整合行内10多类异构多模态数据，包括全渠道的消保审查、客户投诉、服务监督检查、舆情、政策数据等。 针对海量非结构化数据处理问题，运用OCR、NLP等智能技术从文本中提炼出具有概括性和精确性的字段，再根据字段的意义和内容，结合标签体系生成信息挖掘结果。标签体系包含客户特征、投诉原因、投诉诉求、投诉渠道等近20个维度3000个标签，在消保审查、投诉处理等需要分析大量文本的场景中，能够有效提高工作效率；并且，平台可以进一步对标签化分析结果进行统计，为消保工作常态化监管提供数据支撑。 针对风险智能排查需求，一方面，拓尔思基于情感分析、机构识别、语义识别、标签提取、观点抽取、行为分析等核心算法，根据M行消保业务需求封装了行业区域分析引擎、动态追踪引擎、产品分析引擎、聚类分析引擎、归因分析引擎、投诉用户画像引擎等多维度分析模型，支撑投诉预警、舆论监测等前端应用；另一方面，运用知识图谱技术进行关联分析，辅助消保全过程的监督审查工作。以消保审查中的营销内容审查为例，平台将经过整合的产品图谱、服务图谱和相关投诉数据可视化展示，为营销内容审查提供更全面的参考信息，提高审查质效。
图 8： M行智能消费者保护中台架构
智能消保中台落地后的价值与效果 基于认知智能技术的智能消费者保护中台上线以后，对M行的消费者权益保护监控和预警工作带来以下了显著价值和成效。 第一，通过建设大数据平台消除了M行内数据孤岛，实现全口径、多渠道消保大数据整合，每月自动化处理的消保数据超10万条。 第二，完整的数据为消保工作全环节线上跟踪管理和统计、整改、考核评价、责任追究提供基础依据，保障统一的消保审查工作体系在全行持续落地，有助于实现消保工作规范化标准化的科学管理，有助于落实监管要求。 第三，充分挖掘消保数据价值，采用六大客服分析因子，覆盖超3000个标签，消保数据处理分析效率较过去提升20倍，每年节约500万人力成本。基于自然语言理解技术，消保专家知识库积累超5000个知识点，适配超两万个意见模板，提升20倍审查效率。实现潜在投诉风险的智能化自动排查，有效提高工作质效，降低因投诉、诉讼或舆情事件造成的声誉损失，也让消费者权益保护更加及时有效。 智能消保中台项目经验总结 随着人工智能在产业中的深入，企业内部出现了大量需要对分文、专业知识进行深度分析以解决业务问题的AI应用场景，而这类应用场景只靠计算机视觉、智能语音等感知智能技术已无法解决，此时就需要引入认知智能技术，让业务系统具体思考能力。而要实现认知智能需要重点解决多个方面的问题：首先，数据，尤其是相关非结构化数据要足够丰富，并且整合完备；其次，认知智能的实现要结合多种技术手段，包括OCR、智能语音对信息的提取，NLP对文本的解析、知识图谱对知识的挖掘和分析、机器学习对数据的分析等；此外，在不同的专业领域需要引入标签体系以便对信息进行高效的分类和调用。
3.5 技术基础设施层面
3.5.1 方法论
3.5.1.1. 实现AI系统与不同业务和IT系统的融合
为了弥合老旧的业务和IT系统架构与AI开发和部署之间的缺口，企业需要构建新的技术体系以支撑智能化的实施。具体而言，企业需要在业务和IT系统中引入智能应用编排、业务指标监控、数据存储和处理系统、创新实验系统、各类中间件或产品等，为企业智能化应用提供基础技术能力。同时，企业需要考虑在IT系统中引入基于云的微服务架构，实现更加敏捷和灵活的应用构建方式，最大限度地利用智能技术。
3.5.1.2. 使用低门槛的平台化工具赋能企业内AI应用的开发
大中型企业的AI开发需求较广泛，如果仅依赖数据科学家和算法工程师等专业人员开发应用，不仅成本高，且很多业务部门发起的需求不能得到很好的满足，因此企业需要引入低门槛的AI开发平台赋能企业内的业务和普通IT人员，使其具备一定AI开发能力。具体而言，对于专业能力较弱的业务人员，需要开发平台具备自动化的数据准备、模型训练等功能，业务用户只需选择场景和相应的数据集即可对模型进行自动训练；对于具备一定专业能力的业务和IT人员，需要平台能够将算法模型封装成算子，用图形化的方式将算子组合成工作流，从而完成模型训练过程。并且，这种方式也让企业内部人员可以更省事地复用其他人员在开发过程中沉淀的模型和经验，从而进一步降低AI开发的门槛。在案例8和案例9中，海信集团和某集团科技子公司都引入了低门槛的AI开发平台让企业内的业务和IT人员具备了一定的AI开发能力。
3.5.1.3. 通过引入成熟模型，以及提高模型泛化能力等方式降低大规模AI应用开发的成本
AI应用开发的时间和资金成本都很高，为了提高AI应用落地的效率、降低大规模AI应用开发的成本，企业可以在AI开发平台上引入相关的能力应对这一问题。
第一，在构建AI开发平台时，尽量选择与在自个的业务领域有大量成熟AI模型和应用实践积累的厂商合作，在AI平台中内置相关只需适当配置即可使用的AI模型，加速AI落地，减少自研成本。例如在案例9中，某集团科技子公司需要快速推进智能化转型，在考虑到有外部厂商在工业质检、园区安全、供应链管理等领域有成熟AI模型后，便选择与该厂商合作，引入其智能中台产品。
第二，在构建AI开发平台时，尽量在平台中引入算子和“白盒”的模式，将模型的工作流沉淀下来，使得开发人员后续能够针对相似场景对模型做适当修改，实现模型的泛化能力，企业因此能将模型快速迁移至相似场景，避免从头重新开发，从而降低了模型的开发成本。例如在案例8中，海信集团在AI平台中引入该模式，成功将原先只能识别大尺寸冰箱四条成剪刀形的打包带的质检模型，通过增加类似场景的标注数据，对原模型的算子做了适当修改，成功让模型扩展到3条类似产线。
3.5.1.4. 建立统一的模型开发和模型管理能力，提高AI资源的利用率
大型企业在智能化建设早期，各个部门通常会独立地建设AI能力，这会造成AI开发工具、AI模型的重复建设和不能复用，这种“烟囱式”开发的状况到了企业智能化建设的深入阶段会造成大量的资源浪费，并阻碍智能化的推进。因此，企业需要引入统一的模型开发和模型管理工具供相关人员共同使用，尤其要重视对AI模型和服务的统一管理，提供如模型版本维护、模型更新、模型发布服务、对模型服务调用情况查看等能力，通过平台实现AI能力的复用，提高资源利用率。
例如在案例9中，某集团科技子公司通过智能中台构建了统一的模型开发和模型管理能力，使得集团的管理人员可以对平台上的所有模型进行统一管控，简化运维工作，提高管理效率。业务和IT等人员也可以通过平台查看集团现有的模型资产和AI能力，并根据需要直接调用。
3.5.1.5. 构建覆盖模型全生命周期MLOps体系，缩短模型迭代周期，并持续地保障模型质量
当AI建模进入需要大规模生产和交付的阶段，其运营和用例扩展对于大部分公司来说都是一台巨大挑战。此时，企业可以考虑在机器学习和AI系统中，借鉴软件工程领域DevOps相关框架、工具链和流程，以及持续集成、持续交付、持续部署的理念，为机器学习和AI开发提供MLOps体系和相关工具，即提供系统化的协作工具将AI开发和部署中的业务、数据、算法、运维等角色链接起来，建立一台标准化的数据准备、模型开发、部署与运维流程，解决机器学习模型生命周期各环节的工程化问题，从而实现其核心目标：缩短模型开发部署的迭代周期，并持续地保障模型质量。MLOps的主要功能和优势包括：统一发布、自动测试、敏捷迭代、自动化的模型和数据集管理、降低建模门槛、流水线式管理、资源集成监测、组织高效协作。
例如在案例D中，某大型国有商业银行AI应用实践中构建了MLOps体系，一方面，通过一站式的AI开发平台降低开发门槛，另一方面，建立了“信息统一管理、实体统一流转、管理信息与实体流转保持一致”的AI全生命周期管理机制，从而实现了敏捷的模型迭代，高效的模型交付。
3.5.2 给不同成熟度的企业的建议
初步投入阶段：该阶段的企业当前仅有少数几个AI应用落地，因此需要重点解决如何将AI应用在现有IT系统中的部署和运营的问题。
多维布局阶段：该阶段的企业需首先构建适应智能化要求的IT系统架构；其次，建立统一的AI开发平台，让组织初步构建独立自主的AI开发能力，并对AI开发能力进行统一管理。
深度应用阶段：持续完善面向智能化运营的IT系统，并在AI开发平台中建立一站式的从数据准备、数据标注，到模型训练、部署和运营的能力，并降低AI开发的门槛。同时，需要考虑构建覆盖模型全生命周期MLOps管理体系，缩短模型迭代周期，并持续地保障模型质量。
案例8：海信集团引入AI平台，构建独立自主的AI开发能力
海信集团是知名的大型电子信息产业集团，旗下有海信、东芝电视机、科龙、容声、ASKO、Vidda等牌子，业务涵盖多媒体、家电、IT智能信息系统和现代服务业等多个领域，并且在全球拥有13个厂区。 近年来，在面对国内人口红利锐减以及国际上欧美国家挤压的双重挑战下，海信集团实施了数字化转型战略，希望实现降本增效，并重塑海信在全球制造业领域竞争优势。具体而言，海信集团自2019全面建设了5G网络和工业互联网平台，涉及云、边、端协同，并集成了现有的IT系统、OT系统、大数据平台等系统，平台建成后产生和汇聚了海量的工业数据。 而为了充分挖掘和发挥这些工业数据的潜在价值，海信集团需要进一步实施智能化升级战略，推动人工智能在集团业务中的广泛应用，从而提升运营效率、创新业务模式。由此，海信集团需要从应用场景、技术平台、组织AI素养三个层面构建人工智能能力： 1）在应用场景层面。首先，海信集团希望在智能制造、营销、研发、财务等多个业务领域集成智能化应用，但集团内部尚未建立AI应用场景落地的评估机制。其次，海信集团需要首先选取几个高价值度的场景落地AI应用，解决业务问题的同时，探索并验证集团内AI应用落地的方法和能力。 2）在技术平台层面。海信集团此前只有少数外部采购的AI应用解决方案，几乎没有自主的AI建模能力，因此需要搭建统一的AI技术平台，并且平台需要满足易于使用、功能完备、省事协作等要求，使集团内部人员可以在该平台上自主搭建AI应用。 3）在组织AI素养层面。海信集团的业务和IT人员之前的AI能力较薄弱，不具备开发复杂的计算机视觉、机器学习模型的能力，因此需要针对性地提高其AI能力素养。 从场景规划、技术平台、人员培训着手，全面提升海信集团的AI能力 在经过前期充分的调研论证后，海信集团选择与九章云极DataCanvas进行合作，为其提供人工智能相关产品和服务。九章云极DataCanvas是一家人工智能基础技术服务公司，其核心产品自动化数据科学平台，能够帮助业务分析师和数据科学家快速协同开发，实现自动化模型创建、管理和应用支持，为政府和企业智能化升级提供配套服务。 基于海信集团在智能化升级中的需求，九章云极DataCanvas为海信提供的解决方案包括了应用场景规划、三个应用场景的模型定制开发、信智AI平台建设以及平台的推广和培训。 针对应用场景层面的问题，海信集团在九章云极DataCanvas的协助下建立了一套AI应用场景筛选的评估标准，并定制了三个较复杂的AI应用。 1）基于九章云极DataCanvas在客户服务过程中总结的最佳实践方法论，以及海信集团的实际情况，双方建立的应用场景筛选的评估标准包括以下三点： 应用场景需要是强业务需求，解决的是最痛点的问题； 应用开发所需的数据要比较容易获取，最好具备现成的数据； 用AI解决该业务问题的方法要相对成熟，能直接调用模型的相关代码更佳。 2）在考虑海信集团的业务需求、应用代表性等因素后，海信集团合和九章云极DataCanvas合作定制开发了如下三个AI应用场景： 冰箱打包带检测，检测打包带是否存在多打、少打或歪斜超出工艺质量规定范围； 电视机机铭牌检测，检测铭牌是否存在错贴、漏贴、倒贴等问题； 遥控器图案检测，检测按键字符/图案/颜色、丝印、底部Logo/型号是否有印错。 为了构建自主的AI开发能力，海信集团在九章云极DataCanvas的协助下搭建了信智AI平台。信智AI平台是以九章云极DataCanvas自动机器学习平台APS为基础，结合了海信集团定制的一些功能和算子，而构建的AI技术平台。该平台满足了海信集团对AI平台的易用、功能完备、省事协作等要求，具体如下： 1）平台将模型开发全流程的功能都封装成算子，并支持用图形化、拖拉拽的形式将算子组合成工作流，从而降低了建模门槛。而平台上包含的算子有200多个九章云极DataCanvas的标准化算子，以及数十个根据海信集团的需求定制的数据处理、NLP算子。同时，平台采用“白盒”模式，所有内置以及后续场景开发中（包括三个定制场景）沉淀的算子，其代码都可以被查看和修改，以便组织内成员学习、复用，或做一定修改后迁移至其它场景。 2）针对模型上线过程复杂的问题，九章云极DataCanvas将数据预处理、深度学习模型、以及模型后处理都打包成Pipeline，并提供在生产环境中调用的接口，从而简化了海信集团的模型推理工作。 3）为了满足海信集团的应用开发协作需求，平台支持业务人员、算法工程师、数据科学家等人员登陆平台并各自完成自动建模、数据处理、算子调整、搭建工作流、模型上线等工作。同时，根据海信集团的需求，九章云极DataCanvas为该平台定制了单点登录、标注平台、以及能够显示检测后产品合格率的报表平台等不同人员所需要的功能。 针对组织AI素养较薄弱的问题，海信集团首先通过和九章云极DataCanvas合作定制开发三个高价值应用场景的形式，让海信集团的业务和IT人员熟悉平台的功能以及建模流程，并且将三个场景的工作流沉淀在平台中供海信集团的人员学习和复用。其次，九章云极DataCanvas对海信集团的相关人员进行了约20次培训，包括针对三个定制的应用的使用和后续运维、工业检测、平台的使用方法等方面的专题培训。
信智AI平台落地后的价值与效果
信智AI平台落地后产生的价值包括对业务场景的价值、对构建自主的AI开发能力的价值和对降低建模成本的价值三个层面。 1）在对业务场景的价值层面。双方基于AI平台定制开发的三个应用场景都产生了明显的效果：三个场景都因为智能质检应用的上线，将不良率降低了95%以上。 2）在对构建自主的AI开发能力的价值层面。通过搭建易于使用、功能完备和省事协作的信智AI平台，以及相应的培训推广，海信集团具备了自主开发AI应用的能力。在平台上线后一年内，海信集团基于该平台自主开发了电路板测试优化、门店地址相似度评估以及一些智能质检等多个应用。 3）在对降低建模成本的价值层面。由于信智AI平台采用算子、工作流以及“白盒”模式，用户可以通过修改算子，将模型迁移至高度相似的场景中，解决模型不易泛化的问题，从而将模型的建设成本降低60%。例如，九章云极DataCanvas定制的冰箱打包带检测模型，该模型原先识别的是大尺寸冰箱的四条成剪刀形的打包带的问题，海信集团通过增加类似场景的标注数据，对原模型的算子做了适当修改，成功让模型扩展到3条类似产线。
信智AI平台的项目经验总结
第一，企业的智能化升级是项系统工程，除了AI战略、数据基础外，企业还需要重点考虑场景规划、技术平台建设和组织AI素养提升等方面的问题。在场景规划层面，需要首先建立标准化的场景筛选流程和方法，其次，企业在智能化升级早期，可以考虑跟外部厂商合作开发几个高价值场景的应用，为企业后续的应用开发提供借鉴经验。在技术平台建设层面，企业要充分结合内部现状，搭建能在组织内广泛使用的平台，重点考虑平台的易用性、功能完备性、协作便利性等。在组织AI素养层面，除了外部人才的引进，也要重视人员的培训工作，包括模型开发、模型使用、模型运维等方面的培训。 第二，模型的泛化能力是企业AI开发中需要重点关注和解决的问题。通过模型的泛化，企业能将模型快速迁移至相似场景，避免从头重新开发，从而降低了模型开发成本。而在AI开发平台中引入算子和“白盒”的模式，将模型的工作流沉淀下来，使得开发人员后续能够针对相似场景对模型做适当修改，从而快速实现模型的泛化。
案例9：助力某大型集团搭建AI数据智能平台，支撑数智化升级
某大型集团旗下科技公司为行业及集团提供数字化转型整体服务，通过构建物联网、大数据和AI平台等数字基础设施，将生产、流通和消费等环节的数据、算法和应用打通，更高效地赋能业务。 在本次合作中，该集团希望通过建设AI平台解决以下三点AI开发和管理中的难题： 1）“烟囱式”开发建设造成的资源浪费。该集团在以往的AI建设中，各个工厂和部门都有独立开发或采购一些AI应用，因此带来了集团内数据不能共享，AI开发工具重复建设，以及模型不能复用等问题。这种数据、开发工具、模型的“烟囱式”开发建设浪费了集团的AI资源，也阻碍了数智化的推进。 2）AI模型开发门槛高。该集团以往的单点AI应用多由数据科学家、算法工程师开发，但此类人力成本高，当要在全集团广泛地落地AI应用时，就需要提供平台工具降低AI开发的门槛，让业务和IT人员也具备一定的AI开发能力。 3）大规模的AI应用开发技术难度大、成本高昂。为了尽快建设完善的AI数智平台，该集团需要在园区安全、供应链管理、智能营销等领域同时推进多个AI应用的开发，如果都从零开发如此大量的AI应用，成本高昂，统一管理较为困难。因此该集团科技公司希望借助在上述领域有成熟AI模型积累的厂商，以较低的成本快速落地多个AI应用。 搭建智能中台，提供统一的AI开发、AI管理和成熟的AI模型服务能力 在对多家厂商的产品成熟度、客户案例、合作深度、团队配置等方面情况进行考察后，该集团科技公司选择与京东云合作，为集团搭建智能中台并共建应用。京东云是京东集团旗下专注于产业数字化服务的业务板块，依托人工智能、大数据、云计算、物联网等技术能力，为各行业企业和政府部门提供全链路的产品与解决方案。 该集团的智能中台是基于京东云Foundry智能中台产品而构建，智能中台提供了一站式的AI开发平台、统一的AI模型管理平台、以及大量预置的标准化AI模型。同时，京东云也在智能中台搭建过程中为该集团提供了场景共建、算法定制、人员培训等服务。 为了解决AI应用“烟囱式”开发的问题，该集团借助智能中台，从数据、开发工具、模型管理三个层面对其进行统一建设和管理。 在数据层面。该集团科技公司联合京东云搭建的大数据平台对集团的数据进行统一的存储和处理，打破了数据孤岛。同时，智能中台提供了统一的数据标注和数据集管理工具，使得AI开发中所需的数据能够在不同的AI开发人员间共享和协作。 在开发工具层面。智能中台提供了一整套包含数据标注-模型开发-模型训练-服务发布等全链条的AI开发工具，算法工程师及应用开发等人员都可以统一基于该平台进行AI模型的开发。 在模型管理层面。智能中台提供了模型仓库功能以便集团对模型服务进行统一管理，如模型版本维护、模型更新、模型发布服务、对模型服务调用情况查看等。因此，集团的管理人员可以对平台上的所有模型进行统一管控，简化运维工作，提高管理效率。业务和IT等人员也可以通过平台查看集团现有的模型资产和AI能力，并根据需要直接调用。 为了降低AI开发的门槛，使得集团的业务和IT人员也具备AI开发能力，智能中台将算法代码封装为组件，因此具备一定开发能力的用户能够通过拖拉拽快速构建工作流的方式开发模型，实现对前人经验的复用。同时，智能中台也提供更简单的自动化模型训练功能，业务用户只需选择场景和相应的数据集即可对模型进行自动化训练。 针对大规模的AI应用开发技术难度大、成本高昂的问题，智能中台内置了京东集团在长期业务发展过程中积累的大量成熟的AI算法，包含语音语义、图像及视频理解、文字识别、机器学习等类别，该集团在接受京东云适当的培训后，能够自行选择算法组件，并做好数据准备，即可在工业质检、园区安全、供应链管理、智能营销等领域快速构建AI应用。
图 9： Foundry智能中台框架
智能中台落地后的价值与效果
智能中台为该集团带来的价值包括业务价值和管理价值两方面。 从业务价值的角度，智能中台提供的低门槛开发工具和AI模型服务让该集团的业务和IT人员也能够开发一定的AI模型，从而提升了应用开发效率，降低开发成本。该集团因此能够充分利用了自身沉淀的数据资产，在智能中台上线半年内，即在园区安全、智能营销等领域构建了多个适配业务需求的AI应用及解决方案，显著提高了集团的数智化水平以及业务创新能力。 从管理价值的角度，该集团通过智能中台对AI模型和服务的统一管理，实现了AI能力自主掌控、运行状况可查可看以及AI服务的精细化运营，从而简化了模型运维工作，提高了管理效率，并且通过AI模型和服务的复用提升了资源利用率。 智能中台项目经验总结 第一，京东云同该集团科技公司合作建设大数据与AI模型训练平台能力，共同为集团带来从数据管理、模型应用等方面的技术工具，从而进一步辅助业务创新和发展。通过引入统一的数据管理、模型开发和模型管理工具供相关人员共同使用，利用平台实现AI能力的复用，提高资源利用率。 第二，为了提高AI应用落地的效率，加速智能化升级，企业可以选择与自身业务匹配度较高，且在这些业务领域有大量成熟AI模型和应用实践的厂商合作。通过复用这类厂商的模型，及其最佳实践方法论，企业能够以较低的成本在多个关键领域快速构建AI应用，赋能业务。
案例D：某大型国有商业银行构建MLOps体系，实现敏捷的模型迭代，高效的模型交付
某大型国有商业银行经过近几年的智能化建设，已经搭建了完善的人工智能生态体系，在数据、算法、算力、技术框架等多领域实现了技术领先，并且已在各业务领域落地了500多个AI应用。该银行在AI应用实践中，为协同模型构建团队、业务以及运维团队，建立起一台标准化的模型开发、部署和运维流程，使得组织能更好的利用AI的能力促进业务增长，于近年构建了MLOps体系。 该银行的MLOps体系主要从降低开发门槛和提升模型管理流转效率两个方面出发。在降低开发门槛方面，该银行构建了从需求分析、数据准备、模型构建、模型发布，到模型运营的一站式AI工作站，为建模人员提供可视化、低门槛的流水线建模服务。在提升管理效率方面，该银行建立了“信息统一管理、实体统一流转、管理信息与实体流转保持一致”的AI全生命周期管理机制，以提升模型生命周期管理水平。具体而言，该银行将AI工作站作为统一的模型全生命周期管理平台收集模型的元数据信息，实现全流程管控；同时，构建了涵盖一台模型基础版本库+开发、测试、生产等各套环境的模型调用库，以及模型加密单向同步机制，实现模型实体的统一存储、管理和在各模型库间不落地的安全流转，此外还建立了增存结合的入库管理机制，加强模型入库管控能力。在此基础上，将AI工作站的模型管理信息与DevOps平台的版本交付信息联动，DevOps版本交付机制调用AI工作站的服务，控制模型库间的实体流转，保证账实相符，支持各应用全生命周期模型管理。
图 10： 某国有商业银行MLOps体系
该银行通过构建MLOps体系，取得了良好的实施效果，模型研发周期从之前的平均3个月最短压缩到两周，模型部署的周期缩短至1天以内，常规模型后评价和模型更新最快2天即可完成，自学习模型可根据实际效果实时更新。
3.6 组织与人才层面
3.6.1 方法论
3.6.1.1. 建立适应AI开发和管理需求的组织架构，明确部门权责和协同机制
AI的开发和管理是项复杂的系统性工作，需要组织内各部门和人员能够紧密协作，共同完成。企业在智能化早期通过设立单个项目组推进的方式在智能化深入阶段将不能维继。此时，企业需要在整个组织内部建立统一的AI组织架构，设立核心部门统筹协调各相关部门开展AI开发和管理工作，并明确各部门的权责。
例如在案例E中，某头部家电集团为保持其AI能力的领先性，构建了以AI技术委员会为核心部门，下辖多个技术研发部门分别负责特定方向的AI能力建设，并统筹协调技术研发部门为产品部门提供应用开发服务。
3.6.1.2. 内外兼顾，培养AI人才队伍
智能化转型成败的核心要素之一是人才，企业一方面要注重从外部不断引进优秀的数据科学家、算法工程师等专业人才；另一方面，需要加强组织内的培训，提升业务和IT人员的AI开发能力，以及提升管理人员的AI素养。从而帮助企业构建起能支持智能化转型所需的人才队伍。
3.6.2 给不同成熟度的企业的建议
初步投入阶段：该阶段的企业当前以单点应用建设为主，无需在组织架构层面为AI应用做太多调整，但需引进关键的AI人才，指导应用落地和后续维护。
多维布局阶段：该阶段的企业在核心部门都有建设一定的AI开发和管理团队，建议由公司层面对各部门的AI开发进行统一协调部署，做到信息互通；同时要加大对数据科学家、算法工程师等专业人才的外部引进工作。
深度应用阶段：该阶段的企业需要构建完善的面向AI开发和管理的组织架构，各部门之间的权责和协同机制要明确；同时，除了专业人才的引进，企业也需要在组织内加大培训力度，提升组织内相关人员的AI素养。
案例E：某头部家电集团建立面向AI开发和管理的组织架构，全面支持产品的智能化创新
某头部家电集团在AI研发和应用方面处于业内领先的地位。为了保持集团AI技术的领先，保证其家电产品在智能化方向的持续创新能力，集团近两年在AI研发上加大了投入，并对集团的AI组织架构做了调整和统一部署，明确了各部门AI相关的职责与各部门之间的协调机制。 整体而言，该家电集团成立了AI技术委员会，下辖AI创新中心、中央研究院、集团IT、IOT事业部智能研发部、以及空调、冰箱、洗衣机等各产品事业部的技术研发部门。
图 11： 某头部家电集团AI组织架构
其中，AI技术委员会的成员为各相关部门负责人，委员会的职责是统筹协调各部门AI建设需求、AI能力输出，并做到各部门之间的信息互通；AI创新中心为集团新成立的部门，集团对该部门的人员和资金做了重点投入，希望在计算机视觉、语音基础算法、家庭服务类机器人等方向做研发并具备自主技术，一是为了降低外采技术的成本，二是为了赋能产品线打造差异化功能；中央研究院主要负责智能制造、工业互连网相关的能力建设；集团IT负责供应链管理和部分智能制造领域的AI能力建设；IOT负责图像、大数据、语音相关的AI应用开发，为家电产品服务。AI创新中心、中央研究院、集团IT、IOT事业部智能研发部的AI能力会赋能空调、冰箱、洗衣机等各产品事业部，并提供应用解决方案，同时各产品事业部也会在一些特定的重要业务领域根据需求独立开发或外采AI应用解决方案。 该集团基于良好的AI研发和应用基础，在扩大AI优势的过程中，重视调整组织架构来适应AI能力发展需求，为集团明确分工、优化协作、降低AI研发成本、提高产品智能化能力提供了机制保障。
4. 企业智能化趋势展望
人工智能在为企业创新产品服务、优化经营决策、提升管理效率等方面已经取得了广泛的效果，并展现出了更加巨大的潜力，因此，爱分析认为所有的企业未来想要在市场中保持竞争力，一定都需要走向全面的智能化。但如前文中所述，国内主要行业目前已经开展过智能化建设的企业中约70%仍处AI应用的早期实验或初步投入阶段，仅约30%的企业进入多维布局或深度应用阶段，真正在组织内实现AI应用与业务全面融合的企业不足1%。
爱分析认为，在接下来的3至5年，国内大量的企业对AI的应用将从单点的AI建设走向全面的智能化转型。在这个过程中，企业将会需要解决智能化建设过程中涉及的战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才等多方面的挑战。因此，企业需要针对智能化转型规划完善的路径和方法，具体的措施包括：制定明确的智能化战略；完善数据基础设施，构建面向AI开发的自动化数据采集、数据处理能力；建立场景规划的流程和方法论；提升解决方案的自研能力；建立了标准化的解决方案开发、部署、和后续运营的方法和流程；重构面向智能化运营的IT系统；引入AI平台、AI中台；构建MLOps体系；建立面向AI开发和管理的组织架构；重视AI人才队伍的建设等。同时，企业需要结合自身AI应用的成熟度，对上述举措更细化的方法和步骤，实施时间点等方面问题制定符合自身需求的计划。
人工智能在产业中的落地正在如火如荼地推进，也还有很多未知的领域有待企业去探索，进一步释放AI的价值。相信随着这个进程的推进，AI在产业中落地仍然会面临许多新产生的问题，爱分析将对这个领域保持持续跟踪研究，对前沿的案例保持关注，为企业智能化转型提供更多的决策参考。 |
