人工智能(AI)产业是数字经济的重要组成部分。企业在数字化转型的早期实践中,比较关心基础类数据应用,比如基于查数、用数的管理支持或流程支持。数据本身即产品,这是不少从事数字化工作者的直观逻辑。当数据治理完成后,能够看到这些数据并清楚地知道这些数据的真实业务含义,就已经相当不错了。
人工智能的应用,是数字化转型的未来趋势。近期的大模型产业之流行,也将这个趋势拉上了一个新的高度。越来越多的企业开始认识到,人工智能技术正是数字化2.0的核心要义。
从数字化,到数智化,这是一个新赛道。很多传统的软件厂商都会面临挑战。传统的SaaS逻辑,ERP逻辑,本质上是以流程为中心进行方案设计和IT实施。而在智能化的浪潮下,无论是甲方单位还是软件厂商,都应该关注数据本身的价值——从以流程为中心到以数据要素为中心。
数据的价值包含显性价值和隐性价值。显性价值,在“数据集成”和“数据贯通”完成的那一刻就已然实现了,而隐性价值则依赖于先进算法技术的加工和挖掘。如果把数据比喻成食材。除了数据自身的质量很重要,加工数据的技术和手段同样重要(好的厨师)。云算力的普惠化和“低代码”的MaaS平台,把AI的门槛逐渐降低。当企业可以轻便地接入AI能力的同时,接下来是一件非常关键的步骤,即构建专门针对AI应用落地的数据治理工作——这是数据治理的新方向!
在AI数据治理活动,除了需要不断完善基础的数据质量提升工作,还需要构建高质量的AI数据集。例如,基于特定的策略筛选出对模型提升有重要价值的代表性数据样本,再或者,采用手动或半自动的方式构建符合训练过程范式的规整化数据集。
那么问题来了,基于AI的数字化应用,一般都有哪些具体的落地思路方向呢?其实很简单,AI的本质,就是自动化,人工智能本身也是自动化技术的重要分支。
一是感知类应用。自动从多模态数据(图片、文本、视频、音频等)中,提炼有价值的业务信息,回答what now的问题。发生了什么。例如,文本智能分析、语音特征识别、图像实时监控等。
二是认知类应用。利用上述信息,预测未知场景(当下不可知的场景或未来情况),回答what future相关的问题。例如,财务指标预测、自然灾害预警、设备风险评估等。
三是决策类(生成类)应用。基于what now和what future的答案,告知人或者机器应该如何去做,回答how的问题。例如,内容自动推荐、智能文档生成、资源动态调度、检修计划制定等。
AI技术的智能属性来自于数据资源本身蕴含的业务知识和专家经验。
将数据要素以AI模型的方式进行构建和部署,可以快速复制业务产能,打造出高效率的知识型、智慧型组织!
点击下方,了解更多精彩内容: