赵丽萍决策AI将降低企业智能转型门槛

　　中新经纬3月26日电 题：决策AI将降低企业智能转型门槛
　　作者 赵丽萍 中金公司研究部软件、电信和教育行业分析师，执行总经理
　　决策AI已在互联网行业证明具备显著的商业价值，是互联网巨头智能化转型的底层推动力，但在传统行业中仍处在商业落地初期。决策AI能够在数据积累成熟的银行、零售等行业率先落地，完成职业增强或替代从而实现降本增效。
　　在AI研发成本高企、人才稀缺的背景下，以平台为中心的决策AI是落地趋势，有望降低企业的AI应用门槛，助力智能化转型。
　　决策AI是数字化转型的重要支撑
　　数字化转型经历＂信息化数据积累-基于大数据决策＂两大阶段。受益于深度学习发展，感知AI自2012年起算法泛化能力明显提升，AI在机器视觉领域已能突破人眼识别率水平。2019年以来，大模型技术路径(即大规模预训练模型)已经帮助部分企业解决现实中大量长尾问题，大模型路径也在部分国内外巨头之间得到认可。
　　中国人工智能市场中，决策AI增速最快。决策AI市场规模仅次于视觉AI，2025年市场规模有望达到1847亿元人民币。据灼识咨询，2016-2020年决策AI市场规模CAGR(复合年均增长率)高达83.5%，预计2021-2025年CAGR达47.1%，决策AI有望成为人工智能增速最快的赛道。其中以平台为中心的决策AI市场集中度较高，CR5(五个企业集中率)超50%，头部AI厂商与互联网巨头卡位。我们认为，中国以平台为中心的决策AI为未来趋势。
　　中国企业有望在新的技术发展范式阶段，依靠数据优势率先实现基于决策AI的数字化转型。但企业落地AI需跨越认知、数据、算法三道门槛。相较于企业自主开发AI系统，以平台为中心的决策AI能更好地解决三大门槛痛点，是未来落地趋势。目前已逐步向银行金融等具备完善信息化基础的行业龙头渗透。
　　决策AI的底层技术
　　以平台为中心的决策AI是降低AI应用门槛的核心，也是未来落地趋势。决策AI算法底层支撑技术包括AutoML、强化学习、环境学习、迁移学习、无监督学习、联邦学习等。从落地效果看，AutoML已具备在诸多场景替代部分AI科学家的潜力，能自动执行AI流程中的大部分工程性任务。目前的决策AI龙头厂商和互联网头部厂商布局AutoML能力。强化学习是决策AI核心技术，擅长制定动态策略，近年来在工业控制、自动驾驶等领域取得良好进展。
　　同时，实际决策场景往往需要大规模连续实施决策问题。基于专家或传统机器学习的优化方式难以解决现实场景中的复杂问题包括：1、实际决策场景中影响因素庞杂无序；2、实际场景中通常更重视长期回报，需要连续而非单次决策，效果具有滞后性；3、现代商业中决策需要精细化，决策量大且部分依赖毫秒级响应机制。
　　另外，新型洗钱方式层出不穷，确定的＂坏人＂标签大部分在产生损失后才能得出。无监督学习从聚类明显、可疑度高的团伙中提取关联特征，训练模型，同时通过聚类异常检测和模型将结果可视化，可解释线索可以辅助专家调查，指导系统调优，进入自迭代、自学习的闭环，及时识别洗钱交易。
　　决策AI的应用
　　决策AI已经在互联网行业创造了显著价值，逐渐延伸到银行、零售、自动驾驶等领域。决策AI基于海量数据挖掘规则，率先在金融、零售等结构化数据积累较成熟的行业落地，同时，决策AI也已在交通控制、医保欺诈风控等领域发挥作用。从技术视角，部分互联网公司个性化推荐系统的本质是基于深度学习等技术，其本质是在海量数据源中挖掘规则，并基于不同算法进行打分排序进行精准营销，并用AI辅助风控审核。
　　头部银行每年百亿元IT预算中，近年来多用于大数据、人工智能布局，借贷风控、理财产品营销推荐等领域已在金融行业具备成熟落地应用。决策AI能够基于海量结构化数据，实现基金产品推荐模型效果验证，替代银行信用卡、基金的产品经理角色向潜在客户定向推荐产品。
　　此外，中国制造业正处在自传统生产模式向数字化、智能化发展的新阶段，生产线追求高精度，对算法定制化要求高，以AutoML为主的决策AI能力起到关键作用。例如电池在不同温度、不同驾驶员使用习惯下，故障率差别较大，而在某些企业的电池生产线中，决策AI基于环境学习与强化学习测试电池故障率，并提出解决方案提升良品率。
　　(赵丽萍 SAC 执业证书编号：S0080516060004 SFC CE Ref：BEH709)
　　(中新经纬APP)
　　本文由中新经纬研究院选编，因选编产生的作品中新经纬版权所有，未经书面授权，任何单位及个人不得转载、摘编或以其它方式使用。选编内容涉及的观点仅代表原作者，不代表中新经纬观点。