落地最后一公里，实用AI能做什么？

　　数字化转型正影响着我们今天所知的每一个领域和行业，从金融服务和娱乐到教育、制造和医疗保健，企业数字化转型的目标和举措需要密切贴合用户需求，并且符合未来市场趋势。那么，在数字化转型这条路上，企业最需要什么帮助？他们有哪些核心痛点亟需满足？
　　从数据到商业价值转化的Last Mile AI2004年在国内注册成立的ElectrifAi，专注于人工智能和机器学习解决方案，主要深耕银行、保险、投资三大领域。 ElectrifAi中国区总经理、全球大数据分析副总裁、全球人工智能战略总裁孙娴表示，＂成立近20年来，我们只专注一件事情——Last Mile AI。目前，我们有一千多个被市场验证过的预训练机器学习模型资产，它们可以快速部署，快速实现从数据到商业价值转化的过程。＂
　　ElectrifAi中国区总经理、全球大数据分析副总裁、全球人工智能战略总裁 孙娴
　　为了做好这一件事，ElectrifAi主要聚焦于三方面：通过实用的人工智能和机器学习解决方案，帮助用户从根本上转变已有的业务模式；从前台帮助用户增加营收，增加客户池子，带来的收入增长；在中后台帮助用户降低成本，控制风险。 据了解，ElectrifAi所有的模型解决方案都基于大数据分析和算法，整套模型采用了加强学习和深度学习，通过用户反馈，可以不断优化模型、优化整体策略。孙娴透露，ElectrifAi的模型可以以周、甚至以天为粒度去学习，通常4-6周内就逼近行业最优解，可以通过较高的投产比，有助于前端业务、营收实现增长，降低企业试错的风险。 如何通过这些预训练模型帮助企业解决前中后台的痛点？第一步，准确定位到用户目前最核心的业务痛点，是营收提升、风险管控或是成本降低；第二步，做必要的数据清理和标准化，通过已有的行业经验、业务经验，与先进算法、模型做结合。 孙娴表示，数据平台化和科技智能化是ElectrifAi所擅长的，那么，如何才能帮助用户打通数据孤岛？在数据上首先要形成完整的链条，建立了数据中台和用户360洞察体系之后，才能把数据盘活，让数据真正能够发挥业务价值，才能真正把它资产化。 供应链的数字化在企业的数字化进程中，供应链数字化是现在的热门，这背后主要有哪些驱动力，未来的趋势又是什么？ ElectrifAi中国区联席总经理、产品与解决方案副总裁杨海愿认为，企业的经营主要围绕三件事：一是供应链，是整个流转的核心；二是用户，用户就是市场；三是财务或经营大脑。当前，ElectrifAi希望通过AI把这三个环节积累的数据用起来，让它发挥真正的价值。
　　ElectrifAi中国区联席总经理、产品与解决方案副总裁杨海愿
　　至于供应链数字化成为热门的原因，杨海愿表示，第一是管理对象数字化，目前很多企业已经具备了供应链信息化的基础，比如计划系统、采购系统、生产系统、配送系统等，这些系统其实是很好的管理工具，可以把管理对象数字化；第二是管理工具数字化，原来的信息系统可能要在电脑上操作，现在通过管理工具数字化，可以随时随地工作。第三是管理决策数字化，也就是如何通过业务沉淀的数据，通过算法等智能化技术，让它自主地、更好地决策供应链上的每个决策点，这就成为了智能供应链；第四就是数据根基，只有在数据基础上，大脑才能更好地做决策，让运营更智能化、更精准化。 供应链作为核心，如果能够通过优化做到集约，其实对企业经营具有极为重要的意义。具体如何集约化？杨海愿表示，第一看销售预测，很多企业在这个环节有很大的痛点，如果预测准确、产量精准，就不会产生冗余的库存和过多的产能，这对利润和环境都是非常好的保护；第二是库存优化，当企业SKU越来越分散，长尾较多，可能会导致库存平衡策略的失效，这就需要量化的智能模型来助力；第三是流通的优化，例如零售企业如何通过算法分析需求特点，决定哪个SKU放在哪个仓库、哪个仓库覆盖哪些门店，是个非常好的优化点。 供应链领域有个说法是＂产销协同＂，＂产＂即供应链的供应端，＂销＂即营销。如何根据供应链运营，再结合实时的营销策略，将二者进行组合，把库存控制在合理水平非常关键。 ＂这就像天平的两端，如果产得多，销得不好，就会产生库存；反之则不能满足订单。我们希望能构建一个比较好的、通过算法来实现的产销平衡系统，自动化地和营销进行对接，实现自动化的产销平衡＂，杨海愿表示，＂有了算法后，就可以实现动态平衡，让企业的经营更加自主化、精准化。＂ Know How——让数据真正产生业务价值当前很多AI应用中，云厂商通常也会将自己的AI技术和传统企业的行业知识经验结合，进行纵向挖掘。相较而言，ElectrifAi的差异化优势是什么？ 孙娴表示，不论在国外还是国内市场，ElectrifAi和头部的云厂商都有深度合作。在所专注的行业领域，ElectrifAi积累了丰富的行业经验和解决方案，云厂商的基础技术能力固然非常强，但在数据中台以上偏业务的场景，如何让数据能够真正产生业务价值，其实需要多年的行业经验和积累，而这正是ElectrifAi可以发挥关键作用的领域。并且在国内市场，ElectrifAi可以通过多年来积累的全球市场经验，帮助国内用户加快数字化转型加速的过程。企业如何选择机器学习模型？对于企业来说，是选择预训练的、还是从头开始训练的机器学习模型，主要取决于哪些因素？孙娴表示，要结合具体的应用场景，比如金融领域通常是风控加营销最重要，零售和制造业则以供应链最为核心。在这些特定的领域，ElectrifAi已经有对应的方案，就会建议用户直接采用预训练好的模型。 她强调，预训练模型并不是就不需要任何改动，业内通常说＂二八法则＂，其实是指预训练模型已经是70%-80%准备好了，其余的空间就是通过用户独有的数据字段和业务场景等，再对模型进行定制化，这样就可以实现Time to Value。也就是说，在不改变模型大块的架构基础上，可以很快地用客户数据做定制化的训练，可以真正地放到客户端做实施效果验证。 当然，如果是全新的、从未尝试过的场景方面，孙娴表示，ElectrifAi愿意和客户共建，借鉴已有的行业经验，帮助用户客户快速构建出新的解决方案和模型出来。 杨海愿表示，国内行业头部企业的数字化程度相对较高，但最大的痛点是一堵＂墙＂——Domain knowledge（领域知识）。尽管企业内部AI团队的专家非常厉害，但是没法穿越这堵＂墙＂，即：采用什么模型能够解决具体的业务问题，能够解决到什么程度？企业其实没有太多把握，前期难免会经历试错。他表示，ElectrifAi希望通过实用的AI、机器学习解决方案，帮助企业规避和解决这些问题。写在最后数字经济已经成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量，对企业的客户数据进行深度挖掘和分析，是促进企业稳定营收和增长营收的关键。 各行各业都在经历竞争激烈的数字化时代，ElectrifAi 的机器学习解决方案具备＂测试-学习＂性能，也可以理解为不断测试优化的能力，能够支持客户提供适配不同阶段用户的针对性维系和精准的营销策略。同时，性能基于测评不同营销服务的效果，能够继续做出优化和提升，最终能够通过数据赋能具体业务，帮助企业快速实现数字化转型。