江苏龙网

  1. 首页 > 资讯 > 科技 > >

AI|五年落地超过八千家客户后，他们终于找到了AI规模化应用的完整方法论( 二 )


具体来看 ， 这些问题被梳理为增长、留存、变现三大类 ， 每一类问题都关联了相应的自动化功能 ， 比如要实现用户留存 ， 可以通过关联推荐、热点推荐、千人千面等智能推送能力提升活跃度 。
这些功能的影子最早出现在今日头条等信息流里 ， 它们正是出自第四范式的早期团队 。 现在它们被定义地更加清晰和准确 ， 其适用的场景也从内容领域拓宽到各行各业 ， 成为第四范式面向企业用户的首个业务系统应用——天枢 。
AI|五年落地超过八千家客户后，他们终于找到了AI规模化应用的完整方法论
图片

事实上 ， 第四范式的这些单点能力已在多个领域落地并取得了不错成效 ， 包括为在餐饮领域 ， 百胜餐饮(KFC 母公司)提供 APP 点餐推荐功能 ， 使其客均单价得到提升 。 在媒体领域 ， 第四范式累计服务上千家媒体客户 ， 每天为 2 亿人次提供千人千面的浏览体验 。
AI|五年落地超过八千家客户后，他们终于找到了AI规模化应用的完整方法论
图片

第四范式总裁 裴沵思
二、管理 AI 业务的第一步：让数据 AI Ready
要让人工智能的能力轻松落地到客户端 。 在应用之下 ， 还需要更为底层的能力支撑 ， 以降低算力和建模的高门槛 ， 让数据成为人工智能系统真正可用的数据 。
第四范式将这样的平台能力集成为「AIOS」操作系统 ， 脱胎于全流程 AI 平台「先知」——从最初解决数据建模问题 ， 到实现模型快速上线 ， 以及现在提供端到端的方案——该平台成为驱动第四范式能力升级的重要引擎 。
AI|五年落地超过八千家客户后，他们终于找到了AI规模化应用的完整方法论
图片

和面向个人计算用户的 Windows 操作系统类似 ， 「AIOS」操作系统主要面向企业用户 ， 用于人工智能业务的管理 ， 它类似于一套数据中台的系统应用 ， 不过这里的「数据」有些特殊——它们是 AI Ready 的数据 。
胡时伟解释 ， 基于这种被特殊定义的数据形式和产品化模式 ， 能够为企业的业务数据和机器学习系统之间架起一座桥梁 ， 以解决人工智能落地实际业务过程中的「数据治理」的难题 。
这套理论听来有些晦涩 ， 数据还有「AI Ready」和「非 AI Ready」之分?这和「数据治理」有何关联?
胡时伟进一步解释 ， 所谓「数据治理」 ， 即指在 AI 数据的采集和传输过程 ， 进行治理和规范化 ， 很大程度上对应了数据清洗和数据集成等工作 。 实际上 ， 这些环节在 AI 落地应用过程中耗费了大量人力和时间 ， 因为 AI 应用的本质就是数据的问题 。
回顾过往的市场与客户经验 ， 胡时伟坦言 ， 「从传统案例来看 ， 机器学习这件事情 ， 失败的概率其实非常大」 。 但他同时指出 ， 这其中 90% 以上的苦恼都集中在数据问题 ， 有时客户甚至无法意识到是自己的出了问题 。
按照数据 AI Ready 的思路 ， 「数据治理」的核心就在于将「非 AI Ready」的数据转换成「AI Ready」数据 。 胡时伟将其比喻为「用 Word 打开 PDF 格式文档的乱码问题」 ， 第一步便是先转换成对应的正确格式文档 。
AI|五年落地超过八千家客户后，他们终于找到了AI规模化应用的完整方法论
图片

而第四范式团队的创新之处就在于 ， 首次将何为机器能够读懂的「正确格式文档」定义清晰 。 胡时伟将其称之为「AIOS 最为重要的设计之一」 。
「将大幅降低 AI 业务和其他 IT 系统之间的连接成本」 ， 他说道 ， 「用企业内部的数据形态去构建成 AI 数据 ， 与之对应的 AI 业务就能自动地连接其他数据资源 。 」
而这恰恰是现有的传统数据管理与分析软件所无法实现的功能盲区 ， 因为传统管理软件与 AI 业务管理软件的管理目标和服务对象不同 ， 形成了原理和架构上的差异——前者无法理解数据一致性和有序性问题 。
胡时伟以金融领域中机器学习对于欺诈行为的识别举例：机器学习通常需要从数据库调取历史交易数据进行学习和建模 ， 用于判断和检测新的交易 。 但很多时候 ， 由于历史数据在数据库中进行了格式处理 ， 所以机器无法再辨认 。 (金融领域是第四范式最早开拓的优势市场 ， 目前 80% 以上的头部银行都是第四范式的客户 。 )


推荐阅读


上一篇：AI|第四范式重磅发布企业级AI操作系统Sage AIOS

下一篇：科技|小赢科技Q2营收3.88亿元，同比下降51%