用户
 找回密码
 立即注册

QQ登录

只需一步,快速开始

天机网 首页 未来医疗 查看内容
  • QQ空间
  • 回复
  • 收藏

中国AI应用最新白皮书:金融、汽车、医疗和零售将受AI影响最大,或为参与者带来19000 ...

admin 2017-11-29 09:23

中国AI企业的发展势头良好,在全球处于优先地位;金融、汽车、医疗和零售将是受AI影响最大、同时最具成熟发展基础与市场应用潜力的传统产业,制造、教育和通信行业也值得关注。

在第三次人工智能浪潮如火如荼之时,正确理解目前AI的应用能力、发展状态以及与市场预期之间的距离,显得尤为必要。

基于此,中国人工智能学会联合国外研究机构罗兰贝格梳理了人工智能在20个行业的80个具体应用场景,并对AI领域的初创企业管理人、各行业内企业经理人、AI研发人员进行了多方访谈,并于近日发布了《中国人工智能创新应用白皮书》(以下简称“白皮书”)。

白皮书指出,中国AI企业的发展势头良好,在全球处于优先地位;金融、汽车、医疗和零售将是受AI影响最大、同时最具成熟发展基础与市场应用潜力的传统产业,制造、教育和通信行业也值得关注。

AI产业发展现状

根据中国人工智能学会、罗兰贝格统计,去年全球人工智能融资总额达49.68亿美元。预估2025年全球人工智能市场规模将达30610亿美元。

从技术方面来看,目前主攻AI方向的企业主要分为两类:专注于技术研发的通用型人工智能企业,如DeepMind、 Facebook AI Research、Google Brain与Baidu AI等; 专注于AI技术应用的专用型人工智能企业。

从应用方向来看,目前,金融、医疗、汽车和零售行业的应用场景相对成熟,在这几块的融资热度也较高。

以自动驾驶领域为例,谷歌、百度、特斯拉、奥迪等科技和传统巨头纷纷加入;AI在金融领域的智能风控、智能投顾、市场预测、信用评级等领域都有了成功的应用;在医疗领域,AI算法被应用到新药研制,提供辅助诊疗、癌症检测等方面都有了突破性进展。

而从地域发展方面来看,全球领先的创新高点散落在各个国家,尤以美国(纽约和硅谷)、英国(伦敦)、以色列和中国(北上深)最为突出。

以中国在全球范围的状况为例,总体来看,中国AI企业的发展势头良好,在全球处于优先地位。中国的AI企业数量、专利申请数量以及融资规模均仅次于美国,位列全球第二。

依上表可知,在国内,计算机视觉、服务机器人和自然语言处理方向的AI企业占据了全国所有AI企业的一半以上,共占比55%。而北京、上海、深圳作为国内AI创新的高地,其相关企业数量占据企业总数的80%。

AI商业应用现状

跟据中国人工智能学会、罗兰贝格预测,从定量的角度来看,至2030年,AI将在中国产生10万亿元的产业带动效益。根据二者的估算,AI带来最大影响的传统产业将会是金融、汽车、零售和医疗。

具体来看四个行业未来将受AI影响的增益价值的增加情况:

  • 在金融行业,通过AI技术在风险控制、资产配置、智能投顾等方向的应用,预计AI将带来约6000亿元人民币的降本增益效益。

  • 在汽车行业,AI在自动驾驶上的技术突破将带来约5000亿元人民币的价值增益。

  • 在医疗行业,通过AI技术在药物研发领域提高成功率、在医疗服务机构内提供疾病诊断辅助、疾病监护辅助等提高服务效率的应用,预计AI可以带来约4000亿元人民币的降本价值。

  • 在零售行业,AI在推荐系统上的运用将提高在线销售的销量表现,同时更加精准的市场预测将降低库存成本,预计AI技术将带来约4200亿元人民币的降本与增益价值。

为了进一步评估各个行业应用AI的准备程度,中国人工智能学会和罗兰贝格还对AI领域的初创企业高管、各行业企业经理人、AI研发人员进行了访谈。

此次访谈是基于各行业的组织结构基础,数据、工作流和技术基础以及人工智能应用基础三者基础之上,建立的评分体系。最终访谈结果可见上图。

从结果上看,金融、零售、医疗与汽车行业的发展基础最为扎实,应用潜力也高于其他行业。

金融行业拥有良好的数据积累,在自动化的工作流与相关技术的运用上也有不错的成型成效。医疗行业拥有多年的医疗数据积累与流程化的数据使用过程,因此在数据与技术基础上有着很强的优势。汽车行业已经开始利用AI技术布局自动驾驶、辅助驾驶技术,因此在组织基础与AI应用基础上有着很好的优势。零售行业在组织结构、数据积累、AI应用方面都有一定基础,处于相对均衡的发展状态。

AI产业应用场景案例举例

1、AI在汽车行业的应用场景举例介绍

  • 整车的智能营销

以美国的Automotive Mastermind公司为例,其是一家服务于汽车生产商和经销商的技术开发商和服务提供商。

在整车营销中,该公司将AI技术贯穿其中。具体的实施路径为:搜集社会人口学特征、社交网络、市场数据、产品生命周期等大数据;利用自有的行为预测评分算法对超1000个数据点进行清洗和分析;对消费者进行排名,筛选出目标消费者;梳理出消费者的关键驱动因素,包括金融预算、购买动机、产品性能、保障条款等;推荐对该消费者最有效的线上或线下营销手段;实现按需生产、销售。

数据表明,使用Automotive Mastermind公司服务的企业,销售收入提升了30%,客户留存率提高了16.7%。

  • 数据驱动的产品优化

利用各类感知设备收集的产品运营状态、事故率、 生命周期等数据,结合产品本身的生产、质量等方面数据,分析出最优的产品设计方案。

例如在特斯拉未来的理想情景下,“如果一辆特斯拉汽车因材料不够厚被撞挂了,第二天所有的Model S都会自动变厚2英寸”。

  • 销量预测驱动的智能生产优化

结合机器学习预测模型对销量的预测和智能设备产生生产数据,通过云计算得出实时最优生产计划与节奏。

收集的生产数据包括:智能机器及时反馈的生产和闲置状况、智能仓库实时监测的库存情况、智能调研系统动态预测的整车和零部件需求等。

  • 零部件的预测性维修

预测性维修是将状态监测、故障诊断、状态预测和维修决策多位合为一体的系统过程,通过收集大量运行状态信息和运用预测模型,来实现零配件的提前维修更换。

加拿大企业Ansik于2013年成立,旗下软件PitStop可预测零件故障。该公司向企业代理商和维修站销售一款接入汽车的插件和一个附属手机APP, 以此搜集实时发动机和传感器数据和其他监测信息,观测性能状况并推断汽车故障可能。

如果数据显示汽车将出现问题,会通知用户停车检修,同时提供来自维修站的修理建议。

  • 驾驶辅助系统

驾驶辅助系统是汽车人工智能领域目前最为火热的方向。在感知层面,其利用机器视觉与语音识别技术感知驾驶环境、备识别车内人员、理解乘客需求;在决策层面,利用机器学习模型与深度学习模型建立可自动做出判断的驾驶决策系统。

按照机器介入程度,无人驾驶系统可分为无自动驾驶(L0)、驾驶辅助(L1)、部分自动驾驶(L2)、有条件自动(L3)和完全自动(L4)五个阶段。

目前,技术整体处于多个驾驶辅助系统融合控制、可监控路况并介入紧急情况(L2)向基本实现自动驾驶功能(L3)的转变阶段。

2、AI在医疗行业的应用场景举例介绍

  • 医美、齿科等机构基于购买预测的精准营销

医美、齿科机构通过客户购物、浏览等轨迹和客户年龄、交易量、使用习惯等数据的智能匹配,可以从不同方面来了解潜在客户的情况。

以爱尔康为例,其通过建立采集数据的工具,整合和匹配老会员的数据,对会员的线上线下数据进行整合, 跟踪用户行为,深入挖掘数据,描绘出360画像, 取得了微信粉丝增长10083人、微博粉丝增长 10147人、粉丝互动140万次、提升4倍会员增长速度、会员活跃度由20%上升到78% 、线下会员增长占整体会员增长数量39%的成绩。

  • 数据驱动的辅助诊断

通过机器学习算法建立多种疾病辅助诊断模型, 人工智能辅助诊断系统会通过分析患者数据来识别病症,再根据大量学习的医疗知识及经验进行病情分析,提出诊断意见和疾病转归预测预警评估。

在AI+辅助诊疗的应用中,IBM Watson是目前最成熟的案例。IBM Watson可以在17秒内阅读3469本医学专著、248000篇论文、69种治疗方 案、61540次试验数据、106000份临床报告,还通过了美国职业医师资格考试,并部署在美国多家医院提供辅助诊疗服务。

  • 医疗图像分析

AI在此的应用主要有两部分:在感知环节应用机器视觉技术识别医疗图像,减少医生读片时间;在学习和分析环节,通过大量的影像数据和诊断数据,不断对神经元网络进行深度学习训练。

一个典型的例子为贝斯以色列女执事医学中心 (BIDMC)与哈佛医学院合作研发的人工智能系统。该系统对乳腺癌病理图片中癌细胞的识别准确率 可达92%,与病理学家的分析结合时,其诊断准确率可以高达99.5%。

  • 提高筛选生物标志物速度,进行药物有效性、安全性预测评估

通过应用开发虚拟筛选技术,通过机器学习模型预测分析药物构效关系,取代或者增强传统的高容量筛选过程,可以大幅度提高生物标志物的筛选速度及成功率,显著缩短新药研发周期,降低新药研发的试错成本。

例如,美国硅谷公司Atomwise通过IBM超级计算机分析数据库,并用深度学习神经网络分析预测化合物的构效关系,于研发早期评估预测新药风险。其超级计算机可以在几天之内评估出820万种药物研发的候选化合物。该公司也为制药、创业公司和研究机构提供药物预测服务。

3、AI在金融行业的应用场景举例介绍

  • 预测性风控

在银行业,AI主要被应用于贷前准入、贷后跟踪、坏账预测等;证券业主要应用于合规、识别垃圾注册、异常交易监测等;保险业则主要应用于反欺诈。

目前,预测性风控已成为AI技术在金融行业应用最为广泛的场景,众多银行、信用卡中心、P2P 交易平台等都在运用这项技术降低逾期与坏账风险。

  • 智能交易策略

智能交易的关键在于自主学习、推理和决策。其具有一致性和逻辑性,可减少人为疏漏和失误,并利用不断自我改进的模型和全市场内的产品充分分散风险。

以香港AI投资机构Aidyia开发的交易机器人为例,其能够从新闻、政策、社交网络在内的多渠道获取数据,并借鉴多种AI形式(如受遗传演化启发的计算、 基于概率逻辑的形式、深度学习、神经演化等), 分析之后转化为买卖决策,能够完全自动识别和 执行交易。

  • 智能客服

智能客服可以进行简单问题的直接回复,从而帮助客服人员能够集中精力应对高净值业务。

目前,中国农业银行、中信银行、中国邮政储蓄银行、兰州银行、太平洋保险、广发基金、工银瑞信等银行及金融机构已经开始应用智能系统开展24小时客户服务。

  • 智能投顾

智能投顾是根据客户理财需求和资质信息、市场状况、投资品信息、资产配置经验等数据,基于大数据的产品模拟和模型预测分析等AI技术,输出符合客户风险偏好和收益预期的投资理财建议。

目前,银行系(如广发智投、招商摩羯智投)、基金系(如南方基 金超级智投宝、广发基金基智理财、天弘基金犇跑篮子)、大型互联网公司系(如百度金融、京东智投、同花顺)和第三方创业公司系(如弥财、 蓝海财富、拿铁财经)等都在智能投顾上有所应用。

4、AI在消费品与零售领域行业的应用场景介绍

  • 精准营销与个性化推荐系统

通过分析用户的购买、浏览、点击等行为,结合各类静态数据得出用户的全方位画像,搭建机器学习模型可预测用户何时会购买什么样的产品,并进行相关产品推荐。

以天猫淘宝为例,其在2016年创造的一千亿人民币销售额的背后,就是有一套成熟稳定的个性化推荐系统。

  • 智能店铺管理

通过机器视觉技术捕捉分析店铺客流量与路径、消费者货柜前行为(如表情和肢体语言、停留时间、拿货比货动作)等数据,指导店铺环境布局与设计优化、商品陈列和库存管理、店内营销和服务内容改善以及精准推送和交叉销售。

例如万达通过收购飞凡自建技术团队、银泰选择同阿里巴巴合作获取数字化能力、华润大悦城选择猫酷作为第三方解决方案提供商,正式加入新零售战争时代。

  • 产品销量预测与供应链优化

以Zara为例,其打造的极速供应链系统,可联通和协同从市场调研到设计、打版、制作样衣、批量生产、运输和零售整个环节的数据,实现产品柔性生产。

此外,Zara还设有全天候“数据处理中心”,可融合每一个零售网点追踪的销售数据,以获取顾客的动态消费特性。如果公司在商品上市初期发现畅销款或滞销款,能及时迅速做出增产或减产决策,从而保持很高的售罄率。

  • 无人超市

亚马逊的Amazon Go是一个典型的无人超市案例,它通过自助检测与跟踪系统捕捉并追踪消费者在店内的所有行为,并在入场和消费者身份识别方面采用人脸识别确认用户亚马逊帐号身份。

在商品位置判断方面,通过货架上的红外传感器、压力感应装置、荷载传感器和摄像头图片对比检索判断货物是否被拿起/放回,以及是否在正确的位置。

在结算意图识别和交易方面,以室内定位技术(图像以及音频分析,GPS以及WIFI信号定 位)判断商品和人的关联,以绑定的信用卡等支付方式结算。

人工智能的发展史

虽然全世界都在谈论AI,但鲜少有人熟知前两次AI浪潮遭遇“寒冬”的原因。就此,我们不妨来理一理人工智能的发展史。具体见下图。

如上图,我们可以清楚的看到,AI遭遇的第一次寒冬,是由于当时人类对AI未来失望、停止资金投入。第二次寒冬则与AI本身有关——缺乏实用和商业应用,研究领域陷入困境。

而来到第三次浪潮,数据、算法和计算机条件渐已成熟,大数据、物联网、云计算等技术也能为AI的发展打下良好的基础。具体驱动因素有以下五点:

  • 高质量、大规模的大数据为AI技术的发展提供了原材料。据《白皮书》显示,1986至200年,全球单日信息交换量增长了约220倍,全球信息存储能力增加了约120倍。

  • 计算力提升突破瓶颈,帮助AI模型可以在更大的数据集上运行。

  • 机器学习算法取得重大突破。以多层神经网络模型为基础的算法,使得机器学习算法在图像识别等领域的准确性取得了飞跃性提升。

  • 社会理解与接受程度广泛提升。

  • 物联网、大数据、云计算技术为AI发展提供了基础。

2030年,人工智能将在中国产生10万亿元的产业带动效益。其中,汽车、金融、医疗、零售这四大行业将优先享受AI带来的红利。

然而,这波红利能“吃”到多少,或者能“吃”多久,就看各家本事了。

来自: 搜狐网