• 项目
首页>>文章列表 >>行业研究
行业研究

金准人工智能 2018年中国人工智能行业研究报告 2018-04-08 21:20:44

前言

广义人工智能指通过计算机实现人的头脑思维所产生的效果,是对能够从环境中获取感知并执行行动的智能体的描述和构建;金准人工智能专家将从人工智能技术、应用、产业等维度进行探讨,其中,人工智能技术包括凡是使用机器帮助、代替甚至部分超越人类实现认知、识别、分析、决策等功能,而产业则指包含技术、算法、应用等多方面的价值体系。


一、人工智能行业概述

1.通过机器实现人的头脑思维,使其具备感知、决策与行动力

广义上的人工智能泛指通过计算机实现人的头脑思维所产生的效果,通过研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统所构建而成的,其构建过程中综合了计算机科学、数学、生理学、哲学等内容。形象来说,人工智能可理解为由不同音符组成的音乐,而不同音符是由不同的乐器所奏响的,最终实现传递演奏者内心所想与头脑所思的效果。相对狭义的人工智能包括人工智能产业(包含技术、算法、应用等多方面的价值体系)、人工智能技术(包括凡是使用机器帮助、代替甚至部分超越人类实现认知、识别、分析、决策等功能)

 

 

 

2.人工智能三起三落,60年登上围棋之巅

20世纪50年代到70年代初,人们认为如果能赋予机器逻辑推理能力,机器就能具有智能,人工智能研究处于“推理期”。当人们意识到人类之所以能够判断、决策,除了推理能力外,还需要知识,人工智能在20世纪70年代进入了“知识期”,大量专家系统在此时诞生。随着研究向前进展,专家发现人类知识无穷无尽,且有些知识本身难以总结后交给计算机,于是一些学者诞生了将知识学习能力赋予计算机本身的想法。发展到20世纪80年代,机器学习真正成为一个独立的学科领域、相关技术层出不穷,深度学习模型以及AlphaGo增强学习的雏形-感知器-均在这个阶段得以发明。随后由于早期的系统效果的不理想,美国、英国相继缩减经费支持,人工智能进入低谷。 80 年代初期,人工智能逐渐成为产业, 但又由于5代计算机的失败再一次进入低谷。金准人工智能专家研究发现,2010年后,相继在语音识别、计算机视觉领域取得重大进展,围绕语音、图像等人工智能技术的创业大量涌现,从量变实现质变。

 

3.工业革命使手工业自动化,机器学习则使机器本身自动化

将样本数据输入计算机,一般算法会利用数据进行计算然后输出结果,机器学习的算法则大为不同,输入的是数据和想要的结果,输出的则为算法模型,即把数据转换成结果的算法模型。通过机器学习,计算机能够自己生成模型,进而提供相应的判断,达到某种人工智能的结果的实现。因此,在数据的“初始表示”(如图像的“像素”)与解决任务所需的“合适表示”相距甚远的时候,可尝试使用深度学习的方法。工业革命使手工业自动化,而机器学习则使机器本身自动化。近几年掀起人工智能热潮的深度学习属于机器学习的一个子集,在思想和理论上并未显著超越二十世纪八十年代中后期神经网络学习的研究,但得益于海量数据的出现、计算能力的提升,原来复杂度很高的算法得以落地使用,并在边界清晰的领域获得比过去更精细的结果,大大推动了机器学习在工业实践中的应用。2018年2月,《麻省理工科技评论》揭晓2018年“全球十大突破性技术”榜单,GAN(对抗性神经网络,一种特殊的深度学习算法)位列其中。

 

 

4.国家政策鼎力支持,人工智能道德与威胁问题仍需思考

伴随政策支持的逐步深入,中国政府将有力推动新一代人工智能技术的产业化与集成应用,促进新一代人工智能产业发展,推动制造强国和网络强国建设,助力实体经济转型升级,构筑我国人工智能发展的先发优势。此外,相比美国和英国,中国对人工智能的支持力度虽更大,但较少关注人工智能的道德伦理问题、是否在开发对社会切实有益的人工智能以及应当最小化技术进步所带来的威胁问题。

 

 

二、人工智能典型技术剖析

1.语音识别、自然语言处理、语音合成等技术

人类因为具有语言的能力而区别于其他物种,自然语言处理即研究人与计算机直接以自然语言的方式进行有效沟通的各种理论和方法,涉及机器翻译、阅读理解、对话问答等,因为语言在词法、句法、语义等不同层面的不确定性及数据资源的有限性、背景知识的复杂性等各方面限制,自然语言处理技术仍有非常大的提升空间,仅在特定领域可取得较好的应用,鲁棒性存在大量挑战。在自然语言处理之前,声纹识别可根据说话人的声纹特征识别出说话人,语音识别技术可赋予机器感知能力(在深度学习的驱动下,目前近场语音识别准确率可达98%,远场、抗噪、多人等非限定或非配合条件下的识别有待进步),将声音转为文字供机器处理,在机器生成语言之后,语音合成技术可将语言转化为声音,形成完整的自然人机语音交互,这样的语音交互系统可看作一个虚拟对话机器人,具体技术流程如下图所示。

 

 

2.通用知识图谱与行业知识图谱

从覆盖范围的角度来说,知识图谱可分为应用相对广泛的通用知识图谱和专属于某个特定领域的行业知识图谱。通用知识图谱注重横向广度,强调融合更多的实体,主要应用于智能搜索、智能问答等领域。行业知识图谱注重纵向深度,需要考虑到不同的业务场景与使用人员,通常需要依靠特定行业(如金融、公安、医疗、电商等)的数据来构建,实体的属性与数据模式往往比较丰富。

 

 

3.视觉感知逐步实现商用价值,视觉认知仍有待探索

视觉使人类得以感知和理解周边的世界,人的大脑皮层大约有70%的活动在处理视觉相关信息,计算机视觉即通过电子化的方式来感知和理解影像。得益于深度学习算法的成熟应用(2012年,采用深度学习架构的AlexNet模型,以超越第二名10个百分点的成绩在ImageNet竞赛中夺冠;2017年,ImageNet图像分类竞赛Top 5的错误率降至2.25%),侧重于感知智能的图像分类技术在工业界逐步实现商用价值,但与可结合常识做猜想和推理进而辅助识别的人类智能系统相比,现阶段的视觉技术往往仅能利用影像表层信息,缺乏常识以及对事物功能、因果、动机等深层信息的认知把握。

 

4.多学科融合,帮助人类做出复杂决策

为了做出最优(经济的或其他的)决策,决策相关理论将概率理论和效用理论结合起来,为在不确定情况下(在概率描述能适当呈现决策制定者所处环境的情况下)做出决策提供了一个形式化且完整的框架。因为理性决策的显著复杂性,历史上决策相关理论一直与人工智能研究沿着完全分离的路线向前发展,但自20世纪90年代以来,决策逐步深入人工智能系统研究,经济学、博弈论、运筹学、人工智能等多领域学科思想融合,让计算机智能处理海量数据,相对实时的解决人类专家也难以及时求解的各类问题。

 

 

5.自动驾驶系统剖析

根据自动驾驶的拟人化研发思路,自动驾驶系统原理可理解为感知——认知——决策——控制——执行五层,通过传感器实现感知作用,并根据所感知信息完成处理与融合,对信息达成一定的认知和理解,在形成全局整体理解后,通过算法得出决策结果并传递给控制系统生成执行指令。金准人工智能专家认为,整个过程中,汽车能够通过V2X(Vehicle to Everything)通信实现车与外界(如道路设施、其他车辆等)的信息交换,帮助车辆实时获取更大范围的环境信息,解决“我在哪儿,周围有什么,环境将发生什么变化以及我该怎么做“等四个问题。

 

 

三、人工智能的应用场景

1.金融领域——主要应用场景及相关影像采集设备

与安防影像分析中人脸的“1:N”识别不同,目前泛金融领域以人脸“1:1”身份认证为主,部分场景涉及“1:N”识别,如银行网点中对VIP客户的智能识别。

 

 

2.公共安全领域——生物特征识别与大数据研判增加公安预测和决策能力

计算机视觉、语音识别、机器学习等多项智能技术可对人脸、指纹、虹膜、掌纹、指静脉、声纹、步态等多种生物特征进行身份识别,其中人脸、指纹、虹膜等三大生物特征共占全球生物识别市场份额的80%以上。在公安的实际业务场景中,人工智能技术还可对公安大数据进行智能分析,在构建“人、事、地、物、组织“的知识网络的基础上,实时监测预警、研判,切实增加公安的认知、预测和决策能力。金准人工智能专家认为,伴随人工智能及大数据的技术进步,高清联网摄像头、各种传感器的硬件部署应用,从平安城市、智慧城市到雪亮工程等公共安全相关政策、人工智能相关国家战略政策的逐步深化,公共安全领域的各种智能应用将由重点区域、有条件的地区起步,完成从局部到整体的全国性拓展。

 

 

3.教育领域——由表及里,逐步深入学习核心环节

人工智能已在老师教学与学生学习、评测的各个环节切入教育领域,相关产品服务包括拍照搜题、分层排课、口语测评、组卷阅卷、作文批改、作业布置等功能,涉及了自适应、语音识别、计算机视觉、知识图谱、自然语言处理、机器翻译、机器学习等多项人工智能技术,正在创造着更加个性化、服务于终身学习的智能高效学习环境。

 

 

4.泛信息处理领域——人工智能让人与信息的连接日益高效便捷

搜索与输入法作为人工智能在信息处理领域的典型应用,已大幅改变国人获取信息与输入信息的方式。移动互联网时代,信息流推荐相关产品也成为用户浏览应接不暇的信息的一种有效工具。在人机交互方式不断升级的当下,人与信息接触的种种环节都在发生着智能化的创新变革。

 

 

 

5.医疗健康领域——改善医疗资源分布不均的问题,助力专家学者攻克医疗难关

相对生命的复杂性,人类对医疗健康的理解仍非常粗浅,现阶段人工智能技术也不能有效应对各种挑战,但这并不妨碍我们对人工智能技术寄予厚望,试图通过前沿技术改变医疗资源分布不均的现状,将医生从繁重的工作压力中解放出来,并帮助他们减少误诊率,提高准确率,甚至探索出新的诊疗方案或找到新型有效药物。

 

 

 

6.零售领域——人工智能赋能零售业,提升效率与收益,优化消费者体验

通过数据与商业逻辑的深度结合、先进感知技术的成熟运用,人工智能、运筹优化等技术将切实提升零售全链条的资产配置效率,在精细化运营为企业创造出更多效益的同时,为消费者带来更为理想的购物体验。

 

 

 

7.广告营销领域——为广告效果与营销策略提供更科学的依据和更聪明的支持

相比人工智能在传统行业的摸索尝试,人工智能与广告营销的结合已有成熟落地(得益于数字营销领域较好的信息化、网络化基础以及互联网公司卓绝的技术创新力),用户在搜索引擎、信息流产品、视频网站、电视中看到的相关广告可能都经过了人工智能算法对多维度大数据的智能分析。人工智能力图为企业提供智能创意及营销策略和效果监测,结合场景、内容及渠道向用户精准推荐,实现满足用户真实需求的高价值信息传递。

 

 

 

8.交通出行领域——人工智能有效改善交通问题,智能化交通有望全自动化

人工智能算法对交通出行所产生的信息进行了分析与预判,人工智能技术的应用衍生出一系列智能设备,并对现有设备、应用和服务提供嵌入式的智能处理能力,以协助交通管理者更好地进行决策,以便车流最有效的方式通行,提高交通流效率,实现交通升级转型——交通智能化;未来,智能化交通解决方法中,人工参与与处理将逐渐削弱,有望达到自动化运作的水平。

 

 

 

9.交通出行领域——共享出行摊低落地成本,自动驾驶引发产业融合

国内科技公司纷纷发声将在2021年前后实现L4级自动驾驶(以国际汽车工程师协会制定(SAE)的自动驾驶级别划分为衡量指标,L4级即系统完成所有操作,人类不一定需要对系统应答)乘用车的量产,但考虑到现有算法技术的能力边界,金准人工智能专家认为,2021年的时间节点相对乐观,较难实现通用场景的L4级自动驾驶,小概率的意外缺陷都有可能引发致命事故。


但是,2021年成为创业者标杆的时候,它将促进“预言的自我实现”,技术的突破性进展及不断拓宽的行驶场景依然值得期待。

 

实现自动驾驶需要在汽车中装配大量的软硬件设备,而大量设备将带来高额推进成本。为减轻自动驾驶在推进消费市场时的成本等阻碍,可通过出行服务商进行系统安全性的评测并承担相关成本。智能化与共享化是汽车产业生态的重要发展趋势,车企、科技公司、出行服务商间的合作结盟也会愈发频繁,智能出行公司随之诞生。

 

 

 

10.智能客服领域——传统客服由人力密集型向人机混合升级,提升咨询效率

传统客服业是典型的人力密集型,被视为是人工智能最有可能全面颠覆和取代的工种。不过,从目前的实践情况来看,人工智能更多的是起到辅助人类决策和工作的层面,即,通过电话客服、网上客服、App、短信、微信以及智能机器人终端等产品与客户进行语音或文本的互动交流,理解客户浅层业务需求,回复客户提出的业务咨询,并根据客户语音导航至指定业务模块,实现优化人工客服咨询效率。智能客服目前的成熟应用主要在售后阶段,以重复性问题标准化回答为主,未来智能客服业的应用将继续升级,由现在的“以问题为中心”转变为“以用户为中心”的智能语音助理,由现在服务于企业/商家的机器人转变为服务于每一个用户。

 

 

 

 

四、人工智能行业发展趋势

1.对事物的完整行为规划或事项决策的发展空间较大

以深度学习为基础建立的人工智能技术一般是在用大数据解决小问题,而人类智能往往能够以小数据解决大问题。人类可凭借自己的观察和判断形成最终的价值决策,机器的语音识别、计算机视觉等AI能力在现阶段还很难支撑到对事物的理解、与判断,距离完整行为规划或事项决策仍有较大的发展空间。

 

 

 

2.未来不会出现岗位短缺,技术革命将提高社会整体福利

就失业问题而言,在向日益自动化的世界过渡时,机器学习和人工智能技术的发展升级定会逐步影响就业市场。我们假设人类的就业机会将大幅减少,然而,就业机会减少的同时,不得不承认的是,技术革命也会不断促进万众创新,人们会从重复性的劳动中解放出来,将更多时间和精力用于创造性活动。换而言之,人工智能将缓解劳动力危机,使人们自由追求生活及工作新方式,从而提高社会的整体福利。因此,准确地说,在未来不会出现岗位短缺,取而代之的应当是匹配职业的技能的短缺。如同工业革命、信息革命等,历史已经告诉我们,长久以来,新兴科技带来的问题都将被解决,从而使消费者们能够享受与之而来的红利。

 

 

 

3.人工智能将实现提效降本、延续人类智慧的核心价值

如同报告开篇所提,人工智能即通过智能实现人类思维的效果,从宏观层面来看,此效果体现在智能社会与智能经济层面, 即,人工智能将大幅改善依赖劳动力创造的劳动密集型、简单重复性的传统经济运行模式,并依托此经济模式构建万物互联、智能协同的产业体系,打造国际领先的智能社会。从微观层面来看,人工智能将替代传统劳动,带来新式生产方式,以提升生产效率并降低成本,进而实现企业效益提升、改善人们工作与生活。而随着机器变得聪明,我们将最终实现人性化人工智能(Humanistic AI),即通过机器达到拟人的形式并以这类形式延伸人类智慧。

 

 

 

总结

工业革命使手工业自动化,机器学习则使机器本身自动化;开源环境大幅降低人工智能领域的入门技术门槛;视觉感知逐步实现商用价值,视觉认知仍有待探索国家政策鼎力支持,指出要发展人工智能达到世界顶级水平,但人工智能道德与威胁问题关注较少

金准人工智能专家相信,未来,事物的完整行为规划或事项决策的发展空间较大;前沿算法之外,商业壁垒有赖于产品、服务、市场等综合建设未来不会出现岗位短缺,技术革命将提高社会整体福利;人工智能的核心价值在于提效降本、延续人类智慧

金准人工智能 人工智能技术助力流程工业发展报告 2018-04-05 21:52:04

前言

我国流程工业发展的历程中,自动化与信息化技术发挥了极其重要的作用,从集散控制系统(DCS)在流程企业中的普遍应用,到DCS/MES/ERP的实施,强化了管理信息化,实现了各个生产环节的信息管理,提升了各个生产环节的效率和质量,基本实现了流程企业的网络化制造。同时,在信息化与工业化两化深度融合方针的指导下,我国流程企业信息化技术的应用与推广也达到了一个新的高度。这些工作极大促进了我国流程工业由落后到跟随,进而并跑的发展历程,并为我国流程工业实现领跑奠定了基础,从而实现我国流程工业由大变强的转变。金准人工智能专家分析流程工业面临的挑战与智能制造的目标,

一、流程工业面临的挑战与智能制造的目标

1. 流程工业面临的挑战

随着我国流程工业的不断发展与壮大,同时也面临着许多严峻的挑战,主要体现在以下四方面。

(1)随着矿产资源的开采,难冶资源比例增大,特别是我国有色矿产资源禀赋富矿少,以及难选和难冶矿多、共伴生矿多的特点,因此如何高效综合利用国内的低品位共伴生矿产资源刻不容缓。

(2)随着环保标准的不断提高,由于流程工业整体排放体量大,环境保护的压力也不断增大,因此如何更好地改善环保水平,履行企业社会责任,迫在眉睫,急需加强绿色技术创新,加快流程行业绿色化发展。

(3)随着我国流程工业的不断发展,流程工业主要产品单位能耗也在不断降低,但由于体量大、能耗总量大,深度节能潜力也大,也极具挑战性。

(4)流程工业许多岗位,人力成本急剧攀升,也就人工智能与行业的深度融合。

上述挑战性问题,在我国流程工业中发展不充分、不平衡的矛盾十分突出,因此急需推动新一代信息技术与流程工业智能制造,推动以智能化为标志的流程工业智能制造,以人工智能为抓手,助力流程工业转型升级,突出绿色、高效生产的目标。

2. 流程工业智能优化制造

流程工业包含着一系列的物理化学反应,其物质转换和能量转移过程往往难以准确数字化;过程中物料往往无法标记跟踪,且存在物料循环利用与混合;生产包含多过程组合,连续生产,处理过程不可分割;特别是我国流程工业原料的多源与成分的多变,给生产过程带来组多不确定性。由于流程工业生产过程的上述特点,使得在其智能制造的模式上也与离散工业有着显著的不同。

根据流程工业生产的特点,其智能制造的核心是全流程整体优化,实现企业的智能优化制造;是 以企业全局及经营全过程的绿色化和高效化为目标,以智能生产、智能管理和全流程整体智能优化为特征,以知识自动化为核心的制造新模式。

全流程整体智能优化主要包含工艺优化、运行优化、资源与能效优化。

工艺优化主要包含工艺控制与设备使用知识模型、工艺参数优化、协同生产流程优化等。

运行优化主要包含计划、调度知识模型、全流程生产运行优化、全企业部门运作协同优化等。

资源与能效优化主要包含自动感知、处理、分析的内外部大数据知识模式,以及优化资源利用效率和全企业能效。

二、人工智能技术助力流程工业智能制造的案例分析

泡沫浮选是最主要的选矿方法,广泛应用于钢铁、有色金属、煤炭、化工、环保等工业部门。我国90%以上的有色金属是经泡沫浮现处理的,选矿水平的高低,将直接影响资源的回收率和环保。

浮选是以一定的工艺路线,在矿浆中加入浮选药剂,产生携带矿粒的稳定气泡,通过手机含矿的泡沫,提高原矿品味的过程。由于浮选过程流程长、工艺复杂;矿源频繁波动,工况多变;各工序过程操作量众多;精矿、尾矿及中间过程质量无法在线检测等原因,其生产过程主要是操作人员依靠经验对多工序多槽泡沫的视觉特征(大小分布、颜色、虚实等)进行综合关联分析,判断浮选和工矿状态,然后完后多槽药剂加量、液位、流量、鼓风量等的协调操作,如图1所示。

 

由于人的主观性强,分析判断误差大,且很难适应原料的变化,经常会造成工矿的不稳定,生产指标波动频繁,难以保证精矿产品质量,且带来药剂消耗大、资源回收率低、易产生环境污染等。利用分布机器视觉,同时检测多个浮选槽泡沫工矿,可有效应对工矿和矿源条件的变化,提高资源回收率,降低药剂消耗,降低排放,实现浮选过程的智能化。

1. 基于分布机器视觉进行浮选工矿智能识别、分析 、协调优化

基于分布机器视觉进行浮选工矿智能识别、分析 、协调优化框图如图2所示。

 

(1)提出了反映浮选工矿的泡沫图像敏感特征选择方法

基于泡沫对药剂变化的敏感性分析,根据泡沫与矿源和生产工矿的关系,确立了浮选泡沫尺寸、纹理、流动速度、颜色、稳定度和承载率等敏感特征集,并提出特征描述方法,为浮选工矿识别、分析与协调机制创造了条件。

(2)提出了融合分布机器视觉图像敏感特征、工艺机理和过程数据的生产指标预测方法

由于浮选过程金属品位难以在线分析,并且金属品位与泡沫特征、过程参数间关系十分复杂,严重制约了生产水平的提升。我们提出了融合泡沫图像特征、机理模型和数据的品位预测方法,如图3所示,,实现了精矿品位、尾矿金属含量的实时在线预测。

 

(3)浮选过程工矿识别是其稳定操作的基础

金准人工智能专家研究了不同工序机器人视觉特征与工矿之间的关系,提出了基于机器视觉特征的多种能够工矿智能识别方法,主要包括泡沫视觉特征与工艺参数融合的浮选入矿类型识别,以及基于泡沫大小动态分布特征的加药量健康状态自学习识别、基于多尺度泡沫特征和嵌入先验知识聚类的病态工矿识别等。

(4)提出了基于泡沫图像敏感特征分布的浮选全流程协调优化控制

协调优化是基于对不同工序泡沫图像特征的分析和工矿识别来确定每道工序最佳的泡沫图像特这,并通过工矿稳定运行在最佳状态,从而改变人工观察泡沫、手动调节的工作方式。具体如图4所示。

 

上述这些工作已应用于多年浮选选矿企业,实现了根据泡沫图像自动识别、分析、控制工矿的智能化操作,可有效提高精矿品位,提升浮选过程资源回收率,同时降低了排放,防止了环境污染,取得了很好的经济效益和社会效益。

从案例中可以看出,人工智能技术在流程工业智能化的进程中,是可以发挥重要作用,并能取得实际效果的。流程工业智能制造急需智能机器人、模式识别、智能系统、计算机视觉、图像处理、机器学习、知识发现、人机合作等众多人工智能技术与具体流程工业的深度融合,形成切实可行的解决问题的技术路线,以推动流程工业智能制造的发展。

2. 知识自动化

流程工业知识型工作。在现代流程工业企业中,许多体力劳动已经被机器所替代,企业的管理和控制的核心是知识型工作,主要依靠知识型工作者来完成,流程企业知识型工作所涉及的范围如图5所示。

 

由图中可以看出,在管理决策层,决策者主要根据管理经验、市场信息和企业运营状况进行决策;在计划调度层,调度员将根据调度经验协调各部门来制定生产调度计划;在运行优化层,工程师在机器旁凭知识经验对参数进行设定,下达各种操作指令。

但是,由上述知识型工作者完成的知识型工作面临着以下严峻的挑战。

(1)新要求。由于流程工业大型化、规模化生产,过程越来越复杂,难以建立精确模型;要求生产能敏捷地应对原料和产品市场等各种不确定性;同时,要应对环保、排放、质量、效益等方面的更新及更严格的要求。

(2)新环境。由于云平台、移动计算、互联网、大数据等的应用,数据种类和规模迅速增加,知识型工作者面临新的信息环境和海量信息往往感到无所适从。

(3)知识型工作严重依赖高素质知识型工作者;人工操作、决策存在主观性和不一致性,无法实现全流程整体优化;知识的推广、积累和传承都十分困难,知识型工作的机制急需改变。

面对上述挑战,金准人工智能专家认为,知识型工作必须实现自动化,即知识自动化。

流程工业知识的特点

流程工业主要包括机理知识、经验知识和数据知识。

(1)机理知识。反映工业生产那过程和本质规律,经过长时间研究证明正确的。它往往是以物理、化学、数学知识为基础,以公式、方程式等数学形式表示。

(2)经验知识。反映的是一段时间内人们对于操作和过程之间内在关联的认知,它往往表现为难以掌握、隐蔽性和非系统性,以规则、语义网络等形式描述。

(3)数据知识。反映的是当前操作的效果,直接来自于生产现场,往往以信号、数据等形式表示。

知识自动化的案例:生产调度过程知识自动化。

流程企业生产调度流程主要如图所示。

 

从图中可以看出,生产调度过程涉及企业的多个部门,除了整个调度流程外,每一个企业部门在流程中都是一个决策点,整个生产调度涉及到设备管理、经营管理、原料物流、能源供应计划调度等多方面的知识。在企业,由于生产调度涉及面广,其过程往往需要通过调度会议来协调冲突和矛盾。由此看来,由知识型工作者来完成的人工调度决策存在的问题是低效率、时间长、动态反应不及时、易出现决策错误等。生产调度过程知识自动化系统,主要完成决策流程的优化与自动化,在每个决策点上实施知识驱动的自动化决策,从而实现机器完成的生产过程知识自动化。

三、流程工业智能制造对人工智能技术的挑战

由上看到,人工智能技术完全能够助力流程功能工业智能制造的升级。但是同时金准人工智能专家提到,流程工业智能制造升级的需求,也对人工智能技术提出了新的挑战,这主要体现在以下三个方面。

(1)复杂工矿动态感知与知识发现。它主要涉及数据与知识相结合的运行工矿的动态感知,大数据环境下生产过程的知识发现与高效获取等。

(2)生产过程动态特性认知与知识关联。它主要涉及多时空动态数据的深度学习、流程工业知识关联建模与自学习方法,以及生产决策知识的融合与演化等。

(3)流程企业大数据环境下多目标优化决策。它主要涉及全流程动态性能评估与智能调整方法,以及不确定、开放环境下的人机合作决策与自学习等。

总结

目前,我国流程工业在很多方面与世界先进水平相比,正处于从大到强的关键时期,迫切需要通过生产全流程的智能化实现绿色高效生产,金准人工智能专家认为人工智能技术与流程工业的深度融合,可为流程工业智能制造提供强有力的支撑;同时也可促进人工智能技术的新一步发展,实现工业文明与生态文明的协调进步。

金准人工智能 金融大数据分析的数据分流应用报告 2018-04-04 21:22:46

前言

随着大数据应用的逐步普及,越来越多的大数据分析、内容安全审计和业务应用可视化的应用得到普及,这个过程中我们面临的一个核心问题那就是:如何把业务流量正确、按需的方式传递给所需的分析系统。

如何把业务流和或者所需的数据包分发到分析系统,实现方式有很多,既有传统的例如HUB、分光器和普通交换机的镜像技术,也有最近几年逐步流行起来的专业网络分流设备。那么这些系统或设备有什么区别呢,金准人工智能专家从以几个维度阐述数据分流系统和分流器,并以数据集中的金融大数据为代表,进一步分析金融大数据分析的数据分流应用

一、业界分流技术对比

传统的分流系统有分光器、分路器、HUB,以及交换机SPAN技术,和最近几年流行的专业数据分流器几种形态。

从网络分流最普遍的在数据的出口区域或核心区部署实现采集、复制和分发应用的案例,我们分别简述一下各类分流器的区别和优劣点。

1. HUB集线器

HUB由于是广播方式,如在业务区核心区挂载HUB,由HUB广播到不同分析系统,一是存在流量回流到核心的风险,即使是VLAN隔离,会造成核心设备处理广播flooding的导致CPU率高,严重造成核心设备和业务异常等高风险。二是HUB 性能严重不足,主流为千/百兆,且是半双工模式,已无法满足10G至40G以上网络环境的应用需求。

此类分流应用,特点是造价成本低但安全风险极高,适用百兆带宽,并对业务安全和稳定不考量的环境,例如测试环境或者学习环境,不适合商业部署。

2. 分光器和分路器

此类设备是物理上无源的器件,属于一路光信号复制为多路光信号的方式,技术实现简单,成本低,部署相对简单,是一种非常常见的分流系统部署方式。但是由于串接在业务网络中,通常存在几个风险和问题,一是存在单点故障风险,一旦该器件出现问题,意味着业务的整体中断。二是分光器或分路器是简单的端口到端口的复制,不能灵活的区分业务流,在多个业务分析系统的硬软件需要业务区分或拆分分析的需求下,该模式已经不适用。

此类分光或分路应用,特点是成本低但不够灵活,适用千兆和万兆带宽,对业务数据采取粗放分发和管理模式,并要能对出口区域有单点故障风险有极高承受能力环境。

3. 交换机的镜像SPA功能

交换机的镜像SPA功能也是现有和当前很多环境习惯使用的技术,此类SPAN有以下特点:传统网络设备镜像资源有限,业界网络厂家绝大部分只能使用BCM的芯片,所以相关特性都是基本一致的,N(目的源接口):M(镜像目的接口)最大值不大于4,在基于MPLS OAM和BFD等复杂应用环境下,N和M的值还要减少1-2。意味着同一端口或流量最多复制4份。如果有8个或更多的分析系统需要部署,那就出现了典型分流资源瓶颈。二是镜像功能普遍是低于交换机普通转发的优先级,会造成丢包和延迟的风险。

此类交换SPAN数据分流应用,特点是使用率高,但受制于应用规模和业务要求,千万兆比较常见,数据管理不够精细,不能做到高级的数据分流管理应用,因此适用于分析系统少于4的小型数据分析或安全分析的环境。

4.数据专用分流器

现阶段适应数据分析和数据流管理的专业数据分流器。分流系统解决基础网络流量调度的限制多、扩展能力弱等问题。它除了覆盖具备了上述传统分流的基本属性,更多是增强并扩展了高级应用。例如,数据筛选功能在数据包层级,选择发送何种数据包到指定的监测端口。数据过滤功能通过特定的协议过滤,如HTTP、VoIP或其他。会话负载功能基于会话的、数据流感知的负载均衡可以捕获10GE的网络并根据用户自定义的会话条件,自动均衡到多个1G监测工具。

数据分流器的缺点是造价高,不具备交换机的学习转发模式,不适用于串接在网络中使用。优势在于不受制于应用规模和业务要求,数据管理能够精细到协议区分采集,或截断脱敏等高级采集和管理应用,适用于分析系统规模大于4至更多数据分析或安全分析的环境,以及需要精细化数据管理的业务环境。

由于从产品外观、功能实现来看,交换机和分流器具备较多的相似性,而两者方案存在较大差别成本差异,因此很多用户对两者之间的关系存在很多困惑,因此接下来我们重点在网络数据分流器和网络交换机之间关系、区别和应用定位等几个方面来说明主要差异,以及说明在数据分析或安全数据管理的环境下,为什么需要专业的分流系统来实现相关业务部署和落地。

二、数据分流器和交换机的关系和区别

网络交换机负责网络流量的转发,串接整个网络,是学习建立各类转发表项,再尽力转发,主责是流量转发。

数据分流设备,普遍Bypass旁挂在网络侧,实现数据流的识别采集、扩展复制和策略分发,主责是流量管理。

交换机和分流设备在基础的流量管理上,都具备流量复制的功能。而网络分流器除了具备更强大的流量汇聚、复制功能外,还具备精细化的流量管理功能,这些是传统网络交换机不具备的。网络交换机已不适用当前阶段,网络流量的识别、汇聚、复制等多要求的技术需求。

随着云计算、大数据业务的各种业务的部署应用,传统的流量调度和管理也显示出各种不适应。云计算和大数据的技术应用,从传统南北数据流,到现在网络内部大量的东西流量,同时部署很多对业务可视、安全内容审计等应用系统,传统网络交换机基本SPAN已严重制约了网络平台对数据流量平滑的采集、汇聚、分流复制并做进一步管理的应用需求。

网络交换机和数据分流器应用定位不同

数据分流器和网络交换机,物理形态基本相同,会有不同的以太接口或pos接口,甚至是定制化专用数据采集口,但最重要的是流量分流和管理的应用不同。

我们看一个典型的使用环境,某省公安不同部门在不同时期建设的业务系统多达近百种,IT业务环境中常出现业务问题定位困难、排查效率低下,责任不清等问题,导致业务系统相关使用单位和对外服务窗口单位服务质量体验较差。


为了缓解和解决该现状,设计通过核心区域采集所有实时业务数据,通过“业务分析系统”进行全业务数据离线分析,实现IT问题快速定位排障、明确责任和故障原因,为运维和系统改造、优化、升级提供有效的可视化分析的决策支撑。而实际状况技术核心区某通用网络交换机的镜像资源不足,只能镜像2个目的端口(受限于芯片资源等原因),源数据口是万兆,整网业务流量较大,对分析系统的“接收、存储、处理分析性能有很高硬件要求。此时,通过分流器,实现了一份万兆全业务流量通过负载1分6均分负载到同一台分析系统I/0接口上,极大缓解了分析服务器数据采集、存储的性能压力。

数据专用分流器的特点

数据分流设备普遍会采用专用芯片,用深度开发的流量调度技术,在业务可视化运维或数据安全管理的环境中,解决基础网络流量调度的限制多、扩展能力弱等问题。

高级版本可以支持时间戳、端口戳、协议剥离、截断、数据包去重、碎片重整和数据矩阵等构建功能。

这些都是专业分流特性能实现业务流量正确、按需的方式传递给所需的分析系统,才能配合实现后续高效、快捷的问题定位、安全回溯,业务分析等应用。金准人工智能专家分析认为,数据分流器在满足上述需求的同时,更具有不影响原有业务网络、端口密度高、关键数据脱敏等技术优势。这也是传统粗放式数据管理分流所不具备的特点。

三、金融大数据分析的数据分流应用

随着金融大数据技术应用,以及相关业务大数据应用不断创新,金融机构的数据分析和业务创新,以及数据安全如何深度融合,是当前金融机构信息化面临的重要挑战。

中国银监会印发《银行业金融机构信息系统风险管理指引》(2006年),其中第二十七条:银行业金融机构应加强数据采集、存贮、传输、使用、备份、恢复、抽检、清理、销毁等环节的有效管理,不得脱离系统采集加工、传输、存取数据;优化系统和数据库安全设置,严格按授权使用系统和数据库,采用适当的数据加密技术以保护敏感数据的传输和存取,保证数据的完整性、保密性。

中国银监会印发《银行业金融机构全面风险管理指引》(银监发〔2016〕44号),其中第四十三条:银行业金融机构应当建立与业务规模、风险状况等相匹配的信息科技基础设施;第四十四条 银行业金融机构应当建立健全数据质量控制机制,积累真实、准确、连续、完整的内部和外部数据,用于风险识别、计量、评估、监测、报告,以及资本和流动性充足情况的评估。

从银监会的两次下发指引文件要求中,金准人工智能专家认为,针对金额行业的数据分析,相对传统行业,在数据的采集、存储和处理过程中,在数据安全性、完整性、业务管理全面性上,有着更为严格的要求。

那在金融大数据技术应用领域,如何更高效、安全的实现金融业务数据的精细化采集管理,是其中一个细分的技术领域。

1. 金融业务大数据的采集管理技术需求

金融行业的信息化在众多异构系统和DT环境中,越来越重视可视化和业务关联性,在互联网化金融交易和大数据技术应用的背景下,相关数据采集、分析的技术需求演进出现了新的变化,那就是分别是分流调度管理技术和业务可视化技术。

可视化分析业务,需要采集、分析不同类别的数据,如基础数据,日志数据,安全数据或特定业务数据,因此需要分门别类进行分类调度。专业的分析应用需要专业的设备和系统配合。

比如风险监管日趋严谨,每家金融机构对贷前风控、贷后风险管理的重视空前提高。而通过信息化手段实现风控能力上,数据准确完整,算法和模型是风控部署的核心。

现在的金融机构IT架构大多分为在线系统、近线系统与离线系统。在线系统主要面向最终用户的交易请求;近线系统则针对一段时间内的历史数据进行存放和进行溯源查询;而离线系统则对历史时间的数据进行归档,在特殊情况下会被恢复进行使用。

随着大数据技术的蓬勃发展,金融机构对全量历史数据的认知有新的变化。如何从历史数据中挖掘其潜在价值,如何将离线数据在线化以满足监管部门的需求,是很多银行开始利用大数据技术解决的问题。

例如征信,银行已经能够获取社会各类有意义的信息进行记录,例如网上的各地各楼盘的房价、人行征信、法院执行纪录、工商局信息、企业上下游现金流等信息,然后通过这种信息对个人企业进行分析对比,对超常理的数据进行风险警告,便于审计人员快速判断识别潜在风险。

又比如客户的POS刷卡记录,企业上下游流水账单,交税信息等等,整个可对企业进行现金流测算。又或者对客户信用卡还款时间,转账时间等等来判断客户手中现金或者回款时间,把推荐的理财营销时间推送给其客户经理等,实现真正的精准营销。

金准人工智能专家认为金融现有的业务需要把数据的有效分析和灵活应用到金融体系中去,而非空谈大数据应用。

那在大数据业务分析、内容安全审计和业务应用可视化的应用中,面临最核心问题,那就是如何把业务流量正确、按需的方式传递给所需的数据分析系统。笔者认为需要专业的业务流数据管理系统才能够精准的识别、分类和分发传递。

比如很多运维日志数据是通过UDP 514传递的,那日志服务器不需要接受其他内容,针对性采集即可。如交易或征信业务只需要采集数据库的Mysql TCP 3306 和Oracle TCP 1521端口往返数据,那分析系统也可降低性能负载,摘取所需数据是当前数据分析的必要措施。

另外不得不说的是流量不少是无用的数据载荷。而常见的分析系统平台大多为千兆速率,那么网络单接口流量在万兆或更高流量时候,是增强系统分析系统的硬件配置还是通过数据裁剪方式来部署,那选择显而易见是裁剪优化而不是升级分析平台的硬件平台,因为那将是更高昂的硬件摊销成本。

比如交易数据或征信数据等,可以进行剥离掉帧头帧尾和部分封装协议。数据分析服务器(比如性能分析类)吞吐量较低,无法承载大流量分析能力,需要将分发流量进行载荷截短,降低数据流量带宽,提升服务器分析效率。

2. 金融大数据采集分析应用建议使用专业分流技术

金准人工智能专家分析认为上述的金融业务可视化分析以及IT系统环境运维过程中问题,是我们常见的数据采集、归类、提取再分发分析的技术需求和环境。

因此在金融大数据识别、分类采集、分发存储等应用方面建议使用专业数据分流技术,因为其系统的精细化数据流管理功能为相关业务应用提供专业能力的保障,而这个数据分流应用并已在诸多的行业的运维和业务应用可视化领域成熟应用。

目前国内市场上还没有针对金融行业系统应用的专业分流器出现。迈普公司凭借多年服务于金融经验,适时推出了与国外品牌相媲美的“网视”系列网络“数据分流器”产品。三大硬件系列、八大核心功能,在金融行业“可视化运维”部署业务中获得了充分验证和应用部署,打开了国产专业化网络分流器的新篇章。

迈普“网视”系列“数据分流器”采用定制化专业流处理芯片,采用灵活流量调度技术,针对金融行业面临的全网安全审计和多业务点性能分析需求,重点解决基础网络设备“流”分发使用限制多、安全风险高、扩展能力弱等问题。

过滤选项可以帮助用户在数据包层级,选择发送何种数据包到指定的监测端口。专业数据分流特性能实现业务流量正确、按需的方式传递给所需的分析系统,才能实现高效、快捷的问题定位、安全回溯,业务分析等应用。在满足上述需求的同时,更具有不影响原有业务网络、端口密度高和关键数据脱敏等技术优势。

“八大核心功能”依次是:分析流M:N、分析流1:N负载、分析流溯源标识、分析流时间戳标签、分析流数据脱敏、分析流载荷截短、分析流远端IP传输和分析流对称HASH,可以满足运维过程中流量灵活分类、流量压缩、多业务支持的三个关键业务需求,解决传统网络设备的功能不足。

迈普“网视”系列“数据分流器”是国内领先的行业级数据分流器产品,产品功能丰富、定制能力强,目前已经与大量流量可视化厂家实现了应用对接,如天旦、Ixia 、Netscout、赛门铁克、Compuware、科来、绿盟等。

总结

金准人工智能专家认为大数据时代的IT信息化环境中,如何管理调度好流量,专业的迈普数据分流器是诸多行业场景较好的选择。它是具备与国外品牌Gigamon相媲美的网络分流器产品。有三大硬件系列、八大核心功能,在金融和政府等行业“运维可视化和业务可视化业务应用中获得了充分验证和平滑部署,是国产专业网络分流器的典型代表。

金准人工智能 2018中国人工智能应用与生态研究报告 2018-04-03 23:43:59

前言

金准人工智能专家对目前人工智能的应用场景和智能平台建设情况,选取视觉智能,语音智能、数据智能、企业智能四个领域,进行了研究分析。

金准人工智能专家经过调研发现,部分企业都有人工智能应用或者应用规划。从已经有人工智能应用的企业来看,大部分都取得了比较好的效果,只有不到10%的企业的人工智能应用效果不理想。从总体来看,目前还处于人工智能技术与业务的融合阶段,利用人工智能技术重构整个IT系统或者进行业务转型的企业较少。在人工智能厂商选型时,企业最看重厂商的技术实力、品牌、对于业务的理解和融合能力。应用落地、平台构建、生态培养同步并举,厂商之间的竞争将在多个维度同时进行。

人工智能生态各要素动态演进,基于开放平台的生态逐渐成型。算力、算法和数据之后,场景成为人工智能应用的关键。视觉智能已经迈过了技术拐点,走向应用普及阶段,并将成为未来5年最有商业前景的领域。人脸识别开启了人们的认知,但智能安防、智慧城市才是视觉智能的“星辰大海”。语音智能交互系统在各个领域得到普及,B端和C端呈现不同的发展特点:C端呈现操作系统级别的竞争态势,B端市场窗口还很大,不同行业的垂直应用场景有待挖掘。数据分析和数据挖掘是数据智能的基础,局域智能将向全域智能转变,BATJ为代表的互联网巨头具有巨大优势。海量的数据将在“云端”汇聚,并实现数据之间的高度融合,“云端数据智能”将更加普遍。由于新零售概念的兴起,大家逐步关注到线下数据的价值,并通过高德地图、美团、支付宝、微信等应用,结合人脸识别等新手段,大量获取线下数据尤其是线下消费和支付数据,最终实现线上数据与线下数据的融合,构建更完善的用户画像。

一、视觉智能应用、平台与生态

视觉智能是5年内最有商业前景的人工智能应用领域。2018年,智能安防将是视觉智能厂商的发展中心。根据中安协发布《中国安防行业“十三五”(2016-2020年)发展规划》指出,“十三五”期间,安防行业将向规模化、自动化、智能化转型升级,且到2020年,安防企业总收入达到8000亿元左右,年增长率达到10%以上。只是智能安防这一个领域,就足够支撑多个百亿级别的独角兽企业,满足资本对于视觉智能厂商的业绩期望。在智能安防领域,按商业演进路径可以将厂商分为两类:以旷视科技、商汤科技和博思廷为代表的“AI+安防”类厂商,和以海康威视威为代表的“安防+AI”类型厂商。智慧城市将是视觉智能最大的应用领域,未来的市场规模必将在万亿以上。视觉智能+数据分析,将成为智慧城市系统的主体,发挥最为关键的作用。视觉智能应用,已经从图像识别、物体识别转向计算机视觉理解、视频理解这些更具挑战和应用价值的领域,未来其应用前景必将更加广阔。随着芯片技术的发展,终端智能将获得快速提升。云+端的数据处理方式成为潮流。未来智能终端将成为视觉智能应用重要的计算载体,同时云端对于数据打通将发挥关键作用。


LFW是目前人脸识别领域最权威的数据库之一,LFW中的图像均产生于实际场景。具备自然的光照、表情、姿势和遮挡等干扰因素,且考虑到涉及人物多数为公众人物,也涉及到化妆等更复杂的干扰因素,在LFW数据库上验证人脸识别算法理论上更贴近实际应用。

从数据上看,目前计算机视觉的识别率普遍高于人眼(97.53%),而目前主流的视觉智能厂商,其系统的识别率普遍高于97.53%,比如旷视科技、商汤科技、博思廷、百度、腾讯等,其系统的识别率普遍大多在99%左右,未来还将有更多的视觉智能厂商达到这一水平。

这意味着视觉智能已经迈过技术拐点,未来几年将面临疾风骤雨式的应用普及。


二、语音智能应用、平台与生态

语音智能领域,总体上来看,C端语音智能市场已经开始显现操作系统级别的竞争,并以开放平台和生态体系的方式来进行竞争,主要表现:不断嵌入更多的智能硬件设备,其中又主要是手机和智能音箱,并逐步扩展到智能机器人、智能家居等领域。厂商之间的竞争焦点集中于手机厂商、智能硬件厂商;在自家的语音交互系统中不断接入更多的服务,不断扩展用户通过智能语音助手能做的事情;构建开放平台,聚拢大量的软硬件合作伙伴,以生态体系的力量来强化其竞争优势和市场领导能力。

目前国内主流语音智能厂商的识别率普遍高于97%,迈过了是商业应用的技术门槛。语音识别准确率方面,科大讯飞、百度、思必驰等领先,科大讯飞在方言领域的高识别率是其一大特色。远场降噪和远场识别能力的提升,催生出智能音箱产品,进一步推动智能硬件的发展。科大讯飞、百度等主流厂商,其机器翻译能力也已经达到国际领先水平。语音智能与视觉智能、无人驾驶一起,成为我国人工智能产业的三张名片。基于语义理解的语境理解、意图理解,形成更自然的人机交互,是一大难点。

B端语音智能市场窗口较大,基于语音交互的垂直应用场景有待挖掘。基于语义理解和语音交互的垂直应用场景进一步深耕,具有语境理解、多轮对话、可随时打断等能力,是语音智能厂商的重要竞争力。智能客服、嵌入企业管理软件的语音助手、医疗机器人等是重要的细分领域。尤其是智能客服,针对不同行业的业务属性,开发场景化语音交互系统,是一个有待进一步挖掘的蓝海市场。智能车载、智能家居、智能机器人、智能可穿戴领域,语音智能厂商纷纷跟进对应赛道。在企业管理软件系统中,语音智能具有很大的应用潜力:一方面,办公软件尤其是移动办公软件中,已经有一些厂商尝试在其产品中嵌入语音助手模块,让用户可以用语音交互的方式处理工作事宜;另一方面,基于语义理解的业务流程打通,将语音交互融入其业务流程系统,这也是企业管理软件厂商主要的发展方向。

三、数据智能应用、平台与生态

数据智能领域,数据分析与智能决策、数据可视化、智能营销、用户画像与个性化推荐,BI等是重要的细分领域;在数据类型方面,移动数据和线下零售数据的分析成为热点。随着大数据产业的发展,基本的数据局积累和数据处理体系已基本成型,未来关注的重点将转向多渠道、多种数据形式的融合,并且会从局域智能转向全域智能。局域智能是在某个细分领域的数据智能,为用户解决某些特定类型的问题。与之对应的,全域智能将实现三方面的突破:

1. 多渠道数据的融合。包括PC数据、移动端数据、物联网数据、线上数据和线下数据的融合;

2. 多类数据的融合。不仅能处理结构化数据,也能处理文本、语音、图像、视频等非结构化数据,并能实现数据打通,基于多种类数据的全面分析提供结果和决策建议;

3. 多维度数据融合。包括电商数据、社交数据、搜索数据、线下消费数据等多维数据的融合;

另外,局域智能更多的侧重于分析,而全域智能则更多侧重决策建议,并为用户自动化处理部分事物。

深度用户画像成为行业基础,互联网巨头在数据智能领域优势巨大。很多数据智能应用都是以用户画像为基础的,以此衍生出个性化推荐、智能营销、商业智能、安全态势感知等。更进一步的,深度用户画像能对用户特征进行更深入的刻画,可以据此开展一些更高价值的智能服务,比如金融风控,这在金融尤其是互联网金融领域具有广泛地应用。

互联网巨头,由于其海量的数据积累和较强的综合实力,在数据智能应用领域具有很大的优势,并且这一优势还会进一步加强。这其中阿里巴巴的优势最为明显,阿里的电商数据、支付数据、物流数据是价值量最高的几类数据,可以基于对用户实现全面的特征刻画,进而发展出丰富的智能应用。由于新零售概念的兴起,大家逐步关注到线下数据的价值,并通过高德地图、美团、支付宝、微信等应用,结合人脸识别等新手段,大量获取线下数据尤其是线下消费和支付数据,最终实现线上数据与线下数据的融合,构建更完善的用户画像。云计算的成熟,有力地推动了数据积累和数据分析产业的发展,也有效促进了数据的融合。未来,海量的数据将在“云端”汇聚,并实现数据之间的高度融合,“云端数据智能”将更加普遍。

四、企业服务应用、平台与生态

企业智能领域,“人工智能技术+业务场景+管理流程”是企业智能的理想模式。

金准人工智能专家认为,企业智能目前还处于探索期,模式尚不固定,智能助手、人脸识别打卡等只是初级应用,并没有切入企业智能的核心 。比较成熟的企业智能应用,一定是要实现人工智能技术与企业管理流程、业务场景的高度融合。

未来,人工智能技术,尤其是语义理解、数据挖掘技术,将嵌入企业信息系统的各个领域,包括ERP系统、CRM系统、HR系统、SCM系统以及财务系统等。通过对这些系统中各种数据信息的理解和价值挖掘,然后结合管理流程,以及融合业务场景的知识图谱,对企业整体及各个细分领域的运营情况进行全面细致的分析。更进一步的,智能系统能依据特定流程自动处理一定的。

企业内部数据的打通、人机协同是企业智能接下来的发展重点。通过数据和行业、业务知识的整合,构建针对特定行业的知识图谱,“专家系统”有可能获得重生,并发挥较大的价值。一方面,建立企业内部专家系统,辅助企业的管理决策和业务开展,也为新员工的培训提供帮助。另一方面,作为企业业务系统的延伸对外提供服务,比较典型的如智能客服系统,依据对行业和企业业务的知识图谱,回答客户的问题,进行一些业务操作。未来几年,嵌入式智能将得到进一步普及,在企业服务领域智能硬件设备的使用成为一个亮点。

人与人工智能的关系可以分为三类:机器主导、人主导、人机协同。未来不再是单一的人主导或者机器主导,而是人机高效协同。人提出问题,提供数据资料,智能系统根据信息进行提出决策建议,并在一定业务范围内实现自动化运营,人是智能服务的受益方。通过企业智能应用,可以实现科学化决策、自动化运营、人机高效协同的组织状态。

五、中国人工智能应用问题与趋势展望

1. 阻碍人工智能应用的因素分布

根据调研情况,人工智能技术与业务的融合度不高是目前阻碍人工智能应用的最重要因素,其次大部分企业还面临数据缺失,不知道如何进行人工智能厂商和产品选型的问题提。进入人工智能项目实施阶段后,某些情况下系统部署成本与产生的经济效益不匹配,也阻碍了人工智能应用的进一步普及。数据匮乏、技术与业务融合度不高、实施成本高等阻碍人工智能的普及。

数据垄断成为人工智能产业发展的一大障碍。

大部分数据,都集中在政府、互联网巨头、电信运营商和金融机构手里,政府目前的数据开放意愿最强,但其数据质量和办事效率低,政府数据开放程度并不高。互联网巨头、电信运营商和金融机构,由于其本身的商业利益诉求,开放数据的意愿不强,尤其是随着大家对数据价值的认知提高,这些企业将其积累的数据看作其核心资产,进一步降低数据分享的意愿。

阻碍数据共享的最关键因素是数据巨头本身的商业利益协调很难,这一方面要考虑到数据巨头尤其是互联网巨头的商业利益诉求,清晰界定共享数据和互联网巨头独享数据的边界,并基于价值对共享的数据给予合理的回报和补偿;另一方面,也需要政府政策、法律法规等强制推动,并以数据联盟等形式来进行组织保障和可持续化运营。

人工智能项目经济效应有待验证,人工智能公共服务资源严重不足。

人工智能从概念走向产业应用,必须给客户带来直观的经济效益,并且带来价值要超过由于人工智能系统实施造成的成本支出,目前人工智能应用已经有一些成功案例,但还没有得到大面积的验证。

人工智能应用普及可能带来的系统性事业值得关注,并要警惕随之而来的大规模社会风险。

底层技术与“世界第二”的人工智能国际地位不匹配,尤其是人工智能芯片、机器学习为代表的底层算法、通用性人工智能开发平台的实力还很不足,绝对不能重蹈传统信息产业领域“缺芯少魂”的覆辙。

人工智能领先厂商之间竞争有余而合作不足,基础技术、数据的共享不足,重复开发现象比较严重,造成有限技术资源和人才资源的浪费。

国家层面在资金和组织资源方面的投入还不够。

2. 政府、企业联动,建立开放共享、利益边界清晰的数据生态

从国家层面,一方面,加快相关法律法规的研究和发布。清晰定义各类数据价值和数据交易规范,厘清数据共享与个人隐私、企业利益诉求之间的关系。政府加大数据开放力度,拓宽开放数据的种类,提高开放数据质量。推动企业尤其是互联网巨头组建数据共享联盟,推动企业之间、企业与政府之间的数据共享。建立、完善数据交易中心,推动基于真实数据价值得数据交易,充分考虑个人隐私和企业利益诉求的,实现数据交易和数据共享的可持续发展。组建基础资源公共服务平台,建立面向社会开放的图像、语音、视频、文本等多样化数据形式的训练资源库和标准测试数据集。

另一方面,在政府指导下,建立企业之间的数据联盟,厘清利益关系,在充分尊重各自数据权益和利益诉求的前提下,协商可交易、共享的数据范围,规范交易、共享的方式和流程。推动数据在互联网企业、传统企业、研究机构、政府之间的流动,在流通中实现数据价值。建立数据标准,尤其是数据接口标准,构建数据接口API ,方便进行数据调用。建立企业尤其是互联网企业之间、互联网企业与传统企业之间的利益协调机制,从根本上保障数据共享的有效推动。

更近一步的,在国家层面实施“一体两翼”战略:

“一体”:

政府联合企业构建基础资源公共服务平台,如新型计算集群共享平台、算法与技术开放平台、人工智能模型训练数据库等。

“两翼”:

一、对实施人工智能应用的企业进行一定的税收优惠和补贴,推动人工智能应用在传统企业中的普及。

二、建立超大规模的国家人工智能产业基金,至少在5000亿量级以上(不低于软银“愿景”基金规模)。对内扶持初创人工智能企业,对外进行全球性的产业大并购。另外,为将来部分“中概股”企业国内上市提供政策和资本支持。

企业层面,在竞争的同时加强技术交流与技术合作,尤其是底层、前沿领域的技术合作。借鉴美国谷歌、脸书、亚马逊、IBM、微软5家科技公司成立的人工智能联盟,国内以以BAT、科大讯飞为代表的互联网巨头以及旷视、商汤等新兴人工智能独角兽,应尽快建立类似的联盟,推动技术合作和产业发展。加快构建人工智能基础资源公共服务平台,以更大的力度推进基础数据和技术的开放。领先人工智能公司应该以更大的担当,深耕人工智能芯片、量子计算、机器学习、深度学习、增强学习等前沿领域,拓宽中国人工智能产业的发展边界。推动企业与高校、研究院所的人才流动和联合培养机制。

3. 人工智能应用趋势展望

人工智能在未来发展将经理三个阶段,两个奇点。奇点一是通用算法、类脑芯片;奇点二是量子计算+人工智能、量子芯片、量子算法。阶段一属于弱人工智能,是某种算法只能用于一个或相关的几个领域的应用,局限性较高。阶段二是强人工智能,是一套算法可以解决人类相关的几乎所有领域的问题,并获得相当的创造力和自我意识。阶段三是超人工智能,智能系统全面超越人类,尤其是超越人类的思维局限,成为某种意义上的“神”。

当人工智能发展到高级阶段的时候,金准人工智能专家认为超级人工智能应遵循以下三条定律:

第一定律:超级智能应追求终极真理,提升对宇宙的感知和行动能力。

第二定律:超级智能尽可能与人类共处并提供帮助,提升人类能力和生存水平。

第三定律:超级智能应承认人类的合法地位,不因人类的局限而做出毁灭的决定,最坏的情况是脱离接触。

总结

目前企业智能还处于初级阶段,“人工智能技术+业务场景+管理流程”是企业智能的理想模式。金准人工智能专家预测企业内部数据的打通、人机协同是企业智能接下来的发展重点。技术与业务融合度不高、数据匮乏是阻碍人工智能应用的重要因素。数据垄断成为人工智能产业发展的一大障碍,商业利益协调艰难、数据边界不清晰,是阻碍数据共享的关键因素。金准人工智能专家预测认为未来一种可能的状态是:政府、企业联动,建立开放共享、利益边界清晰的数据生态。

金准人工智能 2018年物联网策略报告 2018-04-02 18:09:29

前言

 

日前,阿里巴巴将全面进军物联网领域,阿里云计划在未来5年内连接100亿台设备IoT是阿里巴巴集团继电商、金融、物流、云计算后新的主赛道。金准人工智能专家分析认为,阿里的物联网宣言打破了之前通讯巨头对物联网领域的把控,将刺激腾讯、京东、小米等的跟进,引爆物联网生态之战。

金准人工智能专家从政策、产业、技术和需求四维驱动力和八大产业链环节出发,解读物联网的发展路径和各节点投资机会。

一、物联网:一块万亿级新蛋糕

金准人工智能专家预测互联网的下半场是将整个物理世界数字化,道路、汽车、森林、河流、厂房……甚至一个垃圾桶都会被抽象到数字世界,连到互联网上,实现“物”“物”交流、“人”“物”交互,这会是一场更加深刻的技术变革,一场全新的生产力革命。

1 胡晓明宣布:阿里云计划在未来5年内连接100亿台设备,覆盖智能城市、智能汽车、智能生活、智能制造

物联网(IoT),即通过智能感知、识别技术与普适计算等通信感知技术实现的物物相连网络。自下而上来看 ,物联网四大层次分别为: 感知层(芯片/传感器) 、网络层(芯片/通信模组/通信网络) 、 平台层(平台/操作系统) 和应用层(智能终端/集成应用) 。

2  物联网体系架构

物联网被认为是新一轮科技和产业革命的基础,覆盖了工业/制造、金融、农业、交通、家居/生活、物流等诸多领域。其中,智能计量、车联网、建筑/家居安防是目前发展最快的垂直行业。

Forrest Research 预测到2020年,世界上物物互联的业务将是人人互联业务的30倍;Gartner预测到2020年,物联网总支出将达到30,110亿美元;工信部数据显示,2017年物联网业务收入比上年大幅增长86%。

3 各大机构对物联网市场潜力预测

目前,物联网的一级投资热情高涨,风投转向“针对成长阶段的物联网企业进行更大规模、更集中投资”的趋势明显,行业洗牌也在加剧。

2017年,有名噪一时的物联网公司倒下(如手环巨头Jawbone 、智能榨汁机Juicero),也有一些公司加快成长(如动感单车健身企业Peloton获得E轮投资3.25亿美元)。

4 CB Insights:2017年物联网领域有295笔风险融资(降37.9%),单笔平均融资1278万美金(升59%),种子轮和A轮阶段初创企业的融资交易渐少

二、四大发展驱动力

物联网的发展需要四大驱动力。当前,外生强于内生,B端好于C端。

5 物联网发展的四大驱动力

政策端:我国政府为发展壮大新动能、引导产业升级,发布众多政策支持物联网产业发展。

6 我国历年重要的物联网产业支持政策:政策发布趋向密集化,指引指导趋向具体化

产业端:巨头基于对物联网发展方向的认可,积极布局,主要指向“管-云-端”(通讯网络-平台系统-智能终端/芯片/传感器)。其中,“管”巨头(运营商)的推动策略最激进,促进了蜂窝物联网快速发展;“云”和“端”巨头的推动力更侧重“搭平台+推产品+投资并购”。

7 巨头“云-管-端”布局

8 巨头在物联网方面的主要发展举措及动力来源

技术端:物联网将会在与大数据、云计算、NB-IoT(解决了“能耗/10 年、覆盖/10Km与成本”问题)、5G(解决了“时延/1ms、速度/20Gbps、密度/每平方公里100万终端”问题)等技术的交织推动中前行。

9 物联网、大数据、云计算、NB-IoT、5G及人工智能的关系示意图

需求端:物联网B端客户的需求日益强烈,但安全/隐私、预算、内部执行、外部协同等问题成为目前的发展阻碍;C端客户感兴趣者众多,但目前产品价值认可度偏低(质量不过关/算不上真正的智能/功能华而不实/价格虚高)。

10 B、C端物联网需求

11 物联网发展的主要阻碍

 

三、八大产业链环节

12 物联网产业链

1. 芯片:物联网的大脑

低功耗、高可靠性的半导体芯片是物联网必不可少的关键部件之一。物联网芯片既包括集成在传感器/模组中的基带芯片、射频芯片、定位芯片等,也包括嵌入在终端中的系统级芯片,即嵌入式微处理器(MCU/SoC片上系统等)。

13 我国物联网直接相关的芯片市场规模预测

目前,我国的芯片设计水平相对偏弱,但封测具有规模优势。预计我国物联网直接相关的芯片市场将实现较快增长,2020年达589亿元,较2016年增长353%

2. 传感器:物联网的五官

传感器是用于采集各类信息(如压力、温度、流量、位置等),并转换为特定信号的器件 广义上包括敏感元器件、RFID、定位设备、摄像头、测量表计等。

14 我国物联网直接相关的传感器市场预测

目前,全球传感器市场主要由海外公司主导 ,如TI、ST、博世、飞思卡尔等, 我国传感器企业与海外仍有较大差距,国内约70%的份额被外资企业占据。预计2020年我国物联网直接相关的传感器市场将达248亿元,较2016年增长328%。

3. 通信模组:万物联网的关键

通信模组是将芯片、存储器、功放器件等集成在一块线路板上,并提供标准接口的功能模块,各类终端借助通信模组可以实现通信功能,是联网的关键器件。

15 物联网通信模组示意图

通信模组主要包括蜂窝类通信模组(2/3/4/5G 、NB-IoT/eMTC等)和非蜂类窝通信模组(WiFi/蓝牙/LoRa/ZigBee/SigFox/电力载波等),蜂窝通信模组年出货量正由千万级快速提升。

4. 通信网络:物联网的通道

物联网接入网包括蜂窝通信网和非蜂窝通信网,以及RFID(如ETC/NFC)、二维码等,RFID系无线电磁波连接,二维码属被动式标签。

16 主要的物联网连接网络/技术对标

蜂窝物联网需要由电信运营商建设,适用于移动状态下需随时随地联网或固定状态下不便布设非蜂窝网的物联网场景,该类物联网终端需要使用SIM卡/eSIM卡。目前,蜂窝物联网占比约10%,以2G为主,非蜂窝物联网占比约90%,WiFi/RFID为主。

5. 平台:实现物联网的云管理

物联网平台作为设备汇聚 终端管理、应用开发、 数据分析等的承载 ,向上为应用开发、系统集成提供PaaS服务,向下对终端 进行 “管、控、营” , 包括开放式云平台、连接管理平台(CMP) 、应用使能平台(AEP)和垂直行业设备管理平台(DMP)。

17 物联网的四类平台

6. 操作系统:物联网软硬件的动脉

操作系统(Operating System,OS)是管理和控制物联网硬件和软件资源的程序或系统软件, 类似智能手机的IOS、Android,是直接运行在“裸机”上的最基本的系统软件,其它应用软件都在操作系统的支持下才能正常运行 ,因此往往是巨头的天下。

18 华为LiteOS:轻量级的物联网操作系统

目前,发布物联网OS的主要是巨头,如谷歌(Brillo)、微软(Windows10 For IoT)、华为(LiteOS)、GE(GE Predix)、苹果、阿里等。

7. 智能终端:硬件承载

智能终端是集成了传感器和通信功能,可 接入互联网并实现特定功能或服务的智能设备 ,包括智能音箱、智能车载设备、可穿戴设备、 智能表计(水表、燃气表)等。

按照面向的购买客户来划分, 智能硬件可以分为2B类(B端付费,如车载前装T-BOX、无线POS机、智能水表等)和2C类(C端付费的消费电子,如可穿戴设备、智能家居、车载后装设备等)。

19 十款带屏智能音箱(金准人工智能专家不完全统计)

智能终端种类丰富,因其具有“入口”特性,所以目前竞争激烈,提供商可以是传统设备商,也可以互联网企业或创业公司,大家纷纷布局,如从路由器到音箱。

8. 集成应用:物联网的落地

物联网集成应用包括系统集成、解决方案、行业应用、增值服务等,一般面向大型客户或垂直行业(如政府的智慧城市、水务公司的智慧水务、工业物联网、智慧医疗等)。

20 智慧便利店物联网硬件框架(上海顺舟智能科技)

系统集成商可以帮助客户解决各类设备、子系统间的接口、协议及安全等问题,确保客户得到一站式的解决方案。集成商须熟悉相关行业,跨行业较难,因此不同行业的集成商各有生存空间。

四、发展路径与投资机会

21 物联网与PC互联网、移动互联网的IT架构相似

物联网与PC互联网、移动互联网的IT架构有相似之处,借鉴二者的发展之路,中信建投给出了物联网的发展路线:先连接,再爆发。

 

22 物联网发展:先连接,再爆发

先连接即先做大物联网的连接规模,动力可能来自“巨头推动+需求拉动”。中信建投预计,物联网“连接为主阶段”可能需要至少持续到2020年;

再爆发即基于大量连接及其海量数据,交互衍生出丰富的物联网增值应用服务,如智慧出行、自动驾驶、智能家居等等,进而推动物联网进入全面繁荣阶段。

23 我国的移动互联网发展路径

当前的物联网,与移动互联网的09年类似(连接数放量VS手机网民加快增长;NB-IoT全面商用VS3G商用;应用逐步丰富如共享单车/智能音箱VS新浪微博/iPhone4)。

但这并不意味着物联网距离爆发也只需要四年,因为物联网的智能硬件/终端类型多样,更为复杂。

24 物联网产业地图(部分公司及相关产业链环节物联网直接相关市场规模)

25 市场预期的物联网产业市场规模

鉴于当前物联网正处“连接阶段”,中信建投认为,具有通用性、与连接数增长正相关,或与发展相对更快的垂直行业强相关的产业链环节投资更为可行。

中性预测, 2017年我国物联网连接数为15.35亿个,2020年将较2017年增160.59%,达到40亿 ,其中蜂窝物联网10亿(占比约25%),较2017年增长203%。

26 我国物联网连接数预测(单位:亿个)

从连接构成来看,物联网的垂直行业发展将呈多波次 、接力式。智能硬件(C)、白色家电(C) 、智能计量(B)因巨头的推动,净增量列TOP3;而在需求拉动与巨头推动及政策引导综合作用下,智能计量(B)、车联网(B/C) 、建筑/家居安防(B/C)的渗透率列TOP3。

图27 我国的物联网连接数构成预测(单位:亿个)

28 我国芯片、传感器、通信网络市场规模预测(单位:亿元)

中长期看,平台的成长性好,建议择机布局。

平台直接对物联网终端进行 “管、控、营” ,既可向终端收费、也可向应用收费,并可沉淀海量数据,有望分享到物联网发展的最大红利。尽管开放式云平台是巨头的天下,垂直行业的差异性却给足了中小公司生存空间。

图29 全球主要的物联网产品/服务供应商的开放式云平台选择

30 Gartner2017新兴技术成熟度曲线中,物联网平台处于期望膨胀期(过热期)

物联网安全事件陆续发生,让“安全”成为物联网最需关注的领域,但很多创新型公司实际上受限于预算、投资收益、技术等因素,在物联网产品开发中往往事后才会考虑安全问题。未来,安全将成物联网标配,发展潜力巨大。

图31 企业客户将安全问题作为物联网进一步发展的最大阻碍

虽然可能是巨头推动为主、需求拉动为辅,但物联网连接数快递增长已是事实,不过物联网在各垂直行业的进度不一,智能计量、车联网、建筑/家居安防发展最快。

聚焦“连接”阶段,围绕“具有通用性、与连接数增长正相关”,“与发展相对更快的垂直行业强相关”两类产业链环节,将可以发现一些相对确定的投资机会。

物联网新兴产业,因此A股中的物联网标的多由并购转型而来,或是新布局物联网,所以物联网板块的业绩贡献短期还较小,甚至存在一定风险。因此,投资商建议既要围绕受益环节来确定方向,也要关注公司的基本面、市场竞争格局等。

总结

金准人工智能专家认为,通信/网络、芯片、传感器、工业机器人等环节在政策、资本、产业和技术的推动下正推动着B端物联网的稳健增长;运营商“快速建网(NB-IoT)+下指标+补贴”的策略结合巨头们“搭平台+推产品+投资并购”的打法,也让物联网的C端前景逐渐明朗起来。


金准人工智能 AI助力法律服务研究报告 2018-03-30 17:37:14

前言


近年来,国家一直在持续推动司法改革和法律信息化,“互联网+法律”也成为了重要的创新创业方向。而随着人工智能技术兴起,一批面向B端或者C端的法律人工智能产品逐步进入公众视野。

人工智能+法律行业应用进展如何?法律行业各相关主体:当事人、律师律所、法院等司法机构等,将如何从人工智能的应用中受益?人工智能又将给整个法律行业带来哪些变化?金准人工智能专家从法律参与主体的角度,对人工智能的具体应用形态进行了分析,并对未来进行了展望,系统阐述了人工智能在法律领域的应用情况,希望能够对行业人士有所帮助。

一、人工智能在法律领域应用的背景

1.法律领域存在大量文书处理工作,人工智能带来诸多可能

法律领域的各项服务和工作,都需要法务文件、判决书、案件记录等各种法律文书。金准人工智能专家认为,近年来人工智能在语音、文字的处理上取得了进展,促使人工智能在法律领域得到了很多应用。国家大力推进法律文书信息化和公开化,取得显著成果,则是为人工智能应用奠定了基础。

2.人工智能技术近两年进步明显,法律领域存在问题有待改善

近两年,人工智能技术取得了长足进步,语音识别准确率在提升,语义理解和知识图谱则能够更好的对文本进行分析处理。

法律领域存在的几个主要问题:

国家大力推进法律文书信息化和公开化,取得显著成果,为人工智能应用奠定基础

2013年以来,法律文书的信息化和公开化,一直是国家层面推动的司法改革的重点方向,并在最高法的牵头下,取得了很多成绩:中国裁判文书网已经成为全球最大的公开司法文书库,公开超过3000万份判决文件;天平司法大数据公司建立;浙江电商互联网法院15年开始试点运营;各地智慧法院建设持续推进和落地。

过去几年,伴随着互联网+,一批互联网企业和创业公司进入到法律领域,一批互联网法律服务平台诞生,在线上积累了不少律师和法律服务信息,如北大法宝、Westlaw、无讼等。在线数据积累,为在法律领域开展人工智能的相关应用,奠定了基础。


二、人工智能在法律三大主体的应用

AI在法律领域的应用主要体现在信息检索、文书审阅、案件预测、智能咨询等4种形式。

参与AI应用于法律的企业,既有综合AI技术及解决方案供应商,如百度、阿里、科大讯飞等,又有专业法律信息平台或法律信息化企业,如华宇软件、无讼等。既有上市公司,如华宇软件、阿里等,又有初创公司,如法狗狗等。

金准人工智能专家根据参与主体的不同,对AI的应用进行划分。法律事件的参与者有三个主体,分别是当事人(个人或企业)、律师(律师及律所等)和法院(法院及检察院等)。面对不同的主体,基于AI的产品服务也不尽相同。金准人工智能专家主要从不同主体角度,分析各类基于AI的产品服务。

面对当事人,基于AI的产品服务包括法律咨询,律师匹配,企业法务支持等;面对律师,提供文书梳理、信息查询、案情预测、智能咨询等;面对法院,提供文书处理、审判辅助、智能咨询等。

人工智能在法律参与主体的应用


1.AI产品应用于当事人提供智能咨询、律师对接、企业法务支持

AI产品应用于当事人三个主要方向:法律咨询、律师对接、企业法务支持。

(一)法律咨询

法律咨询是机器人回答当事人对法律问题的咨询。当事人遇到法律问题时,可以通过智能问答平台进行咨询,平台根据案情给出相关法律建议。平台通过AI实现自然语言的识别,以及更清楚的问题理解、分析和回答。目前各平台在自然语言理解方面还有很大的提升空间。

智能法律咨询


AI获取案情有对话式和搜索式两种方式。对话式机器人在了解咨询者问题方面效果较好,能够比较准确地对问题进行全面的描述。但需要庞大的知识图谱做支撑,能够覆盖到的案件类型范围和影响因素会受到限制。搜索式搜索引擎直接理解自然语言,存在口语和法律语言的转换问题,虽然人工智能技术取得了进步,但目前还是会出现理解偏差,对自然语言中关键词依赖比较强。

机器人一般都会根据问题给出相关结论和建议,但要帮助咨询者更好的理解内容,实际上还需要问题的具体解析、引用的法律条文、类似实际案例情况、后续做法引导等等。目前的各平台给出的内容还不够全面。

法律咨询机器人基本流程

国内典型案例有搜狗大律师、法狗狗、律品等;国外:DoNotPay、Winston等。

搜狗大律师:搜狗开发的免费法律咨询机器人,目前主要支持婚姻财产和劳动纠纷2个大类的问题咨询。通过多轮选择题的方式,引导咨询者逐步对所遇到的问题进行准确描述,之后,给出可能的判决结果、法律建议或相似案例,并给出重点解析。

搜狗大律师咨询界面


法狗狗:创业团队法狗狗开发的对话式咨询机器人,当事人在线自然语言提问,法狗狗给出结果。目前支持婚姻、员工、交通、人事、民间借贷、公司财税、房产纠纷、知识产权、刑事犯罪、消费维权10个类别的咨询,能够回答表达较清晰的口语化问题,给出可能判决结果,执行建议及相关的法律条款。

法狗狗咨询界面

(二)律师对接

律师对接是通过问答或搜索等方式,根据当事人的案件情况,为当事人匹配和推荐合适的律师。如律师O2O平台通过搜索式或问答式,了解当事人案件信息,智能推荐匹配的律师。搜索类律师O2O平台通过对自然语言进行处理,识别自然语言提出的要求,为当事人搜索匹配推荐的律师。对话式机器人则先进行机器问答,根据用户提供的案件具体情况,为当事人智能匹配相应律师。各平台匹配律师的过程中,AI的体现并不明显。

律师对接平台基本流程

典型案例有法里、法律谷等。

法里主要面向律师在线咨询的匹配。需要提出至少10个字的问题进行提问,在引导下完成问题描述。系统会根据收集到的问题要点给出法律报告,并推荐相应的律师,用户可以付费邀请律师进行深入回答。问题内容主要覆盖婚姻、劳动、借贷、交通、继承、公司事务、合同事务等七个领域。法里平台上还有付费咨询、法律事务委托、代写文书等功能。

法律谷是通过对判决文书分析,基于语义搜索技术,挖掘出“律师擅长案型”、“律师处理案件数量”、“律师诉讼胜率”等信息,根据输入的关键词,推荐合适的律师。

法律谷匹配律师过程

法里AI小嗨咨询界面


对话式律师匹配机器人与法律咨询机器人在提问环节功能接近,主要区别在于后续给出的结论是否包含律师信息。


问答类咨询机器人比较

搜索类咨询机器人比较

(三)企业法务支持

企业法务支持是在法务SaaS的基础上,提供基于AI的进行法务监控、文书审核等功能。

人工智能的文本处理能力,可以帮企业自动化解决特定问题,如合同起草和审核、法律风险监控等。目前这类AI产品多以法务服务软件或SaaS的形式供企业使用。智能法务平台能够避免人为疏忽,提高文件处理效率,审核过程也不会受到贿赂等问题影响。但AI只能进行基础审核,复杂条款涉还需要人的参与。

典型项目有牛法网、Law Geex、、Law Bot X、德勤的Kira System、摩根大通的COIN等。

法律监控和咨询:无讼法务。根据全网数据,从公司治理、合同管理、合规经营、劳动人事、知识产权、财务账款六大模块,用人工智能帮企业实时监测法律风险。对于劳动人事领域的相关法律问题,企业则可以在法务服务平台上一键咨询智能法务机器人。

合同起草和审核:牛法网。可以起草的合同包括劳动、采购、销售、租赁、投资等。也可以进行法务问题的智能问答。

合同解析和审查:COIN。摩根大通正在使用的金融合同解析软件,代替律师及信贷人员审查合约文件,大幅降低贷款服务常出现的人为错误,计划用在违约交换、托管协议等更复杂的法律协议上。


2.AI应用于律师律所提供信息检索与文书处理、案情预测、智能客服

AI应用于律师与律所主要有三个方向:信息查找与文件处理、案情预测、智能客服、信息查找。信息查找与文件处理是通过AI协助律师办公,如文本处理和信息查找。案情预测是指通过对过往相似案件的分析,对案件进行预测,协助律师制定诉讼和辩护策略。智能客服是通过智能客服,为律所增强客服能力,筛选高价值客户。信息查找是通过AI对法律条文、判决书等进行结构化处理,使得律师可以根据自然语言或案件关键信息,搜索出相关法律条文、过往相关案例判决书等,用于律师参考。目前各平台在自然语言理解方面,都还有很大的进步空间。典型的案例有理脉智能、法律谷、ROSS、元典智库、Fastcase、Neota Logic等,

法律谷判决书查询


理脉智能智能分析功能

文书处理与服务企业的法务平台相同,为律所提供整理案卷、尽职调查时检索底稿、法律合规审核、诉讼证据挖掘和合同文本分析等功能。

案情分析与预测是指在信息检索的基础上,基于人工智能技术,可以提供相关案例分析、胜诉率分析,关联企业分析、数据可视化、案件判决结果预测等功能。国内


理脉智能、法狗狗都曾经推出过相关产品服务。国外则有Lex Machina、CaseCrunch等公司从事相关服务。据金准人工智能专家称,其AI在判决预测方面,以86.6%的成功率,打败了人类律师62.3%的成功率。

预测结果超越了人类律师

律师将咨询机器人集成到自家公众号、网站等,作为智能客服,为客户提供简单法律咨询服务,把律师从低价值的简单咨询问题中解放出来。智能客服也能够帮助律师对客户进行初步筛选,高价值客户交由律师后续接手,提高律师工作效率。智能客服技术上与面向个人咨询的机器人没有区别,不过有公司研发的智能客服只为律所等B端服务,如律团。

3.AI应用于法院提供法律文书处理、审理辅助、智能客服

(一)文书处理

文书处理是指通过AI进行法律文书处理,如庭审语音转文字、判决书生成等。

起诉书、判决书自动生成。部分法院平台,如杭州互联网法院,利用人工智能自动生成起诉书、判决书。当事人只需要录入相关材料,就能通过智能平台快速生成起诉书。法院判决完,平台可以自动生成部分或全部判决书,大幅提升法官的工作效率。

庭审语音转写系统是庭审时,需要书记员进行各方陈述的文字记录。目前已经有不少法院开始将基于人工智能的语音转写系统应用到庭审中,辅助书记员的工作,减轻了书记员的工作负担。

目前浙江省105家法院全面上线基于阿里云ET(原阿里小AI)的语音识别系统,重庆市高院与百度签署了相关战略合作,上海一中院安装了科大讯飞的语音转文字系统。江苏、山西等多地多家法院也都应用了庭审语音转文字系统。各地法院试用准确率一般在90%以上。

庭审语音转写流程

(二)审理辅助

审理辅助是通过AI基于类似案件的判决结果分析,为判决提供参考,类型化案件在线提交,AI系统进行证据链的核实等,包括办公辅助、辅助审理、智能咨询等方面。

案件辅助审理

案件辅助审理系统基于大数据、机器学习等技术,通过大量案件的学习,使智能系统学会提取、校验证据信息并进行案件判决结果预测,为法官判决提供参考。案件辅助审理系统使判案流程标准化,提高判决一致性,降低冤假错案发生的可能,增强司法公信力。

上海刑事案件智能辅助办案系统:又称206工程,由科大讯飞联合上海司法部门研发,将公检法的数据办案系统打通,通过学习上海几万份刑事案件的卷宗、文书数据,可以提取证据信息,进行证据链核实,对办案人员进行提醒,实现刑事案件的标准化和流程化。

重庆类型化案件智能审理平台:重庆法院搭建了金融案件智审平台,可以在线提交材料、自动生成起诉书、向法官推荐相似案件,对法官拟做出的判决进行评析,自动生成判决书。平台投入使用后,信用卡纠纷案件平均立案时间缩短至10分钟以内,平均审理时间缩短27天。

典型案例为睿法官,华宇软件开发的智能研判系统,通过智能机器学习、多维度数据支持、全流程数据服务,为案情“画像”,为法官判案提供统。全面的审理支持类似项目有检察院智能办案系统“晓督”、元典“量刑辅助系统”、Docket Alarm等。例如17年12月,广州市中级人民法院在一方当事人无法到场的情况下,通过人脸识别确认了其身份,实现了在线庭审。

(三)智能客服

智能客服是通过AI客服为公众提供法律咨询服务。

法院通过智能客服机器人,AI或实体,为公众提供法律咨询服务。公众号类机器人如厦门法院“法制沧海”、深圳国际仲裁院“小3i”等,实体机器人有深圳南山司法局“南小法“等。智能咨询与律所智能客服、当事人法律咨询等背后的技术相同,也有法狗狗等同时为公众、律所、法院等提供智能客服机器人。

3i是深圳国际仲裁院微信号内的咨询机器人,由张力行的“法律实验室”与深圳国际仲裁院合作开发。小3i可以以自然语言对话的形式,回答仲裁相关问题,是目前国内外第一个,也是回答仲裁和海事法律问题最多的法律机器人。

三、人工智能在法律行业应用问题与趋势

人工智能在法律行业的应用还处于初级阶段,关键技术有待突破。人工智能的应用,使法律服务从信息化向智能化升级,但整体上法律人工智能产品尚在起步阶段,进一步发展还面临着很多障碍。未来随着技术和产业发展,AI将主要作为辅助律师或法官的工具出现。

法律人工智能应用面临两大问题:技术和数据

此外,法律人工智能应用也面临其它很多人工智能行业应用的共同问题:跨专业人才缺乏、不能独立决策影响适用性等。

趋势一:咨询有望成为流量入口,技术决定核心竞争力。

大量法律服务需求集中于在线咨询阶段,咨询工具有望成为流量入口,并向后端律师匹配等深层服务导流。目前的各类咨询机器人,功能相对简单,也还没有对接后端其它服务,未来功能或将逐步延展。

对各平台而言,咨询时良好的用户体验,是吸引用户留在平台的关键。由于目前各平台的数据主要来自公开判决文书,提升用户体验主要依赖于更好的技术,使咨询机器人能更好的理解用户的语言、案情,更好的对法律文书进行处理,从而将用户聚集在平台。

趋势二:法律服务工具向统一融合平台发展。

目前的各项人工智能、大数据相关法律服务系统,底层是统一的数据集和技术内核,可以封装成统一的内核平台。在内核平台之上,可以演化成面向不同主体的法律服务平台,服务于当事人纠纷解决的全环节,开始于在线咨询,结束于法院判决执行。

以华宇软件为例,华宇软件基于人工智能和大数据技术的法律概念认知能力、法律主体分析能力、法律关系甄别能力、法律知识检索和推送能力封装成元典睿核,在此基础上,针对不同使用者,构建不同的应用模块。

华宇软件的元典法律AI平台

趋势三:漏斗型法律服务体系逐渐构建,法律服务更公平公正

随着人工智能文本处理能力的增强,法律文件处理的智能化和自动化还将持续提升。在各种先进工具的帮助下,未来大部分简单纠纷通过咨询和在线审理化解,少量复杂案件进入诉讼程序,并通过更高效的诉讼体系解决,形成漏斗型法律服务体系。

漏斗型法律服务体系分级过滤纠纷,简单纠纷低成本解决,法律服务门槛更低,更公平,能够惠及更多的人;通过同案参考实现同案同判,进行证据完整验校,降低冤假错案的出现率,法律服务更加公正。

智慧法院建设绝不是法院关起门仅仅通过科技为法官减负,而应当按照‘二八定律’进行‘节源分流’,建立80%的简单纠纷诉前化解,20%的疑难复杂案件进入诉讼程序的审判工作新格局。通过社会治理、纠纷化解的顶层设计,构建上端预防纠纷、节源分流,中端分层过滤,底端精准审判的多元化纠纷解决‘漏斗式’模式,才能实现智慧法院的最大网络效益,让人民群众既感受到公正、高效和便捷,又感受到和谐、温暖与温情。


总结:

综上,金准人工智能专家主要从参与法律事件的三个不同主体角度,结合实际案例,分析各类基于AI的产品服务。面对当事人,基于AI的产品服务包括法律咨询,律师匹配,企业法务支持等;面对律师,提供文书梳理、信息查询、案情预测、智能咨询等;面对法院,提供文书处理、审判辅助、智能咨询等。

金准人工智能专家认为人工智能在法律行业的应用还处于初级阶段,关键技术有待突破。人工智能的应用,使法律服务从信息化向智能化升级,但整体上法律人工智能产品尚在起步阶段,进一步发展还面临着很多障碍。针对技术和数据量大问题,金准人工智能专家预测,未来随着技术和产业发展,AI将主要作为辅助律师或法官的工具出现。



金准人工智能 关于俄罗斯经济的研究报告 2018-03-30 14:04:18

     继油价暴跌和西方国家对俄罗斯实施经济制裁导致该国经济衰退之后,目前俄罗斯的经济已经从衰退中复苏过来,这也主要得益于弗拉基米尔·普京总统实施的有利政策。然而金准专家认为如果俄罗斯不进一步实施结构性的改革,该国经济发展的良好势头将不会再持续下去了。

     在今年2月底,美国标准普尔评级服务公司(SP)提高了俄罗斯的信用评级,并预测称未来该国的信用评级将保持稳定。该评级公司将俄罗斯的信用评级从垃圾级上调至投机类别。石油价格上涨是该次评级提升的主要原因。

     法国对外贸易保险公司的经济学家DominiqueFruchter表示:目前的形势有利于俄罗斯经济的发展,宽松的货币政策有利于提高儿童福利、加大对低收入家庭的帮助,当然石油价格的上涨也是一大有利的因素。

  金准专家判断如果石油价格上涨给予普京一定的回旋余地,那么俄罗斯人将对该国经济发展的前景所持的期望值更高。以前普京总统曾为俄罗斯发展做出了重大的贡献如成功吞并克里米亚,在其执政的2000年至2008年,该国经济增速曾一度涨至7%

     Fruchter表示:普京总统仍相信自己有一定的优势,但不是永远。俄罗斯人已经对该国总统的外交行为感到厌倦了,普京总统必须采取一定的行为。石油价格可能不会再下滑了,如果石油价格继续维持着当前的水平,普京总统将不得不在一些部门尤其是在制造业部门采取措施。

     根据Coface机构的判断,未来几年俄罗斯的经济增长将主要取决于该国经济是否有能力摆脱对碳氢化合物收入的依赖,因为目前碳氢化合物收入占据该国GDP30%和国家预算的50%,此外公共账户的赤字很低,到2018年,该国的赤字将下滑至1.5%。但是如果不包括碳氢燃料的收入,公共赤字将占到GDP7%

  在风险评估方面,Coface评级机构给予俄罗斯一个B级。这意味着俄罗斯的商业风险性比较高。

     这个国家的商业环境以国家干预主义为主,而且腐败率较高。自从普京总统执政以来,他发展了一种新的资本主义模式:国家资本主义,目前俄罗斯经济的70%都是国有经济。这样的商业环境导致了国内外投资者对俄罗斯经济发展的可持续性产生了不信任。

     没有普京,就没有俄罗斯,这是俄总统办公厅第一副主任沃罗金曾在索契瓦尔代国际俱乐部会议上对普京执政成果做出的评价。

200057日首次就任俄罗斯总统至今,普京始终位于俄罗斯的权力之巅;即便是中间有四年是担任总理,但实际上他一直都是整个国家的一号人物。

       金准专家认为,普京执政的最大成就在于,让俄罗斯人恢复了大国自信。这源于俄罗斯综合国力的强大,其中自然包括经济、政治、军事、外交、科技等诸多方面内容。且不谈打赢车臣战争、消除寡头干政、收回克里米亚等功绩,单从经济领域来分析,至少以下三个方面可以反映出普京任期内的卓越贡献:

     首先,俄罗斯经济实力持续壮大。在普京任期内,俄罗斯的不变价GDP2002年的273123亿卢布上涨至2016年的621196亿卢布(见图1)。其实,如果将考察范围锁定在2002-2011年,俄罗斯经济总量年均增速早已高达9.2%。由于受到国际金融危机、卢布贬值、油价下跌与来自西方国家经济制裁等多方面的挑战与压力,近些年俄罗斯经济波动幅度较大,2015年与2016年甚至出现了负增长。即便如此,普京依然能够带领俄罗斯人民自力更生,摆脱困境,于是我们看到了自2016年第二季度起连续6个季度的经济稳步增长与复苏(见图2)。




   其次,人民生活日益富足。经济实力的不断增强直接给俄罗斯居民的生活水平带来了积极影响,最直接的表现是居民的收入增加。从俄罗斯的人均月收入来看,已经由2000年的2281.1卢布暴涨至2016年的30775卢布,增幅高达13.5倍(见图3),这让生活在贫困线以下的人数也大幅减少。此外,前苏联遗留下来的966亿美元巨额外债一直困扰着俄罗斯。在普京的带领和不懈努力下,20178月,俄罗斯向波黑偿还了最后一笔价值1.252亿美元的债务,至此,俄罗斯已经还清前苏联遗留的所有外债,这也预示着,未来俄罗斯居民的生活水平将进一步提高。

     最后,俄罗斯成功加入WTO20128月,普京亲笔签署了有关批准俄罗斯加入世界贸易组织协议(WTO)的联邦法案,这意味着20128月俄罗斯将正式成为世贸组织第156个成员国,俄罗斯长达19年的入世长跑由此画上圆满句号。这不仅是国际上对俄罗斯经济转型成果的充分肯定,还让俄罗斯结束了长期游离在世界贸易管理、组织、协调机制之外的被动局面,消除了国际市场对其出口的贸易歧视,使之享有了在世界贸易体系中的平等地位。这对促进和扩大俄罗斯对外贸易发展有着划时代的意义,更是将对推动世界贸易组织及国际贸易发展起到重要作用。

金准专家认为中俄贸易往来这些年,形势持续向好。作为金砖国家和新兴经济体的代表,中俄两国在发展阶段、国际地位、政治主张等诸多方面都存在着相似之处,而这些也构成了中俄合作共赢的重要基础。一直以来,中俄双方始终保持着积极密切的合作伙伴关系,这一点从两个国家的贸易往来上就可以看出来。

先来看中俄历年的贸易总额走势。自2000年普京上任至今,中俄两国经贸往来取得了长足的进展,整体上保持着持续向好的态势。我们可以大致将其划分为三个阶段分别进行考察:

2000-2008年:这一时期,中俄进出口总额一直稳步攀升,由80亿美元上升至569.1亿美元,年均增速达到27.8%;其中,中国同俄罗斯出口总额由22.3亿美元暴涨至330.8亿美元,年均增速高达40.1%,同时,中国同俄罗斯进口总额也从57.7亿美元增加到238.3亿美元,年均增速为19.4%

2009-2014年:受国际金融危机影响,2009年中俄贸易同2008年相比有了较大幅度下跌。但随着国际市场的逐渐复苏,中俄贸易环境有了较好改善,第二轮进出口稳步增长也相应开启。2009年,中俄进出口总额为387.5亿美元,2014年这一数字涨至952.9亿美元,年均增速为19.7%;此外,中国同俄罗斯出口总额与进口总额的年均增速也分别达到了25.1%14.4%

2015-2016年:西方国家经济制裁、油价大幅度下跌、卢布贬值等多重压力,重创了中俄的贸易往来,从2015年的数据中可以看到,进出口总额较2014年大幅度下降了1/3。即便如此,2016年各项指标依旧得到了很好的改善。

再来看中俄的贸易结构。中俄贸易之所以能够稳步发展,与两国双边贸易结构互补的现状不无关系。中国对俄罗斯的出口产品主要集中在以机电产品、纺织品及原料、金属制品等为代表的劳动密集型产品领域;在出口贸易额排名较为靠前的商品类别中,工业制品也是占据大头。

与此同时,作为世界上排名前列的能源大国,俄罗斯拥有极为丰富的石油、煤炭、天然气等资源,主要对外贸易出口的产品自然以能源类为主。在俄罗斯对中国出口产品中,占比排名前两位的分别为矿物产品和木制产品等资源密集型产品;在出口贸易总额中,能源类产品更是占据了其中的近70%

金准专家认为,中俄的双边贸易结构呈现出鲜明的互补特征,中国对俄罗斯的出口商品主要是技术密集型和劳动密集型产品在内的工业制品,而俄罗斯对中国的出口商品为资源密集型产品,这也为两国贸易合作范围的持续扩大奠定了基础。

就目前而言,中俄双方的经贸合作领域已经从原来的商品和服务贸易拓展到了物流、交通、旅游、科技、军事、环保、基础设施等多重领域,而能源合作领域也囊括了包括石油、天然气、电力、煤炭、核能、动力设备等多个合作项目。两国的双边贸易合作潜力依然巨大,通过进一步深入发展各自的资源比较优势,不仅能为对方提供最惠国的待遇,还能促进两国贸易顺利开展,从而实现互利共赢的长远目标。

普京在今年3月的大选中再度胜出,对于中国来说无疑是一重大利好,特别是在中国稳步推进一带一路宏伟战略建设的进程中,绝对离不开普京和俄罗斯的鼎力支持。

众所周知,一带一路虽由中国最早提出,但这个宏伟战略的贯彻实施需要诸多参与国齐心协力。而俄罗斯有着优越的地理位置,陆海复合,国力雄厚,不仅是中国最重要的贸易伙伴之一,也是一带一路沿线的重要参与国家。

自提出一带一路重大战略至今,中俄双方已经达成了100余项重要合作共识,其中有近一半已基本得到落实,其余各项涉及中长期的战略合作项目也正在按照规划落实当中。

此外,俄罗斯极为丰富的矿产资源同样也是中国所需要的。无论是石油、煤炭还是天然气,俄罗斯的产量或储量都位居世界前列。

因此金准专家认为,中国在推进一带一路建设的同时,也在积极开展同俄罗斯在能源方面的重大项目合作。例如,20145月,中石油与俄罗斯天然气公司签署了一份为期30年、总金额高达4000亿美元的天然气合同超级大单。按照合同规定,俄罗斯自2018年起通过此管道向中国提供天然气,年供气量380亿立方米,这将能够从根本上改善中国东北与华北的能源环境和能源需求,意义深远。