大数据时代的企业AI产品

1 .2019 杭州 MDG 大数据时代的企业AI产品 Author: Luke 

2 .01 概述 02 产品设计思考 03 应用场景 

3 .

4 .概述 大数据时代的IT信息特征 大：数据量大，存储单 多：数据的多样性，广 快：高速性，大数据的 用：可用价值，大数据 位从过去的GB到TB， 泛的数据来源，决定了 产生非常迅速，需要实 最大的价值在于通过从 乃至现在的PB、EB级 大数据形式的多样性。 时分析，谁的速度更快， 大量不相关的各种类型 别。 谁就有优势。 的数据中，利用AI技术 挖掘出有价值的数据。 

5 .概述 Math & Statistics Knowledge AI的机器学习技术 计算机技能、数学和统计学知识的加和 Machine Traditional 一个源于数据的模型的训练过程，最终归纳出 Learning Research 一个面向一种性能度量的决策。 Data 模型：表示通过经验学习获得的状态。 Science 决策：基于输入做出决策的能力 面向一种性能度量：模型的针对性需要和定向 Computer Substantive 特性。 Danger Skills Expertise Zone 

6 .概述 互相融合、互相促进、递进的关系 智慧 AI进行学习，能够以前所未有 AI智能 的速度和效率挖掘数据价值。 知识 数据资源的管理和应用分析，满 足海量数据的处理需求 云计算 信息 大数据为数据技术的发展提供 大数据 “燃料”，作为应用的基础。 

7 .

8 .企业产品思考 用户的需求 数据平台能力：具有大数据 的处理和计算分析能力，对 数据进行有效的数据管理。 简单易用：统一、规范、易 用的使用场景，非专业人士 可以轻松入手，较低的使用 门槛。 一站式服务：符合安全规范， 灵活部署方案，可扩展性强， 功能组件化，快速API服务化。 业务需求性：各种功能丰富， 业务性强，通用性弱。需要 业务知识和专业知识结合。 

9 .企业产品思考 企业AI的数据闭环系统 信息数据提取 业务知识形成 知识的应用 大数据平台 企业产 数据存储 数据治理 数据集成 数据计算 品应用 机器学习平台 数据准备 模型训练 系统安全 和管理 推理服务 模型管理 

10 .企业产品思考 AI智能服务落地的挑战 计算资源 服务部署 算力不足，算法框架众 模型在线部署需要一整 多，接入成本高 套工程解决方案 数据多样 业务融合 生产安全 数据量大，数据源种类 技术应用环境问题，懂 保证在实际环境中，数 多，接入成本高 业务的不懂算法，存在 据资产的安全保障问题 技术栈差异 

11 .企业产品思考 AI系统落地产品和开发 应用服务：系统部署，实现 API接口，资源调度和数据监 模型训练：可视化训练，脚 控 本训练，交互式训练 数据存储：数据接入，数据仓 库，第三方存储等方式 模型管理：自有平台产出模型 管理，第三方模型导入，模型 导出 数据集管理：结构化数据，半 结构化数据，非结构化数据 

12 .

13 .应用场景 热度 应用场景 ★★★★★ 金融领域：金融行业的落地条件已成熟 ★★★★ 安防：人工智能和安防结合已经成必然的趋势 ★★★★ 交通出行：交通大数据和 AI技术，数据驱动决策 ★★★★ 制造业：智能制造解决方案，行业机器人成AI新方向 ★★★☆ 生活服务：AI重新定义了科技和生活 

14 .应用场景 

15 .应用场景 金融产品（一）：产品大类 帮助金融机构降低经营风险， 帮助金融机构实现前端营销 防范异常情况，对资金进行 获客能力，提高金融机构的 有效监管。 营销业务能力 风控类 营销类 

16 .应用场景 金融产品（二）：标准化风控产品要素 关系人 关联企业 和企业有关的重要人员信息 01 02 和企业相关联的其他相关企业 风险标签 风险规则 对风险因素打标签，企业画像 03 主体企业 04 根据业务场景，拟定风险规则 风险事件 风险评分 对风险事件给予数字化度量 05 06 对业务进行建模，计算评分 

17 .应用场景 金融产品（三）：风控产品模型 初筛 筛选和分类：针对黑白名单和 高风险项目和反欺诈者行为 指标量化评分 根据业务模型和规则，对业务 进行评分 （传统机器学习类模型） 调整 根据实际业务反馈的信息，对 模型参数进行调整，满足业务 需求 

18 .应用场景 金融产品（四）：营销类AI应用 数据获取 数据对于人工智能而言是最基础和 重要的存在，AI做出的一切分析和 判断均是基于对海量数据的分析， 有效地获取多样的数据并将其整理 AI 精准营销 入库成为AI+营销所重视的核心。 人工智能 机器学习基于对历史数据的归纳和 效果监测 学习，构建出事件模型，并将合适 对于具体产品的应用的结果进行检 的新数据输入相应的模型，进行用 测，反馈其实用效果，反馈数据作 于营销，机器学习技术起到了十分 为新的业务数据，对数学模型进行 关键的作用。 修正。 

19 .应用场景 交通出行智能化 1 实现运载工具智能化，成倍降低事故和伤亡率 2 通过广义控制实现交通自动化，成倍提升路网承载能力 3 通过资源配置实现由个体和局部最优转变为全局最优，真正实现交通物流资源的高效利用 4 结合地理信息系统，在出行途中实现的周边服务智能化，优化出行体验 

20 .应用场景 智能安防和智能家居 智慧城市建设已从重点单项领域智慧化应用向城市全方位智慧化全面推进， 安防 实现视频资源的统一管理、智能分析和应用，实现基于计算机视觉大数据 的智能分析和预测能力，推动城市大脑的建设。 人工智能+智能家居，有利于形成适配下一代硬件的真正的“智能化”及 智能 深入场景体验的个性化计算，语音及视觉等人机交互技术有助于提升用户 家居 与智能家居产品的交互体验。 

21 .THANK YOU Author: Luke