【人工智能】机器人和AI崛起，服务型经济的春天来了
来源：BCG波士顿咨询 授权 产业智能官 转载
导读
机器人流程自动化（RPA）和人工智能（AI）过去一直被视作相互独立的两个领域——RPA支持者认为AI不实用，而AI爱好者认为RPA太原始——但实际上二者高度互补，相当于大脑和肌肉的关系。企业能够利用RPA实现速赢，同时引进AI战略以实现长期效益和持续优化。
同
时利用RPA和AI的做法对服务行业尤为适用，这里的服务行业包括银行、保险和电信等服务行业，也包括财务、人力资源和IT等企业支持性职能部门。
但是，同其他技术一样，RPA和AI并非万能，但若能将二者系统化地应用于流程及服务组织，则有助于提高产能并产生洞察。要做到这一点，企业需要制定清晰的业务目标，并确定RPA和AI在整体优化工作中扮演的角色。
另外，企业在引进这两项技术时需要制定清晰的变革管理计划，以应对这些技术对组织和运营部门以及员工带来的冲击，避免员工感受到机器人和其他变革性技术的威胁。
自动化：机器人的崛起
最近几年，RPA大获服务型企业的欢迎。通过利用该工具，企业能够用软件机器人替代过去需要人工操作的计算机活动，这些机器人能够打开电子表和数据库、在程序之间拷贝数据、比较信息资料以及执行其他日常任务。RPA最适用于基于规则的重复性流程，而这类流程遍布于多个IT系统。RPA简直就是增强型的宏技术功能。
与人类相比，这些机器人具备多项优势：全天候运行、极少犯错、接受新任务、易于监控且运行速度是人类的五倍。通常，这些机器人能够在一年内收回成本，并帮助企业节省20%-80%的开支，具体节省幅度取决于被替代的人工操作的工作量和复杂度。
RPA能够覆盖于现有IT系统之上，且安装时间短、成本低。但是，RPA的推广如果无合理规划，会导致临时解决方案泛滥，进而威胁到整个IT架构和完整性。
那么，RPA何以成为许多服务型企业的关注焦点呢？首先，供应商能够提供强大且易于操作的 “即时拖放型” RPA软件；其次，企业的应用架构仍过于复杂，需要太多的人工操作。为简化并加速流程，许多企业部署了成百上千个软件机器人。
例如，某电信公司使用机器人将所谓的“旋转椅流程”自动化。过去，该流程需要员工在多个后台遗留系统之间反复转换，而现在机器人能够帮助核实合同条款并管理外勤服务人员。RPA在部署后的一年内能够带来高于成本一倍的回报，在第二年内能带来高于成本两至三倍的回报。
除了带来上述效益，机器人的引进也给电信公司带来了挑战：IT系统要求机器人输入员工验证码；在工会对失业问题表示担忧后，电信公司对受影响的员工重新分配工作。
RPA更大的缺陷在于软件机器人只会遵守规则，不会学习或改进。当规则与现实冲突或发生异常事件时，需要人工干预。某领先家具零售商使用RPA安排送货时间，并将多人同时预订等异常事件交由呼叫中心坐席人员处理。在处理异常事件时，机器人为坐席人员提供完整的历史订单并自动拨号，让坐席人员做好充分准备，随时与客户沟通。
尽管机器人的运行速度比人快，但远远比不上完全自动化的流程。例如，机器人需要打开并登录应用，而自动化程度更高的流程则能够通过系统层面的打通，更加快速的处理任务。
鉴于RPA的种种局限，许多企业决定探寻更具雄心的解决方案，也就是AI。
AI：当计算机学会观察、讲话和思考时
作为计算机智能化的代名词，AI的表现已达到全新的高度，并在业务流程、互动和产品中的应用日益增多。计算机能够处理语言并保留知识，进而与人类进行深入、顺畅的沟通。计算机还学会了“观察”，能够从虚拟世界走向真实世界。所有这些能力对企业未来竞争优势影响深远，而从短期来看，AI至少能够改善三类服务：
数量少时容易，但数量多时繁杂的任务。其中一个例子就是非结构化数据分类，包括从发票中提取信息。来件转发以及姓名地址核对也属于该类任务。
人类无法轻易完成的任务。该类任务包括信用评分、欺诈检测和高频算法证券交易。人类在处理该类任务以及对待特殊情况时依赖于规则，并需要完成一系列繁琐的流程，而这个过程极其缓慢。例如，银行在阻止潜在欺诈性交易时需要快速做决策，而等到人做完决策，交易也许早已受理完成。而机器则不同，其行动速度以微秒计算，且能够通过处理不断膨胀的信息量进行持续学习和改善。
需要人类互动和/或专业知识的任务。该类任务包括客服中心与客户的沟通，以及为客户提供法律建议等。例如，通过遵循一系列规则，或通过观察进而替代人类律师的研究、合规和简单的咨询工作，机器能够监测客户的合规情况。
上述分类并非完美，因为机器的“思考”方式不同于人类，导致前两类任务——代表大多数工作——之间的界限很模糊，但该分类能够为企业服务中的AI应用奠定基础。
许多企业面临AI挑战。通过处理越来越多的数据，机器能够进行归纳性学习，但这种学习过程不会自发进行，而是需要人类对算法进行训练。企业在缺乏AI能力的情况下，通常会求助于供应商，而供应商有时候会过度推销自己的AI产品，最终导致企业的AI试点项目失败（参阅MIT斯隆管理评论2017年发布的报告《人工智能重塑企业：弥合目标与行动之间的差距》）。
为克服该挑战，某大型保险公司从供应商之外寻求建议，从而了解哪些自动化和AI项目最具有潜力。该公司评估了劳动力和理赔成本、欺诈或超额索赔案件识别能力以及处理该索赔案件对客户关系的影响，同时也明确了运营和IT需求，尤其是新旧系统契合度，并分析了从传统基于规则的方法到先进AI算法的一系列解决方案。
最终，该保险公司决定成立一支内部AI专家团队，负责为某些领域开发透明的算法学习解决方案，而放弃更先进的深度学习方案。该公司表示，对许多其他领域而言，传统的规则驱动型自动化就已足够。
AI应用不限于金融服务，而是适用于所有行业。通过利用AI，零售商和消费品公司能够为客户提供个性化产品，B2B公司能够更有效地进行交叉销售，而工业品公司能够提供预见性维护服务。各类企业均能在风险与合规管理以及IT安全事务中运用AI。
自动化与智能的结合
许多服务型企业开始认识到将RPA与AI结合的优势。通过这种结合，企业既能快速回收RPA成本，又能发挥AI的巨大潜力。这种做法最适合拥有大规模遗留系统的企业，例如金融服务和电信行业，或者企业的人力资源和财务部门。
员工可以同时利用RPA和AI来优化服务流程。对规则驱动型流程的人工干预标志着从自动化到人工智能的自然转移。例如，机器人能够利用光学符号识别技术，将数字化文本发送给人类员工，让人类员工对文本中的日期、地址和主题等信息进行分类。久而久之，AI系统将能够接手此分类工作，随着系统不断改善，人工操作将被逐步替代（参阅图1）。
例如，亚洲某银行将自动化与人工智能相结合，希望以此改善客户体验、加强风险与合规管理并削减成本。该银行已经将许多独立流程数字化，因此而减少了员工数量，但并未就此止步不前。
为取代人工操作，银行安装了能够即时学习的RPA和AI系统，该系统能够将不确定如何处理的任务转交给人类员工。仅四周内，AI系统就达到了50%的准确度，并最终超越了人类员工。
通过上述自动化和智能转型，银行将成本削减了20%，并将某些流程的时长从几天缩减到了几分钟。此外，银行还积累了自动化和AI模块数据，能够在其他场景中重复利用。
从经济角度而言，将所有的服务自动化并非合理之举。但是，即使是在更为复杂的情况下，企业也能通过对某些活动进行预处理，将人类工作量降低80%，甚至更多。
准备行动
企业在引进自动化和人工智能时要做到条理清晰并考虑周全，避免掉入供应商设下的陷阱或犯下常见的错误（参阅图2）。
价值创造离不开战略。企业需要对自动化和人工智能的风险和回报有着客观的见解，并对自身目标有着清晰的认识。整体RPA和AI战略及目标制定应该服务于重点业务的发展，并反映出企业对新兴科技的成熟度和颠覆潜力的清晰认识。
进步离不开设定优先目标。企业需要客观评估RPA和AI项目的当前进展，并全面寻找机遇。企业还需要分析如何利用内部和外部数据，并发挥智能机器的速度和规模。为避免短视，分析工作不能凭空开展，而是要根基于企业正在进行的一系列效率改善和其他优化工作。
在设定工作优先级时，一种合理的做法就是用热点图捕捉分布于各类相关产品和流程的RPA和AI机遇，用绘图的方式交叉对比业务价值和技术可行性。企业应首先找到改进潜力最大的领域，然后客观评估当前各项技术的能力。除此以外，企业在执行过程中还要采取端到端视角。例如，某企业急于将一些零散的工作自动化，却不知道这种做法既不会减少员工数量，也不会改善企业绩效。
成功离不开试点。企业在设计试点项目时要记住，完美并非来自实践，而是来自完美的实践。如果企业只是随机开展试点，就可能会从中吸取错误的教训。例如，某企业没有采取端到端做法，导致其在价值链中间安装的机器人给前后端造成了很大负担。
实现目标离不开路线图。企业应从优先级的设定和试点运行中获取洞察，并将洞察组合起来制定一张全面的RPA和AI路线图。我们总是会看到，一些实验由于缺乏透明度、有效的协调和指导而无法达到期望值。企业制定的时间表和计划需要全面考虑技术、组织、人员和运营模式的根本变化。项目发起人——最好是高层领导——应对转型工作进行监督，因为成功始于高层。
成功离不开数据与技术的整合。在遗留系统的基础上安装简单的RPA系统是一件很容易的事情，但是随着自动化和智能程度增加，系统安装难度也会提高。企业必须确保新系统能够与呼叫中心和其他服务中心无缝整合，企业还需要成立绩效中心来管理整体自动化和人工智能活动。并且，随着企业向AI迈进，它需要获取大量内部和外部数据。鉴于外部供应商提供整合的能力层次不齐，企业有必要对外部供应商进行深入评估。
自动化和AI的应用离不开新的运营和治理模式。自动化和人工智能改变了企业的工作性质和盈利格局，进而对服务的组织和交付方式带来了深刻的影响。尽管有人声称自动化削弱了共享服务中心的重要性，但它仍然是企业运作中的重要一环。过去，许多共享服务中心位于工资水平较低的地区，目的是利用劳动力套利；未来，共享服务中心的职责将变得更具战略性，更倾向于数字化能力建设、客户服务、数据分析和决策支持。
从宏观角度而言，企业AI应用的兴起会冲击传统组织架构和流程设置。由于持续学习成为了人机互动的主题，职能和技术团队不得不采取敏捷工作方法以加强合作。AI和敏捷性的本质均为迭代，对它们而言，任何产品和流程均为连续的循环。算法从过去的成果中吸收经验，而敏捷团队从过去的快速原型设计和反馈中获取教训。
最终，企业也许会向“自动化和智能化第一”的方向前进，一如曾经多渠道话题中的“移动第一”口号。这种对绩效和效率的不懈追求将释放劳动力，让更多人参与下一轮的服务改进工作。
自动化和AI的成功离不开变革管理和能力建设。自动化和人工智能的引进必然会遇到阻碍。在自动化和人工智能的应用过程中，企业可能会面临来自员工和高管的阻挠，因为员工会担心保不住饭碗，而高管会满足于现状。最终，员工和高管都会认识到，要抓住不断更替的机遇，就需要掌握新技能。
即使不会威胁员工就业，企业在引进自动化和人工智能时也会面临挑战，因为管理者不熟悉如何同时管理人与机器。企业也许懂得如何向员工传播变革，但不一定能够解决员工在情感上对自动化的抵触。
而这种抵触可能来自IT部门，这一点可能出乎企业的预料。IT员工也许愿意接受新技术，但不一定适应敏捷工作的模式，亦或两者都不接受。
除了管理员工的反应，企业还需调整自身能力以满足两项要求。首先，企业需要招募掌握现代技术的员工，以应对激烈的竞争。为解决人才短缺问题，企业可以考虑集中式地管理AI资源，至少可以在初期采取这种做法。其次，企业需要为面临失业的员工提供培训，为其分配新职责。增强现实技术能够帮助这些员工转型，同时最大程度上减少新技术培训。
印度的业务流程外包商在引进自动化和人工智能时已经历上述挑战。其中一家外包商向我们透露，它们每季度帮助数千名员工从传统岗位转移到新岗位，并为逾十万名员工提供设计思维方面的培训，该培训旨在帮助员工构建创意，并运用这些创意改善客户服务。
RPA与AI的结合既是机遇也是挑战。企业能够通过开展速赢项目抓住该机遇，但也需要思考如何利用RPA和AI在未来更艰难的环境下茁壮成长。正如老子所言：“千里之行，始于足下。”
永洪科技咨询总监：AI助力企业深度洞察数据
作者：符鹏飞 来源：
引言：2017年11月18日，在永洪科技举办的北京用户大会上，永洪科技咨询总监符鹏飞作了题为《AI助力企业深度洞察数据》的演讲，介绍了Yonghong AI产品在行业中的应用实践案例。本文根据符鹏飞演讲内容整理而成。
大家好，我是永洪科技咨询总监符鹏飞，今天给大家分享一些关于AI在行业中的应用案例。永洪旗下Yonghong Z-Suite套件包含了具备AI能力的深度分析模块，已经支持95%以上的常用算法。截至目前，已有不少客户在这一平台上开展自己的AI工作，并取得了一定的成果。
Yonghong AI能够从海量数据中挖掘出数据价值，帮助企业了解现状、预测未来，做出科学的经营决策。
Yonghong AI产品架构
下面这张图是永洪科技深度分析产品架构图，包括三层：
计算层：基于永洪的MPP数据集市及R，通过列式存储、分布式计算、内存计算等方式保障计算性能；
建模层：在做深度分析应用时，会面临着各种数据准备过程，通过“可视化流程式建模”的方式，快速实现数据准备；
算法层：基于建模层准备后的数据，可以作为深度分析的入口，通过逻辑回归、决策树、K-means聚类、关联规则、时序预测、R模型等算法模型，完成深度分析应用。
Yonghong AI产品架构
深度分析的原理和应用步骤：
第一步：按照业务需求，对接数据；
第二步：经“可视化流程式建模”完成数据准备，准备后的数据作为深度分析的入口；
第三步：通过可视化拖拽的方式，选择合适的算法与模型，完成深度分析应用，比如将数据集自动拆分成测试集和训练集，选择特征值、构建算法模型、对模型评分等；
第四步：输出深度分析数据应用结果，应用于可视化分析，指导业务决策等。
Yonghong AI产品定位
Yonghong AI产品定位包括以下几个方面：
定位1：降低AI应用门槛
过去，企业在做深度分析的时候，需要借助IT部门及专业的数据挖掘人员，往往过程耗时长。在永洪平台中，具备自服务数据准备功能，能够更便捷的帮助业务人员完成数据准备。之后，基于可视化拖拽的方式，就可以完成深度分析应用及模型的检验，普通业务人员经过简单培训后即可操作。
降低AI应用门槛
定位2：提升计算性能
在深度分析的应用过程中，用到比如K-means、关联分析、决策树等算法时，如果数据量比较大，基于R或者其他工具，可能需要等待很长的时间，效率低。基于永洪MPP，可以将数据分散到多台服务器开展并行计算，大大的提高了计算性能，减少了用户等待的时间。
定位3：一体化
永洪打通了数据接入、自服务数据准备、可视化分析、深度分析的全链条。用户通过可视化方式接入需要分析的数据，完成数据准备后，即可进行深度分析，得到预测分析结果后，可以制作数据报告。具体如下：
自服务数据准备与深度分析结合；
深度分析算法产生的数据结果复用；
BI与深度分析深度结合，做联动分析。
定位4：高扩展
不同的行业，不同的客户，我们都会面临着定制化和个性化的需求，在算法支持上（包括逻辑回归、决策树、K-means聚类、关联规则、时序预测等算法），我们将95%以上的常用算法做成了标准化的产品功能，用户通过拖拽操作即可完成。如遇到一些定制化算法的时候，可以快速引入第三方R算法包，满足企业个性化和定制化的需求。
下面我将为大家分享几个基于永洪深度分析产品，我们做过的一些成功案例。
Yonghong AI产品应用案例
案例1：核电站设备检修预测
背景：核电站柴油机及各控制系统使用大量的继电器实现控制，在运行过程中发现部分继电器不可靠。为提高继电器的可靠性，需对继电器进行预防性维修，及早剔除不合格或者接近不合格的继电器。
我们的解决方案是通过对测点收集的数据进行预处理及数据探索，并根据历史积累的训练数据，建立分类模型，从而更智能地判断继电器是否合格。
模型评估：在训练集和验证集上，模型分类的准确率分别为92.9%和83.3%。说明模型分类效果良好，不存在明显的欠拟合或过拟合现象。
模型评估
案例2：公司财务预算决策
背景：根据财务活动的历史资料，考虑现实的要求和条件，对企业未来的财务活动和财务成果作出科学可预计和测算。测算各项生产经营方案的经济效益，为决策提供可靠的依据，预计财务收支的发展变化情况，以确定经营目标。
通过历年的财务数据，建立时序预测模型：
时序预测模型
根据历史数据预测的拟合情况，预测未来一年的财务状况：
图中蓝色的点为每月的实际收入，灰点为模型预报的数值；
从图中可以看到整体趋势在逐年递增，每季度末都会有指标冲高的情况，以年底冲指标尤为明显；
模型也很好地拟合了这些规律；
2016年12月发生了比较大的波动，实际收入明显低于同期水平，可能是受到政策或宏观经济环境的影响。
财务预测实际值与预测值比对
案例3：电网运维预警分析
背景：供电公司需要对电网维护进行预测指导，根据台区负载率、及当时所处气温、负荷性质等因素，预测未来1周可能会出险台区的人员调度安排。
我们的解决方案是通过对历史数据的预处理计算负载率，通过时间预测模型对历史数据进行训练，并根据历史数据拟合情况对未来一段时间进行负载预测，MAPE值<20%时说明预测结果较为准确。
下面这张图是我们当时在做的深度分析实施步骤：
永洪深度分析实施步骤
最后结合预测结果，通过BI展现，更好的将预测结果呈现在用户面前。
预测结果
永洪的AI产品应用领域，目前已经覆盖了金融、保险、零售、互联网、交通物流、运营商、制造、公安、教育等行业。
Yonghong AI应用领域
产品层面，我们会做的更易用、更实用；服务层面，我们基于行业专家、行业经验积累，成熟的数据应用体系，给客户带来更多的价值。今天我的演讲就是这样，谢谢大家。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：[email protected]