读过该系列第一篇文章的朋友应该对企业软件市场的发展有了一个概况的认识,这次分享我将着重谈一下当下无法回避的一个热门话题——人工智能技术的应用。
就像我之前描述的那样,人工智能发展经历了漫长的周期,从实验室的“数学模型”和“Python程序”逐步走向了工业界。当然从历史经验讲,任何技术都将从默默无闻到狂热再回归到“冷静”。目前人工智能技术还在“风口”上,但是显然已经过了“蜜月期”,各种现实的问题接踵而来,认人不禁担忧AI会不会像VR(虚拟现实技术)一样掉下神坛, 并逐步远离人们的视线。一个有趣的生活中的现象是,2016年左右的时候,买一个三星、暴风科技的头盔似乎是种时尚,记得朋友到家里来玩的时候为此沉迷了一个下午。2018年的时候,买个小度或者小米音箱送朋友显得很有科技感,面子十足。不过最近似乎这两样科技产品都没那么“时髦”了。
此外,印度工程师AI优先的软件设计理念导致波音飞机的致命缺陷多多少少会让人对AI系统的安全性产生担忧。AI引发潜在的数据滥用和隐私侵犯也是一个亟需解决的问题。
不过任何事情都是有两面性的,这个阶段至少可以让投资人和从业人员静下心来,一起探讨和评估AI技术和需求落地的可能性,找寻成功率最高的战术,为终局之战做好准备,是不是某种情节和复仇者联盟里的场景有某种相似~
回到我们身边的人工智能应用,主要集中在互联网服务,娱乐,安全,无人驾驶,医疗诊断等领域。比如常见的人脸识别检测设备,娱乐机器人以及工业自动化机器人等。电商智能客服行业的兴起,让用户可以随时咨询购物的相关问题,甚至通过聊天窗口直接下单,无疑提升了购物体验和效率,从某种程度上也促进了商家的销售。此外人脸识别技术在支付领域的应用,让用户出门连手机都不用带了,极大的提高了支付的便捷性。
上述应用或多或少正在改变我们的生活或者工作方式。 从企业级应用层面,人工智能的主要价值在于降本增效,同时降低人工操作的错误率。这里要指出的是,人工智能技术的主要存在形式本质上是一个部件或者一种服务,而不是一个完全闭环的产品。这也决定这人工智能技术的应用必须基于企业现有的业务,或者说和企业现有的产品和服务是一种相互结合和彼此增强的关系。所以我们更多的思考应该是如何将人工智能技术嵌入到企业自身的业务和IT服务中。而不是脱离实际业务场景和现有数据空谈AI,这样只会导致缘木求鱼,甚至涸撤之鱼的结果。
接下来,我将重点结合聊天机器人在企业软件中的应用现状,具体剖析下人工智能技术如何在企业应用场景中落地。
面对自然语言处理、机器学习、知识图谱和图像识别技术的成熟,企业级市场的需求点也逐步开始显现。企业级聊天机器人在当下这个历史阶段被推上了风口,大有取代企业级移动应用的趋势。这里所谈的企业级聊天机器人和面向大众的娱乐陪聊机器人不同,主要面向企业内部的场景和数据,类似于企业员工虚拟助手,可以满足企业员工的日常工作需求,形成统一化的企业内部知识库,自动为员工提供咨询服务,解放行政、人事、财务等部门所有员工重复咨询的工作时间,提高服务部门工作效率,减少人力运营成本。同时差旅智能聊天机器人助手可以满足员工从出差到预定机票,直到报销费用的完整闭环流程。
另外该项技术可以和运维行业结合,根据上下文调度和执行自动化任务,实现巡检、作业、交付、工单等联动场景。与机器学习技术的结合甚至可以完成自动分析日志信息,并自动匹配解决方案的目的。
从上述的例子中,不难看出,企业级聊天机器人作为统一的跨渠道聊天界面,除了增强用户体验外,也可以有效的提升工作效率。当然,真正促使企业级聊天机器人落地的因素除了企业现有的知识库和数据外,还需要和业务系统进行有效的对接,以及引入流程自动化和机器学习等相关技术。
不难想象,未来的企业信息化场景中,员工将不再为找应用入口、找咨询入口、找知识入口而花费大量精力。企业职能部门也不用花费大量的时间为员工提供重复咨询,可以将时间投入到更有价值的事情上。
作为一个传统行业或者互联网行业人士,目前思考的主要问题应该是如何将AI技术和服务整合到自身现有的产品和服务上,来提升传统行业的竞争力。而作为AI行业从业人员,则应该多思考如何通过技术提升客户现有服务的体验,达到双赢的局面。
具体的主导关系应事而异,不过和传统企业软件行业产品或者项目管理模式有些不同的是,企业应用行业只要画出原型图,开发基本可以根据设计完成软件的开发,而AI行业则存在着不可预知性,需要反复多次优化,甚至还涉及数据标注等脏活累活,达到设定的预期需要不断的实验,无法简单的采用瀑布流的工作方式。
这点可以类比实验室做研究课题的流程: 一般情况是,导师给出课题方向后,博士生开始撰写模型和算法,然后硕士生编码做实验,而本科生一般会参与数据标注和整理的工作。整个过程其实是一个反复迭代的过程,导师给出课题的同时,也会给出可能的结果预期。撰写模型算法的人也会给出大致的数据分析要求,不过最终这一切都需要通过实验来反复验证,甚至推翻重来。当结果有偏差时,需要分析原因,调整模型和算法的同时,优化数据集,最后通过可视化的图表呈现出实验结果,然后交由导师来评判和决定下一步的实验方向。所以往往导师的经验和眼界决定了课题的质量,但是学生的快速实验可以让导师快速得到反馈。
整个过程充满变数,而且具有不可预知性,没有人可以保证实验结果一定会符合预期,同时实验过程中间存在着大量的沟通,协作甚至短暂的失败。我记得自己做课题的时候,直到发表前的一个月,还是和导师预想的结果不一致,当时第一反应是算法和实验方法不会错了吧。但是导师的一句话让我至今记忆犹新“你只管按照实验方法去做,然后把结果真实的记录下来就可以了”。
从追求效益的产业角度来说,这种观念似乎和当下有点背道而驰。一种不好的现象是,整个产业界有时过度宣传产品的价值和质量,过分强调销售和推广,而忽略核心的研发过程和工艺。当然这点绝不限于AI行业,很多行业,包括制药保健品行业也存在急功近利的现象。
事实上,很多目前AI行业的专家还是有着相关的高校背景,同时又有着产业界的经验。比如行业顶级专家,斯坦福的李飞飞教授曾短暂的在谷歌就职,而另一位权威吴达恩教授曾在百度担任首席科学家。通过学术界和工业界的碰撞,势必将产业需求和AI技术现状进行很好的融合。相信在各方面共同努力下,AI产业未来会扮演越来越重要的角色。
不用多说,阻碍这个行业最大发展的是人才之争,在中美科技战的背景下,科技人才的数量和质量某种程度上决定了一个国家的未来。针对企业级应用市场来说,AI人才的获取将决定企业产品和服务的竞争力。当下,大部分AI人才基本集中在高校、人工智能公司和互联网公司等。企业软件市场由于待遇,发展前景以及技术积累等方面还是相对处于劣势,吸引高科技人才缺乏竞争力,需要迎头赶上,否则未来很难取得快速发展。
笔者认为,除了吸引外部优秀的AI人才外,内部培养也不失为一个较好的选择。当然此话说起来容易,具体操作起来很难。因为AI行业对人才的培养周期较长,需要有良好的专业理论基础和教育背景,而非普通培训的方式可以快速形成。
另一个原因用中国古话来说就是“人以群分,物以类聚”。从侧面也说明AI研发的投入除了企业战略上的重视,也需要注重公司整体的技术氛围和学习风气,否则很难凝聚高水平的人才团队。从人才构成角度上将,需要有一定的梯度和差异,既需要有算法理论上的行业专家和顾问,也需要有工程类的实践人才,同时更需要有人将业务需求,AI技术结合起来,对行业现状有清晰的认识,知道目前阶段有哪些业务是当下技术可以解决的,可以从内部和外部物色和培养哪些人才来投入研发。反之,有哪些场景目前自身还不能够完成,但是可以通过先和相关高校或者企业进行合作来快速实现业务推动等。
无论如何,企业软件市场逐步走向智能化将是一个不可避免的趋势,相关行业从业人员和公司如果不想在这个阶段掉队,需要尽快在人工智能领域找准自身定位,提前布局。过分吹捧或者怀疑人工智能技术当下和未来对企业软件市场的改变都是不可取的。很多年以前,谁能想到云计算会从一种概念变成当下企业软件的主流趋势呢?
本文具体分析了企业应用和人工智能产业结合的一些关键要素,从行业整体现状,流程和人才培养上提供了一些可以思考的要点,同时以企业级聊天机器人为例,阐述了具体的应用场景落地方式,希望对读者有一定的启发和借鉴作用。