文 | Martin & Dr. Gu（著作权归作者所有-小哈公社平台首发-转载或引用请注明出处）
各位读者，本期我们隆重介绍人工智能领域专家，机器深度学习（神经网络）博士后，瑞典ContextVision公司科学家顾峰博士，一起来介绍有关人工智能-机器学习的基础，以及SAP机器学习相关的产品应用。
人工智能认知 （机器学习-深度学习）
人工智能（Artificial Intelligence – AI）指的是机器智能的研究领域，它自20世纪50年代以来一直是计算机科学中最激动人心的课题之一。人工智能的传统目标包括推理，知识表示，计划，学习，自然语言处理，感知以及移动和操作对象的能力。
21世纪，由于计算机硬件，大数据和理论知识的最新发展，人工智能领域一直在技术行业处于领先地位。机器学习是人工智能的重要组成部分之一，它涉及教会机器学习能力。学习过程是通过程序开发由驱动算法来完成的将输入的数据映射到某些输出目标的数据。映射通常由一些将输入数据转换为输出目标的数学函数来定义。映射函数的最佳参数可以通过应用优化程序来找到，该优化程序能够在有限的时间内完成搜索（而不是蛮力）。机器学习研究在2000年之后在产业界迎来了真正的爆发期。
资料来源：机械工业出版社
被称为“深度学习”的机器学习子领域正在成为最受欢迎的技术，它在几项任务中产生了比人类更优越的性能。深度学习或深度神经网络（DNN）与人工神经网络（ANN）具有相同的原理，这些原理已经发展了30多年。
由于以下原因，DNN已成为众人关注的焦点。
首先，计算机硬件，尤其是图形处理单元（GPU）在近年来在并行计算方面已经取得了显着进步。像AMD Ryzen这样的典型台式中央处理器（CPU）具有大约16个内核，每个内核可以相当强大的进行计算。Nvidia GTX 1080Ti GPU拥有超过3,000个CUDA核心，每个核心的计算能力都比CPU核心低得多。在涉及数千个简单沉溺性操作的情况下，如DNN，GPU可以更快地完成所有操作。此外，诸如亚马逊网络服务（AWS）和Alibaba Could等云计算已使高性能计算（HPC）更容易访问，任何具有互联网连接的人都可以使用此类云计算服务。
其次，大数据的可用性，例如，ImageNet拥有从Flickr收集的1400多万个图像，其中有1000个不同的对象类别。深度学习的研究人员已经能够在这样的大图像数据集上训练DNN以进行图像分类。目前最先进的深度学习模式已经大大超越了人类。
最后，这些理论的最新发展为DNN的成功做出了贡献，引入了卷积神经网络（CNN）和递归神经网络（RNN），它们提供了比传统ANN更高效，更有能力的人工智能网络体系结构。
人工智能应用
如果有计算设备，从超级计算机到智能手机，人工智能几乎可以应用到任何地方。大型科技公司，例如Google，Facebook，微软，Nvidia，百度，阿里巴巴等已成为人工智能技术应用于每个人日常生活的主要推动力。AI最主要的应用领域是计算机视觉（CV）和自然语言处理（NLP）。计算机视觉旨在教授计算机以获得对数字图像和视频的高度理解，而NLP则涉及编程计算机以处理和分析大量的自然语言数据。
资料来源：机械工业出版社
计算机视觉（CV）领域研究在过去的十年中一直在努力，主要得益于人工智能的发展以及更深入的学习。与人类相比，DNN方法在许多CV任务中产生了优异或相对接近的性能，如图像分类，目标检测和跟踪，语义分割，三维重建，人类活动分析等。在图像分类任务中，计算机需要知道图像中的对象是什么。一个应用程序是带有一些关键字的，如Google搜索的返回图像，其中所有图像都由Google的图像分类软件进行了高级标记。对象检测和跟踪涉及在场景中检测感兴趣的对象，并在视频中跨帧一致地跟踪它们。一个新兴并且处于风口的应用是自动驾驶汽车，例如在特斯拉汽车中，其中部署了多台摄像机来检测和跟踪行人和其他汽车的适当回避。图像分割是指密集预测，它将图像中的每个单个像素分类为一个感兴趣的类。三维重建从RGB图像或RGB和深度图像的组合（如Microsoft Kinect设备中）创建对象的三维结构。一个有趣的应用是客厅的装修，用户只需使用他的智能手机拍摄房间照片即可。该种软件可以自动找出天花板，墙壁，地板和家具的位置。然后，用户可以更换墙纸和家具，以便在网上商店购物之前可视化重新装修过的房间。人类活动分析需要对人类活动，人与人之间的相互作用以及场景中的人与物相互作用有高度的理解。人类活动分析的主要应用之一是监视，其中部署了摄像机网络以覆盖不同的室内和室外环境，例如在发现可疑活动时发出警报。
自然语言处理（NLP）包含以下主要挑战：语音识别，自然语言理解和自然语言生成。语音识别涉及将口语与文本进行识别和翻译。自然语言理解是解释文本并找出语言意义的下一步。自然语言生成是指从机器学习表示系统生成自然语言。在解决了所有三项任务之后，人类可以开始与机器进行对话。例如Google智能助理，您可以每天询问天气情况，日历中的日期等等，并且能够识别您的语音，了解其语言含义并做出适当的回复用语言回答你。一个更新的和先进的应用程序是在Google IO 2018上展示的Google Duplex。它在舞台上演示了为用户预约剪发，Google AI能够与理发师进行类似和复杂的对话。最后，理发师甚至没有意识到她一直在跟人工智能机器交谈。
另外，传感设备和通讯技术的不断进步（请回顾上一篇文章-云端美景四），使得拥有人工智能机制的机器人或自动化产业也在蓬勃的发展。与工业物联网企业分布对应，中国的机器人研发与制造产业群也主要集中在环渤海和山东半岛及长三角等资产，科研，人力资本密集区域。
资料来源：机械工业出版社
最后伴随着中国产业升级，动能转型等大政策，企业服务、商业解决方案等ToB业务汹涌而至，这其中的智能应用更是可以深入到企业管理的各个范畴，例如，市场，销售，设计，运营，物流，财务，人力资源等。
基于Forrester在2017对14家供应商采用的23项评估，在整个商业智能和分析市场中，预计到2021年，支持机器学习的数据科学平台（Data Science platform）将达到13%的复合年均增长率。其价值将从2017的30亿美元增长到2021的48亿美元。其中SAS、IBM和SAP领导了预测分析和机器学习市场。预测表明，预测分析和机器学习市场（the Predictie Analytics & Machine Learning market，PAML）将在2021年以21%的复合年增长率增长。
SAP机器学习（应用实例）
下图我们列举了S4HC （与S4HANA同代码）业务模块，在结合SAP Leonardo机器学习等智能组件，从而产生新的智能应用。
SAP财务+ Leonardo机器学习= SAP Cash Application
这款应用自动将收款与未清应收账款进行匹配。它提高了传统上劳动密集的清算流程效率，几乎没有用户交互需要被执行。该应用程序利用机器学习来轻松设置并提高自动匹配率。
应用特点：
目前，传统SAP自动匹配方法的匹配率从30％到90％不等
基于传统SAP自动清账规则解决方案需要大量的实施和维护工作来保持良好的自动化水平
应用机器学习可以通过自动执行繁琐和重复的手动任务来提高流程效率，从而提高服务质量和会计工作效率
提供比传统方法更高的自动化速度- 无需配置
使得财务人员专注于战略任务和服务质量
改善销售未清项目状况
SAP财务+ Leonardo机器学习= SAP Remittance Advice
此应用通过从非结构化资料（电子邮件，PDF，纸张等）中自动提取有关付款的附加信息并大大降低手动工作量，并使用它来辅助自动执行结算流程。
无需手动输入客户汇款通知
使信息可直接用于SAP应用程序中进一步自动处理
减少人工操作和错误，并集成进一步的流程自动化程序，例如SAP Cash Application
接下来我们具体举例S4HC最佳业务方案Cash ApplicationIntegration (1MV) 来介绍一下Automated Payment Advice Processing with SAP Leonardo
传统的工作模式- 应收账款会计花费大量时间收集、分析和过账客户汇款通知信息。这些信息与各种其他邮件以各种格式一起送达收件箱，例如文本文件，截图，电子表格和PDF。这是一个强度非常大的劳动，容易出错且重复低附加值的任务。
使用S/4HANA Cloud自动清账并集成云计算学习服务- SAP Leonardo 机器学习。它通过从非结构化信息，如PDF文档中自动提取有关付款的附加信息并使用它来自动执行结算流程。
在接收到汇款通知信息后（邮件，PDF，纸张），Remittance Advice Extractor获取相应信息，形成报告形式（Record to Report），待人员确认后，系统将与银行对账单，客户放票进行匹配，符合标准清账规则的数据可以处理，同时无法找到系统标准规则的记录将通过Cash Application智能程序进行匹配处理。
Remittance Advice Extractor抓取PDF信息
Cash Application机器建议清账
根据SAP公司在全球客户的实测情况，Cash Application的建议率从56%-98%，具体取决于客户财务标准和国家票据规范。值得肯定的是其中建议的准确率达到95%以上，这已经远远超过人工清账的准确率。
Cash Application产品，还处在发展阶段，当然还存在一些限制条件。总体的智能应用发展方向是我们所有企业咨询和信息服务从业人员一致高度认可的。
SAP寻源采购+ Leonardo预测分析= Predictive Analytics for Contract Consumption
此应用可以预测物料到期或总消费量，以便与供应商进行有效的谈判。
预测购买合同将100％消耗
当到期时重新谈判采购合同
提前预计到期或总消耗
与供应商的有效谈判
SAP物料管理+ Leonardo预测分析= Predictive Analytics for Stock in Transit
此应用可以预测在途库存的交货时间，以实现更可靠的计划，精确实际交货日期。
根据时间表跟踪物料在途/未完成的库存运输单
确定交货日期与预测明显时间差异的项目
根据经验数据调整时间表
实现整体运输过程中更可靠的计划/时间表
SAP财务+ Leonardo预测分析= SAP Business Integrity Screening
此应用基于历史数据识别潜在欺诈行为，预测算法提高了欺诈警报的准确性。
能够专注于欺诈案例和投资回报率最高的案例
与SAP HANA集成以降低总体获得成本，实现时间价值
依照欺诈模式的演变来更新模型
自定义第三方算法为客户的业务进行优化
SAP资产管理+ Leonardo IoT及科学服务预测分析= SAP Predictive Maintenance & Service
此应用从资产的全视角学习并预测未来的资产健康状况。
降低维护成本
提高资产有效性和盈利能力
启用新的（服务）商业模式
与SAP S/4HANA Cloud集成，实现无缝的端到端流程
总结
SAP在商业领域的智能应用，就是通过云ERP和Leonardo产品相结合，最终达到先进管理目的：例如了解业务环境，并主动提出使用预测功能解决方案；实现会话界面使用自然语言处理功能，专注于下一代用户体验，创造类似人类的体验；允许AI应用跨平台无缝转换，在移动设备上启动任务并在稍后的桌面上继续操作；使用机器学习功能根据历史数据、经验获取知识，并针对新的或不可预见的事件采取行动；整合到SAP和非SAP解决方案，通过API简单访问自然语言处理和机器学习功能。
后记
感谢各位读者的关注，本期文章是我们“云端美景“系列的收官之作。三个月五篇研文，为大家介绍了云计算，大数据，物联网，人工智能并着重展现SAP S/4HANA Cloud云ERP产品的应用。希望对各位有所帮助。
我们相信未来社会的技术发展方向和机会领域已经清晰地展现在你我眼前:
社交数据和媒体交互的数字化以指数的速度增长；区块链作为去中心化的连接是信用基础；移动互联，物联网能够立即访问每个“事物”；内存计算改变计算速度并提供实时洞察；大数据和机器学习通过预测模型改变如何进行数据分析；利用商业存储实现云端数字化，并按需扩展按需计算。我们会和大家一起努力在这些领域探索和钻研，希望在不久呈现新的文章系列。
作者简介：
高星先生（Martin）是澳大利亚GZ Solutions商业咨询有限公司执行董事，NTTDATA澳洲公司高级顾问-解决方案架构师。英国华威大学制造业信息技术硕士学位，曾任职埃森哲，IBM，汉得等国内外知名咨询公司，从事SAP咨询服务12年。现专注云ERP咨询与推广。
顾峰博士（Dr. Gu）是瑞典ContextVision公司人工智能科学家。英国华威大学制造业信息技术硕士学位，英国诺丁汉大学计算机科学博士学位。顾博士曾在利兹大学，Kingston大学从事博士后研究，擅长领域机器深度学习-神经网络，计算机视觉-影像识别。
参考资料：
《Intelligent Digital Core with Machine Learning》
《an Intelligent Digital Enterprise with SAP S/4HANA and SAP Leonardo》
《Markets and Markets》, Global Marketing Research
福布斯：2018机器学习与人工智能市场评估与预测
SAP AG website
SAP JAM
《SAP S/4HANA Could：案例，功能和可扩展性》