827 财富空间解读行业人工智能技术的应用及万亿级潜在价值.docx

827 财富空间解读行业人工智能技术的应用及万亿级潜在价值.docx

《827 财富空间解读行业人工智能技术的应用及万亿级潜在价值.docx》由会员分享，可在线阅读，更多相关《827 财富空间解读行业人工智能技术的应用及万亿级潜在价值.docx（10页珍藏版）》请在冰豆网上搜索。

827财富空间解读行业人工智能技术的应用及万亿级潜在价值

【财宝空间】解读行业人工智能技术的使用及万亿级潜在价值

微信号ai-cps

功能引见OT技术（工艺+精益+自动化+机器人）和IT技术（云计算+大数据+物联网+人工智能）深度融合，在场景中构建：

形态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知系统，实现产业转型升级、DT驱动业务、价值创新制造的产业互联生态链。

2018-12-17原文

收录于话题

人工智能为分析技术贡献了40%的年度价值，加起来每年可制造3.5万亿到5.8万亿美元的潜在价值，相当于各个行业（2016）年度收入的1%到9%。

——麦肯锡  

麦肯锡在2018年4月发布的《数百个人工智能使用的前沿观点的案例笔记》（NOTESFROMTHEAIFRONTIERINSIGHTSFROMHUNDREDSOFUSECASES）中，对AI技术在在能源、先进电子器件/半导体等19个行业、9种业务功能的400+用例及其产生的经济潜力进行探讨。

本文从AI技术与使用、AI潜在价值、AI进展所面临的挑战三个方面对报告次要内容进行梳理。

1

AI技术与使用情况

当下衰亡的人工智能，次要就是大规模的深度学习。

麦肯锡报告中提到的AI技术，是指使用人工神经网络的深度学习技术与其他机器学习等概念。

具体来看，神经网络有三类次要形式：

前馈神经网络，循环神经网络与卷积神经网络。

其他机器学习概念从算法的类型来看，常见的机器学习算法有：

决策树算法（接受树状结构建立决策模型）、回归算法（对连续值猜测）、分类算法（对离散值猜测，事前已经晓得分类）、聚类算法（对离散值猜测，事前不晓得分类）、集成算法（集成几种学习模型），其他机器学习又分为两个重要技术：

生成对抗网络（GANs）和强化学习。

>>不同类型实际问题涉及的分析技术

分析技术：

从经典到前沿

基本上，分析技术在不同业务类型中可以处理多种实际问题，例如：

∙分类（Classification），即依据一组训练数据，将新输入的数据进行分类的业务，次要任务为识别特定物理对象（如卡车、汽车、生产线上接受质检的产品等）的图形；

∙连续评估（Continuousestimation），即依据训练数据，评估新输入数据的序列值，常见于猜测型任务，如依据销售数据、消费者态度、天气等数据来猜测消费需求；

∙集群（Clustering），即依据任务数据创建系统单个组类别，案例有，基于个人数据的消费偏好；

∙其他优化（Allotheroptimization），即系统依据任务产生一组输出为特定目标的函数优化结果，案例有，基于用户（时间、费用、偏好等）需求的最佳交通路线推举；

∙特别检测（Anomalydetection），即依据训练数据/历史相关性推断输入数据能否特别，本质上是分类功能的子范畴；

∙排序（Ranking），常见于信息检索问题，即基于检索需求依据某种排序标准呈现结果，比如供应产品购买推举等；

∙建议（Recommendations），即依据训练数据供应建议，比如依据个人购买历史行为推举“下一个产品”；

∙数据生成（Datageneration），即依据训练数据生成合适的新数据，用例包括音乐创作等，即依据音乐素材在特定风格下创作出新的音乐片段。

AI技术与对应的问题类型

>>19个行业与9大业务功能使用AI相关分析技术的热力图

从上图可以看出，目前19个行业仍旧偏重传统的分析技术，其中又以决策树算法、分类算法与回归分析三种技术的使用频率最高；保险业是使用此三种技术案例最多的行业；此外，回归分析在先进电子器件/半导体行业中使用最多。

至于19个行业所使用的机器学习相关技术的频率，以前馈神经网络（FFNN）最为普遍，其次是循环神经网络（RNN），其中又以汽车、银行、保险、零售使用的频率相对较高。

另外，就9大业务功能来看，营销和销售、供应链与物流管理是使用AI相关技术频率最高的前两项业务功能。

营销与销售使用以FFNN最为普遍，其次是RNN以及强化学习技术。

供应链与物流管理则是以FFNN、CNN与强化学习三种技术为主。

2

AI潜在价值

>>AI无望制造3.5万亿至5.8万亿美元的潜在价值

在旅游、交通、零售、汽车、高科技、能源、化工、消遣传媒、基础材料、消费品、农业、银行、医疗系统与服务、公共部门、通讯、医疗制药、保险、先进电子器件/半导体、航天与国防这19个行业中，人工智能的引入，可以制造3.5万亿到5.8万亿美元的潜在价值，包括更有价值的产品和服务、收入的增长、成本的节省、消费者剩余等。

这相当于全体分析技术价值规模（9.5万亿到15.4万亿美元）的40%，相当于各个行业（2016）年度收入的1%到9%。

>>AI最有潜力影响在营销和销售、供应链管理和制造环节

AI技术对九大业务功能制造的潜在价值估量

依据麦肯锡的报告，在企业的九大业务功能中，AI最有潜力影响在营销和销售、供应链管理和制造环节，每一年AI带给营销与销售所产生的新增价值高达1.4万亿到2.6万亿美元。

其次，AI分析技术还将用于各个行业的风险管理，如矿业公司猜测生产中缀风险，实现更无效的勘探、钻探和开采规划等。

此外，AI还可制造新的产品和业务模式，如用于银行客户类型识别，可以无效改进的欺诈检测。

另外，AI分析技术带给供应链管理和制造环节1.2-2.0万亿美元的新价值，次要利用生成模型优化端到端的供应链等，或者是通过机器学习对现有的设备系统进行猜测性维护，无效的降低各种成本，提高生产效率。

下面共享一个猜测性维护的使用案例

传统系统，已经能够对传感器时序数据，包括检测温度、振动形态等，进行分析，实现猜测特别检测和猜测维护（对组件的剩余使用寿命做出猜测）。

但深度学习将这个功能带到了一个新的高度：

可以对数据进行分层，从而分析海量的、高维度的，包括图像、音频等各种形式的传感器数据，一些原先不适用的低质量数据（来自廉价的麦克风和照相机）也能被用起来。

在被调研的案例中，这种基于AI技术的猜测维护（近程机载诊断技术），可以挂念企业削减停机时间，制定无方案的干涉措施，提高产量，并降低运营成本，对应的经济价值约为总销售额的1%到2%。

在货运飞机的案例中，AI技术加持的猜测修理，能够延长飞机寿命。

由于相比于传统模型，它能更无效的结合平面模型数据、维护历史、物联网传感器数据（包括发动机振动数据、发动机情况的图像和视频等）。

3

AI进展所面临的挑战

虽然人工智能有宽敞的进展前景，但是要达到每年制造3.5万亿至5.8万亿美元的潜在价值之前，照旧面临着诸多的挑战与限制。

从数据层面来看，面临着五大限制与挑战：

1.训练数据的标记需要人工化，否则难以猎取足够大且全面的训练材料集，特殊是用于猜测医治方案效果的临床数据；

2.模型透亮     度有待提高，例如疾病诊断过程中，AI可以利用患者数据来得出诊断结论，但无法解释这一结论是如何一步一步得到的，此将直接影响汽车、医疗领域的使用；

3.机器学习缺乏可概括性，难以从一个使用直接复制到另一个相像的使用，这意味着企业需要投入大量的资金来训练新模型；

4.数据和算法存在偏差的风险，如不同的社会文化的差异等，可能需要更广泛的步骤来处理；

5.人工智能存在恶意使用的问题，包括黑客的攻击和欺诈性的视频等平安威逼。

考虑到数据的重要性，对于企业和组织来说，制定数据策略，建立数据中心（或者说选择云供应商）、储备专业人才，至关重要。

在技术开发方面，企业或组织必需开发出健全的数据维护和管理流程，实现现代的软件开发规范。

最具有挑战性的是克服“最终一公里”的问题，确保人工智能能够落实到企业的业务流程以及产品和服务中。

材料来源：

McKinseyGlobalInstitute（MGI）,“NOTESFROMTHEAIFRONTIERINSIGHTSFROMHUNDREDSOFUSECASES”,April2018.

封面图源摄图网

工业互联网