5月3日消息，獲悉，“2018大數(shù)據(jù)產(chǎn)業(yè)峰會(huì)”明略數(shù)據(jù)、秒針系統(tǒng)創(chuàng)始人兼董事長吳明輝在會(huì)上表示：“面向AI的數(shù)據(jù)治理，是在傳統(tǒng)數(shù)據(jù)治理基礎(chǔ)上，利用知識(shí)工程相關(guān)技術(shù)，對(duì)信息按知識(shí)結(jié)構(gòu)進(jìn)行管理、分類和關(guān)聯(lián)，將龐大無序的信息進(jìn)一步治理為分類有序互相關(guān)聯(lián)的知識(shí)，最終形成行業(yè)知識(shí)圖譜?！?/span>

對(duì)于各行各業(yè)都在進(jìn)行數(shù)字化轉(zhuǎn)型，他認(rèn)為這三點(diǎn)是落地的關(guān)鍵：

第一，要把行業(yè)的各種數(shù)據(jù)進(jìn)行在線化，全部都連接到一起。

第二，要把數(shù)據(jù)連接后做數(shù)據(jù)挖掘，做人類自己可以力所能及做的分析與研判。

第三，當(dāng)我們做好了面向AI的數(shù)據(jù)治理，做好了數(shù)據(jù)挖掘，并且真正形成完整的閉環(huán)，才能實(shí)現(xiàn)人工智能落地。

企業(yè)需要面對(duì)真正的人工智能時(shí)代的數(shù)據(jù)進(jìn)行規(guī)劃，進(jìn)行數(shù)據(jù)的整合與融合。如果不面向人工智能的目標(biāo)提供數(shù)據(jù)的整合規(guī)劃，數(shù)據(jù)就有可能成為成本中心，沒有辦法真正的創(chuàng)造價(jià)值。

人工智能背后需要數(shù)據(jù)，但光有數(shù)據(jù)產(chǎn)生不了任何價(jià)值。只有把數(shù)據(jù)在產(chǎn)業(yè)里形成最終的智能，賦能于行業(yè)里的每一個(gè)從業(yè)者才會(huì)產(chǎn)生價(jià)值。數(shù)據(jù)沒有價(jià)值，數(shù)據(jù)加上行業(yè)場景與認(rèn)知最后變成人工智能產(chǎn)生最終的賦能，它才會(huì)創(chuàng)造出價(jià)值，才會(huì)有意義。

此外，他透露明略聚焦三個(gè)領(lǐng)域，安防、金融、工業(yè)與物聯(lián)網(wǎng)，將數(shù)據(jù)知識(shí)化存儲(chǔ)下來，通過很多規(guī)則與算法嫁接到人工智能的規(guī)則算法，形成人機(jī)同行時(shí)代的頂級(jí)知識(shí)體系，從而實(shí)現(xiàn)人工智能在企業(yè)的落地。

以下是演講全文：

數(shù)據(jù)應(yīng)該是企業(yè)的核心資產(chǎn)，而不是成本中心

各位來賓，大家下午好！很榮幸今天到現(xiàn)場與大家分享關(guān)于人工智能和大數(shù)據(jù)的思考。

我經(jīng)營兩家企業(yè)級(jí)服務(wù)公司，看到很多企業(yè)講如何數(shù)字化轉(zhuǎn)型，如何利用大數(shù)據(jù)與人工智能對(duì)企業(yè)做變革。路程非?？部馈Ｈ澜缣幱诮?jīng)濟(jì)轉(zhuǎn)型之中，中國很多企業(yè)成長伴隨著人口紅利，包括移動(dòng)互聯(lián)網(wǎng)紅利也有很好的成長。但今天人口紅利不再，如何在新的時(shí)代迎接挑戰(zhàn)？如何通過數(shù)字經(jīng)濟(jì)和數(shù)字化的方法優(yōu)化企業(yè)內(nèi)部效率？這是企業(yè)級(jí)服務(wù)幫助每一個(gè)客戶要解決的問題。

數(shù)字化轉(zhuǎn)型的過程并不順利，全世界的優(yōu)秀企業(yè)，通用電器、樂高、耐克都是我服務(wù)的客戶，他們的領(lǐng)導(dǎo)人非常有遠(yuǎn)見。在很多年之前已經(jīng)開始嘗試建立自己的數(shù)字化轉(zhuǎn)型策略，建立數(shù)據(jù)中心，存儲(chǔ)數(shù)據(jù)。通用電器非常早建立了工業(yè)互聯(lián)網(wǎng)云平臺(tái)Predix，但是在發(fā)展過程中，他們也不得不對(duì)數(shù)字化部門進(jìn)行裁員和架構(gòu)調(diào)整，遇到很多挑戰(zhàn)；LEGO早在2014年就推出了LEGO Digital Designer平臺(tái)，后來由于種種原因不再繼續(xù)，并重新調(diào)整了數(shù)字化戰(zhàn)略，在之后的數(shù)字化轉(zhuǎn)型中也遇到了銷量下滑、裁員等挑戰(zhàn)；耐克很早就通過智能手環(huán)采集消費(fèi)者運(yùn)動(dòng)數(shù)據(jù)，與運(yùn)動(dòng)產(chǎn)品連接，但最后也難免以裁員、重新調(diào)整數(shù)字化戰(zhàn)略收尾。數(shù)字化轉(zhuǎn)型之路沒那么容易，全球很多優(yōu)秀的企業(yè)都是在探索和試錯(cuò)中不斷前進(jìn)的。企業(yè)做很多投入，但投資者和資本市場對(duì)它沒有認(rèn)可，公司的股價(jià)持續(xù)低迷。董事會(huì)會(huì)質(zhì)疑這件事情有沒有價(jià)值，為什么數(shù)字化轉(zhuǎn)型沒有給企業(yè)產(chǎn)生新的利潤，而帶來了如此大的成本。每個(gè)從事行業(yè)的從業(yè)者一定要思考這個(gè)問題。

秒針系統(tǒng)十幾年前開始做數(shù)據(jù)挖掘，利用數(shù)據(jù)技術(shù)幫助企業(yè)做數(shù)字營銷的轉(zhuǎn)型。我們遇到很多問題，最大問題是如何把數(shù)據(jù)真正地利用起來？任何企業(yè)、任何組織，如果你把數(shù)據(jù)全部存下來需要巨大成本。如果沒有把數(shù)據(jù)真正用起來就是巨大的成本中心，把數(shù)據(jù)真正用起來才有可能創(chuàng)造價(jià)值。

以安防行業(yè)為例，全國各地部署攝像頭有很大成本，但成本能不能真正轉(zhuǎn)化成生產(chǎn)力？這是安防行業(yè)IT人員需要思考的問題，如何把成本中心轉(zhuǎn)化成利潤中心，轉(zhuǎn)化成真正對(duì)產(chǎn)業(yè)有價(jià)值的部分。人工智能背后需要數(shù)據(jù)，但光有數(shù)據(jù)產(chǎn)生不了任何價(jià)值。只有把數(shù)據(jù)在產(chǎn)業(yè)里形成最終的智能，賦能于行業(yè)里的每一個(gè)從業(yè)者才會(huì)產(chǎn)生價(jià)值。數(shù)據(jù)沒有價(jià)值，數(shù)據(jù)加上行業(yè)場景與認(rèn)知最后變成人工智能產(chǎn)生最終的賦能，它才會(huì)創(chuàng)造出價(jià)值，才會(huì)有意義。王堅(jiān)博士說在他加入阿里時(shí)，阿里所有的交易數(shù)據(jù)都刪掉了。但他加入阿里時(shí)說，馬老師，數(shù)據(jù)無論如何都應(yīng)該存下來不應(yīng)該再刪。不知道今天的數(shù)據(jù)有沒有價(jià)值，但我認(rèn)為有價(jià)值應(yīng)該存下來。王堅(jiān)博士在阿里被各種挑戰(zhàn)，你為什么存那么多的數(shù)據(jù)，為什么建阿里云。今天大家看到他取得的成就，其實(shí)過去很多年在集團(tuán)里備受挑戰(zhàn)。

數(shù)字化轉(zhuǎn)型沒有捷徑，需要一步步來，要不斷地解決挑戰(zhàn)，最終取得成功。今天各行各業(yè)都在進(jìn)行數(shù)字化轉(zhuǎn)型，但轉(zhuǎn)型需要企業(yè)經(jīng)營者和投資者有耐心。不能思考數(shù)據(jù)沒有價(jià)值就不存。我們需要存，但如何規(guī)劃是重要的課題，我們需要面對(duì)真正的人工智能時(shí)代的數(shù)據(jù)進(jìn)行規(guī)劃，進(jìn)行數(shù)據(jù)的整合與融合。如果不面向人工智能的目標(biāo)提供數(shù)據(jù)的整合規(guī)劃，數(shù)據(jù)就有可能成為成本中心，沒有辦法真正的創(chuàng)造價(jià)值。

充分契合業(yè)務(wù)的前提下，企業(yè)數(shù)字化轉(zhuǎn)型分為三步走：數(shù)據(jù)在線、數(shù)據(jù)分析與挖掘、人工智能

我在明略自己的年會(huì)講過，人工智能在行業(yè)的落地需要三步走。第一步要把行業(yè)的各種數(shù)據(jù)進(jìn)行在線化，全部都連接到一起。明略服務(wù)的公共安全行業(yè)，之前有各種各樣的IT系統(tǒng)，每個(gè)派出所的每個(gè)民警手里有很多套系統(tǒng)。我去公安客戶領(lǐng)導(dǎo)的電腦上，桌面有類似hao123頁面的復(fù)雜效果，每一個(gè)圖標(biāo)、鏈接都是過去IT公司開發(fā)的系統(tǒng)。戶籍管理系統(tǒng)、車輛管理系統(tǒng)、110報(bào)警系統(tǒng)，每個(gè)警察電腦都有上百個(gè)。數(shù)據(jù)散落在不同的系統(tǒng)里，他們每天做案情分析時(shí)在各個(gè)系統(tǒng)頻繁切換，效率低。數(shù)據(jù)散落在不同的系統(tǒng)里，不可能產(chǎn)生最終的人工智能。人工智能要融合數(shù)據(jù)，當(dāng)把數(shù)據(jù)連接在一起時(shí)很快要讓它產(chǎn)生價(jià)值，否則客戶也不允許投資這么多的錢。

人工智能真正形成之前，也就是三步走的第二步，要把數(shù)據(jù)連接后做數(shù)據(jù)挖掘，做人類自己可以力所能及做的分析與研判。這一步，行業(yè)里也叫做BI（商業(yè)智能）。明略數(shù)據(jù)幫助很多公安干警做到了，但在很多行業(yè)里第一步還沒有做到。人工智能在行業(yè)落地的第二步很重要，第三步，當(dāng)我們做好了面向AI的數(shù)據(jù)治理，做好了數(shù)據(jù)挖掘，并且真正形成完整的閉環(huán)，才能實(shí)現(xiàn)人工智能落地。人工智能跟傳統(tǒng)的信息化最大的區(qū)別是可以形成最終的閉環(huán)，一旦形成閉環(huán)，所有迭代將自動(dòng)加速，它將相比傳統(tǒng)的IT系統(tǒng)更加智能，可以自我學(xué)習(xí)，最終形成真正意義上的人工智能。人工智能在每個(gè)行業(yè)落地沒那么簡單，需要三步走，每步都需要投入很多力量。

蒙牛做很多成功的嘗試，蒙牛利用數(shù)字化手段幾乎打通了質(zhì)量控制和檢測環(huán)節(jié)，每天蒙?？梢垣@得近40萬條自動(dòng)檢驗(yàn)數(shù)據(jù)，但這些都是他們一步一步地規(guī)劃而得來的。

我拜訪重要的客戶在湖南某一個(gè)城市的公安局，我跟公安局的領(lǐng)導(dǎo)聊時(shí)說要建立樣本數(shù)據(jù)，他們就找了二三十個(gè)協(xié)警幫助我們做數(shù)據(jù)標(biāo)注。有了標(biāo)注才能給人工智能提供很好的系統(tǒng)支持，真正成功的企業(yè)或是政府部門是有耐心的。首先，就是要面對(duì)人工智能建立真正有意義的數(shù)據(jù)融合平臺(tái)，這也是明略目前在服務(wù)這些大型B端企業(yè)、政府機(jī)構(gòu)的獨(dú)特之處。

面向業(yè)務(wù)智能的“在線化”的關(guān)鍵舉措：面向AI的數(shù)據(jù)治理

數(shù)據(jù)是人工智能的基礎(chǔ)，自我學(xué)習(xí)是人工智能相比傳統(tǒng)IT系統(tǒng)重要標(biāo)志。我們需要面向人工智能規(guī)劃未來數(shù)據(jù)平臺(tái)，規(guī)劃未來的數(shù)據(jù)在線。面向人工智能的數(shù)據(jù)治理跟傳統(tǒng)的數(shù)據(jù)治理有非常大的區(qū)別，先思考數(shù)據(jù)真正的價(jià)值是什么。一般的數(shù)據(jù)和人工智能時(shí)代需要的數(shù)據(jù)到底有什么本質(zhì)的區(qū)別。

數(shù)據(jù)是人類特別重要的武器，幫助人類解決很多信息不對(duì)稱問題。數(shù)據(jù)是觀察者觀察世界后，利用數(shù)學(xué)的方法或計(jì)算機(jī)的方法對(duì)客觀世界發(fā)生的客觀事實(shí)進(jìn)行記錄，這是數(shù)據(jù)本身的意義。數(shù)據(jù)本身的信息量很大，記錄數(shù)據(jù)有成本。比如，明略服務(wù)軌道交通的客戶，一個(gè)機(jī)車，不用說后面的環(huán)節(jié)，光車頭上大概就有上千個(gè)傳感器，每個(gè)傳感器每秒鐘都要發(fā)送很多信號(hào)，如果把這些數(shù)據(jù)都存下來的話，一輛車一天的數(shù)據(jù)已經(jīng)能夠達(dá)到幾百GB的量級(jí)。

海量的數(shù)據(jù)全部存起來不可能，我們需要把真正有價(jià)值的數(shù)據(jù)提取出來。提取的過程稱之為把數(shù)據(jù)知識(shí)化，信息知識(shí)化的過程。我們把這個(gè)過程做完以后，再結(jié)合行業(yè)領(lǐng)域的知識(shí)與行業(yè)專家，最后變成完整的人工智能智慧系統(tǒng)。

相比傳統(tǒng)的數(shù)據(jù)治理，面向人工智能的數(shù)據(jù)治理最核心的是引入知識(shí)體系。為了面向人工智能，對(duì)比傳統(tǒng)的數(shù)據(jù)治理，所有數(shù)據(jù)儲(chǔ)備做的最核心工作要建立知識(shí)圖譜的系統(tǒng)，我們需要對(duì)數(shù)據(jù)結(jié)構(gòu)背后建立動(dòng)態(tài)的本體和知識(shí)庫。我們需要把傳統(tǒng)的以表結(jié)構(gòu)為單位的數(shù)據(jù)真正連接成為以結(jié)構(gòu)化的數(shù)據(jù)，以行業(yè)的知識(shí)為基礎(chǔ)的所有計(jì)算單元，在上面可以做邏輯推理，可以做很多的動(dòng)態(tài)分析。它可以替代人做真正復(fù)雜的非統(tǒng)計(jì)類的工作，這需要建立知識(shí)體系，這是真正人工智能最大的價(jià)值。人工智能最大的價(jià)值不是替代簡單的重復(fù)性勞動(dòng)，更加重要的是替代人類甚至都可能做不到的事情。

因此，面向AI的數(shù)據(jù)治理，是在傳統(tǒng)數(shù)據(jù)治理基礎(chǔ)上，利用知識(shí)工程相關(guān)技術(shù)，對(duì)信息按知識(shí)結(jié)構(gòu)進(jìn)行管理、分類和關(guān)聯(lián)，將龐大無序的信息進(jìn)一步治理為分類有序互相關(guān)聯(lián)的知識(shí)，最終形成行業(yè)知識(shí)圖譜。

未來明略提供的人工智能警察，應(yīng)該比中國優(yōu)秀的警察還厲害，比福爾摩斯還厲害，這是未來產(chǎn)生真正價(jià)值的地方。人工智能背后最核心的是行業(yè)知識(shí)與領(lǐng)域知識(shí)。通用的知識(shí)平臺(tái)不太可能存在，我們需要一個(gè)垂直領(lǐng)域一個(gè)垂直領(lǐng)域的做。明略聚焦三個(gè)領(lǐng)域，安防、金融、工業(yè)與物聯(lián)網(wǎng)，我們把三個(gè)領(lǐng)域的數(shù)據(jù)知識(shí)化存儲(chǔ)下來，把所有客戶里的數(shù)據(jù)知識(shí)化存下來，在上面產(chǎn)生真正的人工智能應(yīng)用。

明略不做簡單的數(shù)據(jù)平臺(tái)，而是引入行業(yè)知識(shí)體系

在公共安全領(lǐng)域， 明略通過面向AI的數(shù)據(jù)治理，將海量多源異構(gòu)數(shù)據(jù)實(shí)時(shí)轉(zhuǎn)化為“人、事、地、物、組織”等公安領(lǐng)域的實(shí)體，定義并挖掘各實(shí)體間的各種關(guān)系，并將這些數(shù)據(jù)全部融合到統(tǒng)一的大數(shù)據(jù)分析平臺(tái)上，最后落地在客戶不同的業(yè)務(wù)警種，在這個(gè)過程中我們不僅僅構(gòu)建了一個(gè)大數(shù)據(jù)平臺(tái)，而是引入了公安的知識(shí)體系，最終為公安客戶大大提高破案效率。例如，最近明略禁毒大數(shù)據(jù)分析平臺(tái)，在一個(gè)月內(nèi)就徹底摧毀了分布在多省的制販毒網(wǎng)絡(luò)團(tuán)伙。正是基于此前大量的面向AI的數(shù)據(jù)治理工作，我們才能為公安客戶迅速完成數(shù)據(jù)挖掘和分析，從而迅速破案。

在金融行業(yè)，我們?yōu)槿珖彻煞葜沏y行搭建了全行級(jí)知識(shí)圖譜平臺(tái)，把銀行所有業(yè)務(wù)板塊的數(shù)據(jù)按照業(yè)務(wù)知識(shí)的邏輯融合在一起，這不是傳統(tǒng)的數(shù)據(jù)治理，它是按照銀行的知識(shí)體系把全部數(shù)據(jù)融合在一起。平臺(tái)建立后，為銀行實(shí)現(xiàn)海量數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的分析，提升遠(yuǎn)程監(jiān)控工作水平和能力，從多個(gè)維度為銀行帶來業(yè)務(wù)效率的提升。

軌道交通是制造業(yè)的重點(diǎn)領(lǐng)域，我們是國內(nèi)首家把軌道交通領(lǐng)域散落在不同子系統(tǒng)的數(shù)據(jù)以行業(yè)知識(shí)的結(jié)構(gòu)融合在一起的公司。例如軌道交通車頭的數(shù)據(jù)和線網(wǎng)的數(shù)據(jù)結(jié)合，大家知道地鐵站和高鐵站軌道有信號(hào)系統(tǒng)，車有很多數(shù)據(jù)。之前的數(shù)據(jù)都分散割裂，今天把數(shù)據(jù)都連接到一起，而且連接的時(shí)候是有背后的知識(shí)圖譜和背后的知識(shí)結(jié)構(gòu)。當(dāng)我們把這些數(shù)據(jù)全部連接到一起時(shí)，我們對(duì)故障的預(yù)測與維護(hù)等場景都產(chǎn)生很大的價(jià)值，可以節(jié)省計(jì)算資源與存儲(chǔ)成本。原來數(shù)據(jù)量太大，很多不敢存，把數(shù)據(jù)融合在一起，更加知道哪一些數(shù)據(jù)應(yīng)該存，哪一些數(shù)據(jù)不應(yīng)該存。這是人工智能時(shí)代的數(shù)據(jù)治理需要做好的準(zhǔn)備工作。

數(shù)字經(jīng)濟(jì)時(shí)代，明略的產(chǎn)業(yè)定位：助力企業(yè)數(shù)字化轉(zhuǎn)型的“啟動(dòng)器”

明略數(shù)據(jù)是助力企業(yè)數(shù)字化轉(zhuǎn)型的啟動(dòng)器，人工智能落地行業(yè)三步走當(dāng)中，最基礎(chǔ)的就是數(shù)據(jù)在線?！皵?shù)據(jù)在線”不是搭建數(shù)據(jù)倉庫把數(shù)據(jù)連起來，而是要把行業(yè)知識(shí)真正梳理清楚。明略與行業(yè)的頂級(jí)專家思考行業(yè)的本質(zhì)、知識(shí)體系是什么，如何把數(shù)據(jù)真正地標(biāo)注在行業(yè)知識(shí)體系中。只有這個(gè)工作做好，我們的人工智能才能真正地落地到各行業(yè)。

數(shù)據(jù)和知識(shí)分幾個(gè)層面，數(shù)據(jù)、場景、業(yè)務(wù)。場景維度，思考到底數(shù)據(jù)會(huì)在哪一些環(huán)節(jié)被使用。具體業(yè)務(wù)會(huì)考慮具體問題，有很多數(shù)據(jù)和知識(shí)的維度。

我們在幫助行業(yè)梳理過去很多年的工作經(jīng)驗(yàn)，很多規(guī)則與算法嫁接到人工智能的規(guī)則算法，形成人機(jī)同行時(shí)代的頂級(jí)知識(shí)體系。計(jì)算機(jī)未來也需要知識(shí)，它不能只靠暴力的挖掘與計(jì)算解決問題。人工智能在每個(gè)企業(yè)運(yùn)行時(shí)要考慮效率，知識(shí)幫助計(jì)算機(jī)解決效率問題。小孩上二年級(jí)學(xué)簡單的計(jì)算，從從1加到100有簡單的公式，如果不知道的話需要花很多的腦力。計(jì)算機(jī)的計(jì)算需要知識(shí)，面向人工智能的數(shù)據(jù)治理需要把知識(shí)跟原始數(shù)據(jù)真正連接在一起，這是未來人工智能真正有價(jià)值的地方。

明略的目標(biāo)是幫助企業(yè)不斷提高效率，幫助政府各部門不斷提高效率。我們希望踏踏實(shí)實(shí)地為客戶做好面向AI的數(shù)據(jù)治理，幫助企業(yè)和客戶做好人工智能落地的基礎(chǔ)建設(shè)工作。我們讓數(shù)據(jù)成為企業(yè)的核心資產(chǎn)，成為真正創(chuàng)造價(jià)值的IT服務(wù)，而不是成本中心。