2022爱分析･人工智能应用实践报告

来源：网络 2022-03-02

报告编委

特别鸣谢（按拼音排序）

报告摘要

人工智能在产业中落地的20大挑战

自2019年起，人工智能的发展进入与产业加速融合的阶段。经过近几年的发展，人工智能已经广泛渗透进金融、零售、工业、能源、医疗、城市管理等多个行业和领域，并且一些行业头部企业已经全面拥抱了智能化转型。

由于可获取和参考的建设经验有限，加上企业所处行业、发展阶段的不同，自身需求以及拥有的资源禀赋各异等因素，人工智能在产业中落地充满挑战。在本报告中，爱分析基于大量调研和过往研究积累，从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织和人才六个维度梳理出了目前人工智能在产业中落地面临的20个主要挑战。

评估AI应用成熟度，因地制宜推进智能化

智能化转型没有统一的路径和方法，不同企业在不同阶段面临的问题通常也各不相同。因此，企业在实施智能化转型之前需要对自身的AI应用成熟度状况进行评估，明确在不同成熟度阶段需要重点提升的能力，从而制定下一步实施计划，高效的推进智能化转型。

在本报告中，爱分析将AI应用成熟度从低到高依次分为早期实验、初步投入、多维布局、深度应用、全面融合五个阶段，并从多个维度列举了每个成熟度阶段企业具备的主要能力特征。此外，爱分析也将目前国内主要行业企业AI应用成熟度各阶段数量占比情况做了展示。

企业智能化转型的方法论

在本章，爱分析从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才六个维度论述企业在应对智能化转型的多种挑战时，可以采取的方法和措施，并从本次调研的案例中选取相关实践经验为企业提供参考说明。同时，本章还对处于不同成熟度阶段的企业在上述六个维度中需要阶段性提升的重点能力分别了给出建议。

同时，爱分析对本次调研的企业智能化转型和AI应用实践案例做了详细梳理，并将案例内容呈现在本章中，其中以字母命名的案例为针对某个特定问题案例，具体包括：

• 案例1：中新天津生态城构建智慧城市产业大脑，用AI挖掘数据价值

• 案例2：AI数据管理平台助力上汽安吉物流批量化迭代AI模型，让物流管理更智慧

• 案例3：美宜佳打造商业智能决策管理平台，实现线下零售的智能化运营

• 案例4：依托计算机视觉技术，某餐饮连锁企业为饺子品控安上智慧之“眼”

• 案例5：中宏保险构建营销员智能助理，通过保险知识的共享和复用赋能销售

• 案例6：AI算法支撑下，AR虚拟试戴让安克创新用户获得更优的线上互动体验

• 案例7：某银行搭建智能消费者保护中台，助力消费者权益保护监控和预警

• 案例8：海信集团引入AI平台，构建独立自主的AI开发能力

• 案例9：某大型集团搭建AI中台，支撑数智化升级

• 案例A：某大型保险集团制定平台、应用、技术“三个领先”战略和“四个关键举措”推动智能化建设

• 案例B：虚拟数字人助力江南农商银行为客户提供创新性的远程视频柜员服务

• 案例C：某全球头部日用消费品公司在华公司以费用支出为导向规划AI应用场景

• 案例D：某大型国有商业银行构建MLOps体系，实现敏捷的模型迭代，高效的模型交付

• 案例E：某头部家电集团建立面向AI开发和管理的组织架构，全面支持产品的智能化创新

企业智能化趋势展望

爱分析认为，所有的企业未来想要在市场中保持竞争力，一定都需要全面拥抱智能化。预计在接下来的3至5年，国内大量的企业对AI的应用将从单点的AI建设走向全面的智能化转型，企业因此需要针对智能化转型规划完善的路径和方法，同时结合自身AI应用的成熟度，制定符合自身状况的行动计划。

相信随着企业智能化进程的推进，AI在产业中落地仍然会面临许多新产生的问题，爱分析将对这个领域保持持续跟踪研究，对前沿的案例保持关注，为企业智能化转型提供更多的决策参考

目录

1. 人工智能在产业中落地的20大挑战

2. 评估AI应用成熟度，因地制宜推进智能化

3. 企业智能化转型的方法论

4. 企业智能化趋势展望

关于爱分析

研究咨询服务

法律声明

1. 人工智能在产业中落地的20大挑战

在国家政策、产业需求、数据和技术体系趋于完备三重因素的推动下，人工智能的发展自2019年起进入与产业加快融合的阶段。经过近几年的发展，人工智能已经广泛渗透进金融、零售、工业、能源、医疗、城市管理等多个行业和领域，各种创新性的应用场景层出不穷。尤其在金融、智能制造等领域，一些头部企业已经在各个业务和职能部门中引入了大量的人工智能应用，并且已经构建起了较完善的面向智能化运营的技术能力、组织架构和创新机制。

行业大势叠加头部企业的示范效应，吸引了众多企业纷纷跟进智能化转型。然而，智能化转型仍是一片虽已有众多人涉足，但鲜有人真正实现深耕的新大陆，企业可获取和参考的建设经验有限，加上企业所处行业、发展阶段的不同，自身需求以及拥有的资源禀赋各异，需要针对性地开展人工智能的规划和建设等因素，导致了人工智能在产业中落地充满挑战。

爱分析基于多个国内领先企业的智能化转型和人工智能应用实践案例的深度调研分析，以及过往对产业数字化与智能化的持续跟踪研究，梳理出了当下人工智能在产业落地中会面临的20个主要挑战，这些挑战涉及战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才六个维度，具体如下表：

表 1： 人工智能在产业中落地的20大挑战

2. 评估AI应用成熟度，因地制宜推进智能化

智能化转型没有统一的路径和方法，不同企业在不同阶段可能面临的问题通常也各不相同。因此，企业在实施智能化转型之前需要首先建立一套企业智能化转型的能力框架，对框架内的多个能力维度进行评估，确认企业自身的AI应用成熟度状况。在此基础上，企业可以明确智能化转型的关键能力要素，以及各维度的能力在不同成熟度阶段需要重点提升的方向，从而制定下一步实施计划，高效的推进智能化转型和AI落地。

基于本次调研和过往研究积累，爱分析将AI应用成熟度从低到高依次分为早期实验、初步投入、多维布局、深度应用、全面融合五个阶段，并且从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才六个维度列举出了每个成熟度阶段主要的能力特征，具体如下表：

表2：企业AI应用成熟度及其评估框架

同时，爱分析综合IDC、红杉的相关数据以及本次调研结果发现，国内金融、零售、工业、医疗等主要行业开展过智能化建设的企业中，约30%处于早期实验阶段，约40%处于初步投入阶段，约20%处于多维布局阶段，约9%处于深度应用阶段，处于全面融合阶段企业不足1%，仅有少数行业超头部公司达到这一水平。

图 1： 主要行业企业AI应用成熟度各阶段数量占比

考虑到处于早期实验阶段的企业内部对AI规划与建设尚无实质性的进展，该阶段的企业要推进智能化转型可以参照初步投入阶段的方法和实践经验；同时，处于全面融合阶段的企业一方面国内的样本量非常少，另一方面该阶段的企业已基本完成智能化转型，需要更多地关注和解决智能化运营方面的问题。因此，本报告将只对处于初步投入、多维布局和深度应用三个阶段的企业如何开展智能化转型进行详细讨论，并分别提供建议。

3.企业智能化转型的方法论

在本章，爱分析将从战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才六个维度论述企业在应对智能化转型的多种挑战时，可以采取的方法和措施，并从本次调研的案例中选取相关实践经验为企业提供参考说明。同时，本章还会对处于不同成熟度阶段的企业在上述六个维度中需要阶段性提升的重点能力分别给出建议。

3.1 战略层面

3.1.1 方法论

3.1.1.1. 明确智能化的目标和路径，并在组织内达成统一

全面的智能化转型需要从顶层开始设计，避免因依靠局部业务需求驱动的AI能力和应用散点建设造成后期难以统一管理和资源浪费。因此，企业应该首先明确智能化转型的关键目标，以及明确为了达到相关目标的建设思路和路径，针对这些问题对智能化转型进行具备前瞻性和系统性的规划。同时，企业需要在组织、治理结构和制度流程等方面达成统一，才能高效地推动智能化建设，达成相应目标。

例如在案例A中，某大型保险集团制定了平台、应用、技术“三个领先”战略，并成立专门大数据和人工智能部门，从项目管理机制、前沿技术研究、国产化方案替代、应用成果孵化等方面开展建设，从而推动智能化转型。

3.1.1.2. 建立将新技术用于业务创新的机制，并提供相应的资源支持

AI应用本质上具有实验性和创新性，因此也天然地会伴随着一定的不确定性和失败风险。为了实现AI应用的落地，企业需要首先建立鼓励创新，容忍失败的工作氛围，其次，建立业务创新机制，在内部密切关注AI技术的发展趋势，及时识别将AI技术用于业务创新的机会，以及不断强化组织内的AI开发能力，并推动应用的落地。

3.1.2 给不同成熟度的企业的建议

初步投入阶段：企业在该阶段应明确当前需要开发的具体应用，并考虑采取怎样的方式实现落地。

多维布局阶段：企业在该阶段应首先在组织内广泛地鼓励创新，明确智能化转型短期的目标和路径。同时需要对中长期的目标有所考虑和规划。

深度应用阶段：企业在该阶段应建立完善的智能化转型中长期目标和规划，在组织内就智能化转型的方法、流程、创新机制达成了统一，并给予全方位支持。

3.2 数据层面

3.2.1 方法论

3.2.1.1. 重视数据治理与数据平台建设工作

良好的数据基础是支撑智能化转型的前提，针对数据孤岛、数据质量低、数据广度与深度不足、数据架构老旧等企业数据基础中的问题，企业需要重视数据治理与数据平台建设工作。

在数据治理方面，企业应该组织专门的数据治理工作，制定数据标准和数据治理体系，提高数据质量。如在案例1中，中新天津生态城在利用内部外数据，构建智慧城市产业大脑之前，首先成立专门的数据治理小组，开展相关工作以提高数据的质量。

在数据平台建设方面，企业需要构建统一的大数据平台或数据智能平台，打通各部门、各系统的数据，丰富数据的来源，提高数据的广度和深度。同时，设计面向AI应用的数据架构，方便AI应用开发和运营中对数据的调用。例如在案例7中，某银行为了构建智能消费者保护中台，其首先建设了全口径的投诉管理大数据平台，整合行内10多类异构多模态数据，以打破多业务部门、各区域、各系统数据壁垒。关于数据平台的详细构建方法可参考爱分析于2021年11月发布的《2021爱分析･数据智能平台实践报告》。

3.2.1.2. 建立面向AI开发的数据采集、数据处理和数据管理等方面的标准化方法和自动化能力

为了高效地给AI开发提供匹配的数据，支撑AI应用的规模化落地，企业内部需要建立一套面向AI开发的自动化的数据采集、数据处理和数据管理的方法与能力。具体而言，可以在数据采集端如摄像头、传感器内置相应算法自动采集所需数据；采集的数据上传至云端或本地后，设置相应条件，自动触发数据标注任务，交由业务专家标注数据，在某些情况下还需要自动将新标注的数据与原先的数据集进行合并；当平台监测到新的数据版本后，再自动对模型进行训练，并对新的模型进行评估和上线。

例如在案例2中，上汽安吉物流在研发其视觉智能管理系统时，采用了这套标准化和自动化的从数据采集，到数据标注，到模型训练的流程和方法，支撑了平台功能高效和批量化地迭代更新。

3.2.2 给不同成熟度的企业的建议

初步投入阶段：企业在该阶段应首先解决的数据基础较差的问题，因此需要积极开展数据治理工作，提高数据治理；并建立统一的数据平台，打破数据孤岛，丰富数据来源。

多维布局阶段：企业在该阶段应已经解决了数据基础较差的问题，同时对于AI开发和运营对数据的要求较明确，初步建立面向AI开发的数据采集、数据处理相关的标准化方法，并考虑如何提高整个流程的自动化能力。

深度应用阶段：企业在该阶段应建立起完善的数据治理机制，并常态化的执行，建立能够支撑AI应用的数据智能平台；同时，企业还应建立起面向AI开发的数据采集、数据处理和数据管理等方面的标准化方法和高度自动化的能力。

3.3 场景规划层面

3.3.1 方法论

3.3.1.1. 确定场景规划的流程和方法

通常，企业在确定和规划AI应用的落地场景时有业务需求导向和资金投入导向两种方式。

对于需要快速推进智能化转型，追求AI落地的时间和成本效益的企业，可以考虑业务需求导向的方式。具体而言，企业可以首先由专门的协调管理部门或技术部门联合各业务部门确认业务需求较强的应用场景，而业务需求强的判断标准包括了人员投入大、重复性劳动多、人工操作效率不高或效果不理想等；其次，需要考虑开发该应用所需的数据是否容易获取，如果内部数据不充分，可以考虑是否能从外部厂商引入相应的数据；最后，需要业内已经有针对该应用场景的较成熟的解决方案，降低开发新应用的时间和资金成本。

在上述判断的基础上，企业可以将强业务需求、所需数据能够获取、有较成熟解决方案的场景规划为需要实现AI落地的场景。例如案例3中的美宜佳和案例8中的海信集团都采用该种方式规划和落地AI应用的场景，其中，美宜佳前期根据业务需求确认了门店选址、门店运营和营销优化三类应用场景，并从外部引入了实现这些AI应用所需的时空数据，以及这些领域成熟的AI模型和应用解决方案。

对于需要持续做深智能化转型，且资金和研发实力较强的企业，可以考虑资金投入导向的方式。具体而言，企业可以由专门的协调管理部门或技术部门协同业务部门或相关管理部门确认费用支持较大的业务场景：其次，需要考虑开发该应用所需的数据是否充分和是否容易获取；最后，需要判断在该业务场景中是否能用算法找到数据中的规律，或者是否能用相关AI技术解决解决这一问题。

在上述判断的基础上，企业可以将费用支出大、所需数据能够获取、且能用算法或相关AI技术解决的业务问题规划为需要实现AI落地的场景。例如案例C中，某全球头部日用消费品公司在华公司由其数据科学与人工智能团队对品牌建设、销售管理中费用支出较高的业务场景进行筛选，结合数据和算法能力，最终在媒体规划、广告定位、会员活动设计、促销优化、供应链管理等场景中落地了多个AI应用。

3.3.1.2. 定位高价值度应用场景

对于任何类型的企业而言，其在实施智能化转型时都需要考虑AI应用场景落地的先后顺序，集中资源在高价值度场景中优先构建AI应用，因此需要对应用场景的价值度做排序，并对单个AI场景的ROI做事前预估和事后评估。

关于应用场景的价值度，一般从高到低可以分为三类。第一类是能够对业务模式或业务流程进行创新，从而为客户提供创新性的产品或服务的应用场景，这类应用场景价值度通常最高。例如在案例B中，江南农商银行将虚拟数字人嵌入多个业务系统中，从而能够在无人场景中为客户提供多种业务咨询和业务办理；在案例6中，在先进的AI算法的支撑下，安克创新利用AR虚拟试戴解决方案，为其用户提供真实度非常高的线上眼镜试戴功能，不仅为用户提供了创新性的体验方式，也大幅提升了购买转化率；第二类是能够为企业大幅提高运营效率和降低成本的应用场景，通常该应用可以为企业带来数倍甚至更多地运营效率的提升或成本的降低。例如在案例4中，某餐饮连锁企业用计算机视觉对饺子品质做检测，完全代替了原先用大量人工去抽查的方式，为企业大幅提高了运营效率和节约了成本；第三类是能够一定程度提升运营效率和降低成本的应用场景，通常其对运营效率的升和成本的降低在100%以内，这类应用场景可以在企业资源充足的情况下去考虑智能化。

关于ROI的评估，企业主要需要关注在特定业务场景中，投入某项AI应用前后，在该场景中企业的费用成本是否有降低，以及降低的比例。除了在事后评估ROI，事先也可以借助可参考的案例对ROI做预估，确定场景的价值度。例如，在供应链管理中，企业可以评估引入AI应用前后，供应链相关成本是否有得到优化。

3.3.2 给不同成熟度的企业的建议

初步投入阶段：该阶段的企业应主要参考高价值度应用场景定位的方法，优先选取价值度最高，且较容易落地的场景去落地。

多维布局阶段：该阶段的企业应先在多个主要的业务部门落地价值度较高的场景，同时要探索并初步建立场景落地的流程和方法。

深度应用阶段：该阶段的企业应建立并常态化执行场景落地的流程和方法，并且做好计划，每年在各主要部门批量化落地一定数量的场景。

3.4 应用解决方案开发层面

3.4.1 方法论

3.4.1.1. 明确自研和引入外部能力的条件

对于处于早期投入阶段，尚无AI应用构建能力和经验的企业而言，企业构建AI应用应该主要考虑外采。

对于处于多维布局或者成熟度更高阶段的企业，其已经具备了一定技术能力、专业人员和AI应用开发经验，此时企业构建AI应用应该以自研为主。但是当企业在构建AI应用时，面临以下一个或多个问题时，需要考虑和外部厂商合作联合开发或者完全外采解决方案。这些问题包括：（1）应用解决方案复杂度较高，需要多种底层AI技术的支撑，自研难度大、成本高、时间长；（2）企业内部缺乏应用开发所需的数据；（3）企业自身不具备特定应用场景的业务知识或AI应用开发实践经验。

例如在案例9中，某集团科技公司由于在搭建供应链管理相关的AI应用时面临智能调度、仓配算法开发难度大，搭建智能营销应用时缺乏市场客户数据，搭建园区安全时缺乏实践经验，便选择与京东云合作在这些领域联合开发AI应用。

3.4.1.2. 在AI开发团队中引入业务专家，提供业务知识方面的专业指导

AI应用最终需要解决的是业务的问题，而精通技术的算法工程师或数据科学家往往对业务问题缺少了解，因此在AI应用开发中，AI开发团队需要寻求业务专家的帮助和指导。

在开发应用解决方案之前，要协调内部资源，对精通业务的人员进行深入调研，针对具体场景梳理业务流程，理清每个环节的业务需求。如在案例5中，中宏保险在搭建营销员智能助理解决方案之前，首先对保险营销员的需求进行了充分调研，了解营销员需要询问哪些保险知识，对知识的呈现有哪些要求，在问法上有哪些独到的习惯等问题。

在开发应用解决方案过程中，企业需要业务专家协助，确定业务的标准。具体而言，包括了在计算机视觉相关的应用开发中，由业务专家帮助确定图像的分类、图像是否符合要求的标准；在自然语言处理相关的应用开发中，由业务专家对词性、词语分割、情感等进行标注，提高语义理解的准确度。例如在案例4中，某餐饮连锁企业为了在饺子质检应用中确定饺子是否合格的标准，便由其业务专家与开发人员一起确定了饺子“白鼓”、“偏皮”等维度判断标准，并在图片中做相应的标记用于模型训练。

3.4.1.3. 依靠经验丰富的AI开发人员将业务问题转化为算法可解决的问题

企业在探索性的AI应用开发中经常会受困于如何将业务问题转化为算法可解决的问题，通常这类问题的只能借助精通技术的同时能对业务也非常了解的数据科学家或算法工程师来解决。比如，需要经验丰富的数据科学家或算法工程师能够判断某个业务问题是属于分类问题，还是回归问题；特征工程的特征和目标是否有因果关系等。在此基础上，企业在具体执行中，还可以进一步参考案例4中明略科技在帮某餐饮连锁企业开发饺子质检解决方案时的做法，即通过多种可能的业务标准标注多个数据集，再对照多个算法不断测试，最终得出效果较好的模型。

3.4.1.4. 提高小数据集的数据质量以支撑AI应用开发

传统企业在开发AI应用时，通常会面临样本数据量较小的问题，比如，制造企业想开发针对某个零部件的智能质检应用，其样本数据可能不足100个，或者医疗机构想要构建一个罕见病的疾病预测模型，其样本数据可能只有几十个。此时，企业一种方式是可以考虑采用较前沿的小样本学习技术开发此类AI应用，另一种方式是提高样本数据的数据质量，不仅是前期做数据采集时要考虑通过用一些定制化的方法让采集到的样本数据与需求尽量高度匹配，同时也要借助业务专家提高数据标注的准确度，从而能够以较小的样本数据集开发出AI模型。

3.4.1.5. 采取先以最少的数据让AI应用可用即上线，后续再维护更新的策略

为了让AI应用能早日上线发挥价值，企业可以在开发AI模型或AI系统时先用最少的数据量去训练模型或系统使其达到初步可用的状态即在业务中部署，后续在运营过程中再针对新收集的数据，对模型进行增量学习，或对系统进行更新，从而使AI应用更加聪明，功能更完善。例如在案例5中宏保险智能助理案例中，由于保险行业知识体系庞杂，为了让智能助理能够早日上线发挥价值，中宏保险采取了在知识库中先加入营销员最关心的问题，后续再利用平台的AI自学习能力从新的数据中学习新的知识，并逐渐丰富知识库的策略。

3.4.1.6. 综合考虑算力、带宽等需求，设计合理的“云边端”协同部署方式

针对在业务系统中部署AI应用会面临各种场景化适配的问题，如果应用解决方案对计算实时性、数据安全的要求都不高，数据量相对有限，以及追求更低的计算成本，可以主要考虑在边缘端通过算法控制采集所需数据，在云端部署解决方案的方式。例如在案例4某餐饮连锁企业的饺子质检解决方案中，其在摄像头中内置过线检测算法采集到每一盘经过出餐口的水饺图片数据，这些图片数据的数据量相对有限，对带宽、存储和计算要求都不高，然后将图片数据上传至云端，通过定制的质检算法判断饺子的品质。

而如果解决方案需要实时生效，且数据量大，上传云端对带宽、存储和计算资源要求都很高时，企业需要考虑将解决方案部署在边缘或设备端，同时要对算法和SDK包体积的大小以及边缘或设备端的算力资源进行优化，以保证算法能够在边缘或设备端有效运行，并产生实时的计算结果。例如在案例6中，火山引擎在其AR虚拟试穿试戴解决方案中内置了3D关键点识别、惯性检测、人脸属性等多种AI算法，以保障用户的试戴体验的真实性，而为了让这些算法能够在移动终端运行和实时生效，火山引擎在保证模型精度不降低的前提下，对模型大小进行了压缩，对移动终端的算力资源也做了相应优化。

3.4.2 给不同成熟度的企业的建议

初步投入阶段：由于企业自身研发实力暂时有限，建议主要考虑跟有成熟解决方案的厂商合作，构建相关应用。同时，企业需要对上述问题，如协调业务人员参与、开发部署中的重点问题有知晓，在过程中给予应用开发项目组资源支持。

多维布局阶段：明确企业自身的能力和资源，对应用是否自研、合作开发、外采，设立明确的标准；重视内部业务专家对应用开发的作用，建立业务和技术人员的协作机制；参照上述方法，加快应用开发到部署的效率。

深度应用阶段：建立较完善的自研能力，尤其重视技术人才队伍和技术基础设施的建设；在应用开发团队中常态化地引入业务专家资源，由统一的部门进行协调管理；建立标准的解决方案开发、部署和后续运营的方法和流程。

3.5 技术基础设施层面

3.5.1 方法论

3.5.1.1. 实现AI系统与不同业务和IT系统的融合

为了弥合老旧的业务和IT系统架构与AI开发和部署之间的缺口，企业需要构建新的技术体系以支撑智能化的实施。具体而言，企业需要在业务和IT系统中引入智能应用编排、业务指标监控、数据存储和处理系统、创新实验系统、各类中间件或产品等，为企业智能化应用提供基础技术能力。同时，企业需要考虑在IT系统中引入基于云的微服务架构，实现更加敏捷和灵活的应用构建方式，最大限度地利用智能技术。

3.5.1.2. 使用低门槛的平台化工具赋能企业内AI应用的开发

大中型企业的AI开发需求较广泛，如果仅依赖数据科学家和算法工程师等专业人员开发应用，不仅成本高，且很多业务部门发起的需求不能得到很好的满足，因此企业需要引入低门槛的AI开发平台赋能企业内的业务和普通IT人员，使其具备一定AI开发能力。具体而言，对于专业能力较弱的业务人员，需要开发平台具备自动化的数据准备、模型训练等功能，业务用户只需选择场景和相应的数据集即可对模型进行自动训练；对于具备一定专业能力的业务和IT人员，需要平台能够将算法模型封装成算子，用图形化的方式将算子组合成工作流，从而完成模型训练过程。并且，这种方式也让企业内部人员可以更方便地复用其他人员在开发过程中沉淀的模型和经验，从而进一步降低AI开发的门槛。在案例8和案例9中，海信集团和某集团科技子公司都引入了低门槛的AI开发平台让企业内的业务和IT人员具备了一定的AI开发能力。

3.5.1.3. 通过引入成熟模型，以及提高模型泛化能力等方式降低大规模AI应用开发的成本

AI应用开发的时间和资金成本都很高，为了提高AI应用落地的效率、降低大规模AI应用开发的成本，企业可以在AI开发平台上引入相关的能力应对这一问题。

第一，在构建AI开发平台时，尽量选择与在自己的业务领域有大量成熟AI模型和应用实践积累的厂商合作，在AI平台中内置相关只需适当配置即可使用的AI模型，加速AI落地，减少自研成本。例如在案例9中，某集团科技子公司需要快速推进智能化转型，在考虑到有外部厂商在工业质检、园区安全、供应链管理等领域有成熟AI模型后，便选择与该厂商合作，引入其智能中台产品。

第二，在构建AI开发平台时，尽量在平台中引入算子和“白盒”的模式，将模型的工作流沉淀下来，使得开发人员后续能够针对相似场景对模型做适当修改，实现模型的泛化能力，企业因此能将模型快速迁移至相似场景，避免从头重新开发，从而降低了模型的开发成本。例如在案例8中，海信集团在AI平台中引入该模式，成功将原先只能识别大尺寸冰箱四条成剪刀形的打包带的质检模型，通过增加类似场景的标注数据，对原模型的算子做了适当修改，成功让模型扩展到3条类似产线。

3.5.1.4. 建立统一的模型开发和模型管理能力，提高AI资源的利用率

大型企业在智能化建设早期，各个部门通常会独立地建设AI能力，这会造成AI开发工具、AI模型的重复建设和不能复用，这种“烟囱式”开发的状况到了企业智能化建设的深入阶段会造成大量的资源浪费，并阻碍智能化的推进。因此，企业需要引入统一的模型开发和模型管理工具供相关人员共同使用，尤其要重视对AI模型和服务的统一管理，提供如模型版本维护、模型更新、模型发布服务、对模型服务调用情况查看等能力，通过平台实现AI能力的复用，提高资源利用率。

例如在案例9中，某集团科技子公司通过智能中台构建了统一的模型开发和模型管理能力，使得集团的管理人员可以对平台上的所有模型进行统一管控，简化运维工作，提高管理效率。业务和IT等人员也可以通过平台查看集团现有的模型资产和AI能力，并根据需要直接调用。

3.5.1.5. 构建覆盖模型全生命周期MLOps体系，缩短模型迭代周期，并持续地保障模型质量

当AI建模进入需要大规模生产和交付的阶段，其运营和用例扩展对于大部分公司来说都是一个巨大挑战。此时，企业可以考虑在机器学习和AI系统中，借鉴软件工程领域DevOps相关框架、工具链和流程，以及持续集成、持续交付、持续部署的理念，为机器学习和AI开发提供MLOps体系和相关工具，即提供系统化的协作工具将AI开发和部署中的业务、数据、算法、运维等角色连接起来，建立一个标准化的数据准备、模型开发、部署与运维流程，解决机器学习模型生命周期各环节的工程化问题，从而实现其核心目标：缩短模型开发部署的迭代周期，并持续地保障模型质量。MLOps的主要功能和优势包括：统一发布、自动测试、敏捷迭代、自动化的模型和数据集管理、降低建模门槛、流水线式管理、资源集成监测、组织高效协作。

例如在案例D中，某大型国有商业银行AI应用实践中构建了MLOps体系，一方面，通过一站式的AI开发平台降低开发门槛，另一方面，建立了“信息统一管理、实体统一流转、管理信息与实体流转保持一致”的AI全生命周期管理机制，从而实现了敏捷的模型迭代，高效的模型交付。

3.5.2 给不同成熟度的企业的建议

初步投入阶段：该阶段的企业当前仅有少数几个AI应用落地，因此需要重点解决如何将AI应用在现有IT系统中的部署和运营的问题。

多维布局阶段：该阶段的企业需首先构建适应智能化要求的IT系统架构；其次，建立统一的AI开发平台，让组织初步构建独立自主的AI开发能力，并对AI开发能力进行统一管理。

深度应用阶段：持续完善面向智能化运营的IT系统，并在AI开发平台中建立一站式的从数据准备、数据标注，到模型训练、部署和运营的能力，并降低AI开发的门槛。同时，需要考虑构建覆盖模型全生命周期MLOps管理体系，缩短模型迭代周期，并持续地保障模型质量。

3.6 组织与人才层面

3.6.1 方法论

3.6.1.1. 建立适应AI开发和管理需求的组织架构，明确部门权责和协同机制

AI的开发和管理是项复杂的系统性工作，需要组织内各部门和人员能够紧密协作，共同完成。企业在智能化早期通过设立单个项目组推进的方式在智能化深入阶段将不能维继。此时，企业需要在整个组织内部建立统一的AI组织架构，设立核心部门统筹协调各相关部门开展AI开发和管理工作，并明确各部门的权责。

例如在案例E中，某头部家电集团为保持其AI能力的领先性，构建了以AI技术委员会为核心部门，下辖多个技术研发部门分别负责特定方向的AI能力建设，并统筹协调技术研发部门为产品部门提供应用开发服务。

3.6.1.2. 内外兼顾，培养AI人才队伍

智能化转型成败的核心要素之一是人才，企业一方面要注重从外部不断引进优秀的数据科学家、算法工程师等专业人才；另一方面，需要加强组织内的培训，提升业务和IT人员的AI开发能力，以及提升管理人员的AI素养。从而帮助企业构建起能支持智能化转型所需的人才队伍。

3.6.2 给不同成熟度的企业的建议

初步投入阶段：该阶段的企业当前以单点应用建设为主，无需在组织架构层面为AI应用做太多调整，但需引进关键的AI人才，指导应用落地和后续维护。

多维布局阶段：该阶段的企业在核心部门都有建设一定的AI开发和管理团队，建议由公司层面对各部门的AI开发进行统一协调部署，做到信息互通；同时要加大对数据科学家、算法工程师等专业人才的外部引进工作。

深度应用阶段：该阶段的企业需要构建完善的面向AI开发和管理的组织架构，各部门之间的权责和协同机制要明确；同时，除了专业人才的引进，企业也需要在组织内加大培训力度，提升组织内相关人员的AI素养。

4. 企业智能化趋势展望

人工智能在为企业创新产品服务、优化经营决策、提升管理效率等方面已经取得了广泛的效果，并展现出了更加巨大的潜力，因此，爱分析认为所有的企业未来想要在市场中保持竞争力，一定都需要走向全面的智能化。但如前文中所述，国内主要行业目前已经开展过智能化建设的企业中约70%仍处AI应用的早期实验或初步投入阶段，仅约30%的企业进入多维布局或深度应用阶段，真正在组织内实现AI应用与业务全面融合的企业不足1%。

爱分析认为，在接下来的3至5年，国内大量的企业对AI的应用将从单点的AI建设走向全面的智能化转型。在这个过程中，企业将会需要解决智能化建设过程中涉及的战略、数据、场景规划、应用解决方案开发、技术基础设施、组织与人才等多方面的挑战。因此，企业需要针对智能化转型规划完善的路径和方法，具体的措施包括：制定明确的智能化战略；完善数据基础设施，构建面向AI开发的自动化数据采集、数据处理能力；建立场景规划的流程和方法论；提升解决方案的自研能力；建立了标准化的解决方案开发、部署、和后续运营的方法和流程；重构面向智能化运营的IT系统；引入AI平台、AI中台；构建MLOps体系；建立面向AI开发和管理的组织架构；重视AI人才队伍的建设等。同时，企业需要结合自身AI应用的成熟度，对上述举措更细化的方法和步骤，实施时间点等方面问题制定符合自身需求的计划。

人工智能在产业中的落地正在如火如荼地推进，也还有很多未知的领域有待企业去探索，进一步释放AI的价值。相信随着这个进程的推进，AI在产业中落地仍然会面临许多新产生的问题，爱分析将对这个领域保持持续跟踪研究，对前沿的案例保持关注，为企业智能化转型提供更多的决策参考。

分享