撰文 | 藤子
「未来人类所有的决策都会不可避免地依赖机器。」百分点董事长兼 CEO 苏萌说。
以汽车召回为例。中国是汽车拥有量最多的国家&＃xff0c;国家质检总局缺陷产品管理中心会决定哪款汽车应该销毁。
然而&＃xff0c;做汽车召回的决定并不容易。汽车召回对汽车厂家来说是致命性打击&＃xff0c;需要慎之又慎。按照传统召回方法&＃xff0c;每个季度&＃xff0c;缺陷产品管理中心都需要通过会商制度召集专家&＃xff0c;花费 2-3 天评比所有信息。比如&＃xff0c;汽车的问题具体是什么&＃xff0c;严重程度如何&＃xff0c;故障率相比市场如何&＃xff0c;是否有人恶意投诉等等。汽车拥有量大&＃xff0c;信息太多&＃xff0c;完全依靠人力&＃xff0c;工作繁重且效率低下。
两年前&＃xff0c;百分点开始为国家质检总局提供智能决策产品。按照传统方法&＃xff0c;需要 15 人工作 200 小时&＃xff0c;现在做出召回决策只需 1 人&＃xff0c;花费 2 小时。苏萌介绍&＃xff0c;两年以来&＃xff0c;百分点智能决策产品处理了 1000 多起汽车召回案例&＃xff0c;协助完成 5000 多万辆汽车召回。
百分点成立于 2009 年&＃xff0c;是一家大数据技术与应用服务商&＃xff0c;产品线涵盖大数据技术层的操作系统、管理层的用户画像标签管理系统和应用层的推荐引擎、分析引擎和营销引擎&＃xff0c;创建了行业应用模型库和行业知识图谱库&＃xff0c;客户涵盖金融、公共事务、智能制造等领域&＃xff0c;如光大银行、新华社、华为等 2000 家企业。
以动态知识图谱技术为核心&＃xff0c;百分点在 12 月 14 日发布行业 AI 决策系统 Deepmatrix&＃xff0c;聚焦零售、制造、媒体、公安、政府决策等领域&＃xff0c;为它们提供智能、快速、精确的AI决策。
知识图谱之上&＃xff0c;智能决策还需要一系列工具
「要使 AI 能够进行决策&＃xff0c;核心在于研究人如何做出决策。」百分点技术副总裁及首席架构师刘译璟说。在他看来&＃xff0c;人做决策时&＃xff0c;通常有三个步骤。首先是感知&＃xff0c;比如感知环境&＃xff0c;如宏大的宇宙&＃xff0c;具象的美食&＃xff0c;抑或是经济、人际关系、理论知识等。其次是认知&＃xff0c;将感知综合成认识或知识。在这之上&＃xff0c;再进行判断。
「基于数据&＃xff0c;再加上 BI 和 AI 技术&＃xff0c;希望我们的系统也能实现这样的功能。」刘译璟说。
具体来说&＃xff0c;在认知环节&＃xff0c;刘译璟认为&＃xff0c;先要打造知识体系。而要打造知识体系&＃xff0c;就要抛弃技术化的数据&＃xff0c;比如数据库的表、字段、数据的类型、结构、编码等&＃xff0c;因为业务人员很难理解&＃xff0c;也不需要关心&＃xff0c;他们只需要关心指标和维度即可。
但刘译璟认为&＃xff0c;人的知识是模糊的&＃xff0c;比如某一个人好像喜欢某样东西&＃xff0c;好像这一词就表明了模糊性。因此需要将模糊的概念加上概率值&＃xff0c;反映到知识体系中&＃xff0c;使整个知识体系与现实世界更加接近。由此&＃xff0c;细致地描绘现实中的业务知识&＃xff0c;使业务人员能够直接查看业务中的关键要素&＃xff0c;在这些业务知识上讨论自己的业务问题。
光有知识还不够&＃xff0c;刘译璟认为还需要动态的知识图谱。「我们希望在一个数据化的知识图谱里把现实中的行动、相互的关系都能够表现出来。」刘译璟举例&＃xff0c;比如线上的交易行为、移动支付的行为、社交关系等&＃xff0c;如何表现出来&＃xff1f;这就需要动态知识图谱技术。
「知识图谱是数据体系&＃xff0c;动态知识图谱是我们自己的技术。无论是现实世界的数据&＃xff0c;比如人的行为&＃xff0c;还是机器产生的数据&＃xff0c;我们都会统一通过数据融合&＃xff0c;使它们成为同一种数据结构&＃xff0c;同一种语义的数据。再输入动态知识图谱&＃xff0c;通过整体映射&＃xff0c;将现实世界转化成数据化的知识。」刘译璟介绍具体的做法。
此外&＃xff0c;百分点在所有知识里都加入时间、空间维度&＃xff0c;借此从多个角度、维度观察现实世界&＃xff0c;由于内置了时间和空间知识&＃xff0c;因此也能进行时间序列分析和地理位置分析&＃xff0c;挖掘事物相互的关系&＃xff0c;以及潜在的业务含义&＃xff0c;进行推断&＃xff0c;并作出预测。刘译璟介绍&＃xff0c;这些基于动态知识图谱的技术同样会应用于 DeepMatrix。
应用动态知识图谱有着明显的好处。想要形成新的知识&＃xff0c;并不需要从最底层开始&＃xff0c;进行数据处理和融合&＃xff0c;只需修改本体映射即可。「每一个关系、标签、属性&＃xff0c;都有一个概率值&＃xff0c;所以我们能做动态推论&＃xff0c;哪怕有一些关系或者属性在最初阶段没有设计到这个系统&＃xff0c;通过动态推断&＃xff0c;也能了解到这些实体之间应该有什么样的关系&＃xff0c;具备什么样的属性。」刘译璟说&＃xff0c;「由于内置了时间和空间&＃xff0c;也可以动态地看待每个实体、每个概念。」
如果只有知识并不足以支撑整个智能决策。在知识图谱之上&＃xff0c;还需要系列决策工具&＃xff0c;比如通过搜索&＃xff0c;直接搜索现实世界&＃xff0c;对现实世界中的关系网络、实体快速进行统计分析。
DeepMatrix 作为一个行业决策系统&＃xff0c;如何将技术应用于行业&＃xff0c;刘译璟表示&＃xff0c;他们会将行业领域业务专家的知识输入业务模型&＃xff0c;再整体输入DeepMatrix。刘译璟认为&＃xff0c;这些都是 DeepMatrix 拥有智能决策能力的基础。
安全分析、政府决策、全媒体服务、智能营销、智能制造&＃xff0c;DeepMatrix 具有五大应用场景
沿袭百分点以往将产品做成整体解决方案的思路&＃xff0c;DeepMatrix 同样是一个整体解决方案&＃xff0c;在架构上分为三层&＃xff0c;最底层是大数据操作系统&＃xff0c;负责所有数据的接入、处理等。中间是百分点自主研发的智能认知引擎&＃xff0c;应用了智能交互、自然语言处理、智能标签、动态知识图谱等技术。最上层是各个子系统&＃xff0c;比如安全分析、政府决策、全媒体服务、智能营销、智能制造。
百分点智能安全分析系统 Deep Finder&＃xff0c;将客户的所有数据接入大数据平台&＃xff0c;通过动态知识图谱的技术构建出知识&＃xff0c;在知识之上构建客户能使用的前端系统&＃xff0c;比如搜索、分析、风险识别等。此外&＃xff0c;还构建内容、模型管理等后台管理系统&＃xff0c;用于公共安全领域&＃xff0c;比如反恐、安防等。
举个例子&＃xff0c;如果搜索「今天十二点在安贞桥通过的白色别克车」&＃xff0c;系统会通过自然语言理解翻译成直接的语句&＃xff0c;分析这个时间、这个地点交通卡口的车牌号以及车牌号对应的属性。搜索结果的呈现方式也与普通 2C 搜索引擎不同&＃xff0c;如果搜索一辆车&＃xff0c;呈现方式就是一辆车&＃xff0c;如果搜索一个人&＃xff0c;呈现方式也是一个人。
然而&＃xff0c;现实世界错综复杂&＃xff0c;任何物体在现实世界中都相互联系&＃xff0c;为了应对这种情况&＃xff0c;Deep Finder 会把个体置于整个关系网络分析&＃xff0c;相比简单分析亲属关系&＃xff0c;Deep Finder 更关注「两个人通电话」或者「发生了资金转账」&＃xff0c;通过这种隐秘的数据将两人进行联系。同时&＃xff0c;也会将个体和关系置于历史和空间中进行分析&＃xff0c;清晰地知道何时、何地&＃xff0c;何人做了何事&＃xff0c;他与何人有何种关系&＃xff0c;那人又会做何事。通过交互式的分析&＃xff0c;以此还原现实世界&＃xff0c;让分析人员快速了解现实世界。
百分点集团研发总监黄伟认为&＃xff0c;通过搜索入口和分析工具&＃xff0c;虽然能够进行事后分析&＃xff0c;快速抓取线索。但是&＃xff0c;与其事后抓到线索&＃xff0c;不如去预防。这就需要所有的数据&＃xff0c;机器智能就派上了用场。
黄伟介绍&＃xff0c;使用规则引擎&＃xff0c;他们将客户、分析人员的宝贵经验输入系统&＃xff0c;让系统处理重复性工作&＃xff0c;提高效率。再通过推理引擎实现基于知识图谱之上的推理。比如&＃xff0c;查找「爷爷」&＃xff0c;系统就会了解查找的是「爸爸的爸爸」。此外&＃xff0c;还能基于现实世界&＃xff0c;进行物理性的推理&＃xff0c;比如某个物体在某个时间点只能出现在一个地方&＃xff0c;不然这个人就不是同一个人。
「我们还能通过机器学习引擎&＃xff0c;使用业务累计的标注数据&＃xff0c;搭建预测模型&＃xff0c;让机器根据这些数据&＃xff0c;分辨出什么样的人具有什么样的高危概率&＃xff0c;从而进行预防。」黄伟说。
百分点智能政府决策系统 Deep Governor 的架构同样有三个层次。底层是统一的数据管理平台&＃xff0c;中间层是使用大数据和动态知识图谱、自然语言处理、商业建模等人工智能技术构建的支撑服务层。最上层是系统应用层&＃xff0c;涵盖包括模型管理、指标管理、报表管理的基础应用&＃xff0c;在基础应用上则是涵盖人口规划、国家宏观发展规划、区域发展规划等决策应用。
而支撑这些应用的是大量行业专家的决策知识和 6 大类 50 余种社会经济发展的综合决策模型&＃xff0c;前者涵盖人口学、经济学、社会学等多个学科&＃xff0c;后者包括系统动力学模型、微观仿真模型、资源供需分析模型、GIS 多重置叠模型等。
最终&＃xff0c;这些宏观的数据以及关系到决策的重要因素&＃xff0c;用可视化、实时交互的方式展现在技术图层上&＃xff0c;进行政府决策模拟并比对调整后的效果。
百分点智能全媒体服务系统 Deep Editor 包括内容生产、内容传播和用户经营三个部分。最底层是全媒体的资产服务管理&＃xff0c;支撑全媒体全流程的媒体资源的自动化管理和使用。中间层则是基于当前阶段不同时段媒体的影响力&＃xff0c;让机器去决策、规划出适合当前的传播策略。然后是全生命周期的用户画像和经营系统&＃xff0c;基于多渠道的信息聚合形成全面的用户画像。
百分点智能营销系统 Deep Creator 同样具有三大特征。
如今&＃xff0c;消费者的行为非常碎片化&＃xff0c;它既可能出现在线下门店&＃xff0c;也可能出现在电商平台、微信端的语音电话&＃xff0c;如何打通多渠道的多元异构的数据&＃xff0c;形成实时的、动态的消费者标签&＃xff0c;深刻理解消费者的行为和偏好&＃xff0c;Deep Creator 则能通过深度自学习对消费者进行准确认知。
「我们基于 GPU 的高性能的算法&＃xff0c;自动提取消费者的超高维的行为特征&＃xff0c;同时将业务的规则和经验作为 AI 学习的边界&＃xff0c;减少 AI 学习的负担&＃xff0c;提升 AI 学习的效率。所以&＃xff0c;建立动态的消费者知识图谱是一件 BEYOND AI 的事情。」百分点首席数据科学家杜晓梦说。
杜晓梦介绍&＃xff0c;未来营销人主要的工作在于构建各种不同的营销场景&＃xff0c;例如获客场景、客户活跃的场景、客户流失的场景、转化的场景和传播的场景&＃xff0c;Deep Creator 则用 BI 构建场景&＃xff0c;AI 自主学习进行决策判断。
同时&＃xff0c;基于捕捉的消费者实时行为&＃xff0c;系统会进行场景化判断&＃xff0c;决定在什么样的场景下&＃xff0c;用人工智能进行主动互动&＃xff0c;什么样的场景通过短信&＃xff0c;什么样的场景通过邮件触发&＃xff0c;什么样的场景需要人来实时和消费者进行互动。此外&＃xff0c;系统还会把所有的营销流量进行随机分流&＃xff0c;从而测试不同的营销互动的策略的有效性。「这些都是 Deep Creator 自主决策的结果。」杜晓梦说。
智能制造大数据系统 Deep Sensor 则是针对制造行业&＃xff0c;对各种设备进行全生命周期实时管理&＃xff0c;利用数据分析实现实时设备健康预警等智能化远程运维。
京公网安备 11010802041100号