(網(wǎng)經(jīng)社訊)
一. 認(rèn)知智能行業(yè)概覽
二. 認(rèn)知智能的落地條件及挑戰(zhàn)
三. 認(rèn)知智能的市場空間分析
四. 認(rèn)知智能的重要場景應(yīng)用分析
五. 認(rèn)知智能的未來趨勢
六. 認(rèn)知智能廠商競爭分析及典型廠商介紹
關(guān)于愛分析
法律聲明
認(rèn)知智能行業(yè)概覽
1.1 AI行業(yè)圖譜及認(rèn)知智能定位
人工智能（AI）是研究、開發(fā)用于模擬、延伸和擴展人智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新技術(shù)科學(xué)。人工智能領(lǐng)域的研究包括機器人、機器學(xué)習(xí)、圖像識別、NLP和專家系統(tǒng)等。
人類基于視覺、觸覺、聽覺等具備對環(huán)境的感知，基于知識庫和邏輯理解形成對世界的認(rèn)知，并在此基礎(chǔ)上展開相應(yīng)的行動。人工智能對人的模擬也分為感知智能、認(rèn)知智能 、以及行動智能三個層面，也是人工智能行業(yè)發(fā)展的三個階段 。
人工智能對人智能模擬的實現(xiàn)，建立在數(shù)據(jù)、知識及其算法之上，因此數(shù)據(jù)是人工智能領(lǐng)域最重要的生產(chǎn)資料。從感知、認(rèn)知到行動的三大發(fā)展階段，也代表了數(shù)據(jù)處理的流程和深度。
感知智能主要是數(shù)據(jù)識別，只需要完成對大規(guī)模數(shù)據(jù)的采集，以及對圖像、視頻、聲音等類型的數(shù)據(jù)進(jìn)行特征抽取，完成結(jié)構(gòu)化處理。
認(rèn)知智能則需要在數(shù)據(jù)結(jié)構(gòu)化處理的基礎(chǔ)上，理解數(shù)據(jù)之間的關(guān)系和邏輯，并在理解的基礎(chǔ)上進(jìn)行分析和決策，即認(rèn)知智能包括理解、分析、決策三個環(huán)節(jié)。
行動智能是在認(rèn)知智能基礎(chǔ)之上的執(zhí)行，主要是人機協(xié)同。人機協(xié)同是在復(fù)雜的環(huán)境下，以知識（比如知識圖譜）為支撐，進(jìn)行數(shù)據(jù)推理，合理調(diào)度資源，使人類智能、人工智能和組織智能有效結(jié)合，打通感知、認(rèn)知和行動的智能系統(tǒng)。
比如在公安場景下，知識圖譜有16億實體，數(shù)據(jù)比較全，是人工智能展現(xiàn)能力的絕佳場景。在做人物關(guān)系的二度或三度搜索時，其搜索復(fù)雜度與數(shù)據(jù)量是指數(shù)級關(guān)系，如果單純靠機器來做，5個禮拜或者5個小時以后，才能做出空間的全景搜索，耗時相當(dāng)長；如果人機協(xié)同，結(jié)合人類經(jīng)驗和洞察，看到哪一個點有線索就瞄準(zhǔn)這一個方向調(diào)查，判斷可能存在線索和可疑之處，進(jìn)行深入探查，就能快速得出結(jié)論，高效解決問題。
1.1.1 感知智能—基于數(shù)據(jù)識別的場景應(yīng)用
感知智能是指將物理世界的數(shù)據(jù)通過攝像頭、麥克風(fēng)或者其他傳感器等方式進(jìn)行采集，借助語音識別、圖像識別等技術(shù)，映射到數(shù)字世界，并做標(biāo)準(zhǔn)化、結(jié)構(gòu)化處理，一方面實現(xiàn)在特定場景的應(yīng)用落地；另一方面可將數(shù)據(jù)提升至可認(rèn)知的層次，即將信息翻譯成及人類可理解、并用于分析和決策的數(shù)據(jù)，為認(rèn)知智能提供數(shù)據(jù)基礎(chǔ)。
在感知智能階段，人工智能的核心價值在于進(jìn)行數(shù)據(jù)的采集和處理，主要是圖像、語音、和文字的識別，分別對應(yīng)計算機視覺、智能語音和NLP三大技術(shù)。
計算機視覺主要實現(xiàn)產(chǎn)業(yè)應(yīng)用中對圖像或者視頻內(nèi)物體/場景識別、分類、定位、檢測、圖像分割等功能的需求，目前已被廣泛應(yīng)用于視頻監(jiān)控、自動駕駛、車輛/人臉識別、醫(yī)學(xué)影像分析、機器人自主導(dǎo)航、工業(yè)自動化系統(tǒng)、航空以及遙感器測量等領(lǐng)域。
智能語音技術(shù)主要是指語音識別與合成、語音增強、聲紋識別等，人機語音交互和語音控制中的主要部分是NLP中的人機對話部分。當(dāng)前已廣泛應(yīng)用于智能音箱、語音助手等領(lǐng)域。2018年第一季度，谷歌和亞馬遜的智能音箱出貨量分別為320萬臺、和250萬臺，根據(jù)清華大學(xué)中國科技政策研究中心發(fā)布的《中國人工智能發(fā)展報告2018》，近幾年智能音箱的年復(fù)合增長率超過30%。
感知智能階段的NLP，主要是進(jìn)行文本結(jié)構(gòu)識別、關(guān)鍵詞匹配等，完成文本識別類任務(wù)并給出反饋，屬于NLP技術(shù)的初級應(yīng)用。比如在檢索中提取關(guān)鍵字并按照相關(guān)度為用戶呈現(xiàn)檢索結(jié)果，此時的機器并無法理解詞語、以及句子所表達(dá)的意思。
而更高級階段的NLP則能夠基于詞性標(biāo)注、實體命名識別、關(guān)系抽取等功能，從各類數(shù)據(jù)源中提取特定類型的信息，將非結(jié)構(gòu)化文本轉(zhuǎn)化成結(jié)構(gòu)化的文本，再通過語義分析掌握用戶需求，并基于與知識圖譜的融合，最終為用戶提供分析決策。
比如檢索“周杰倫的雙截棍”，基于知識圖譜的搜索引擎，背后有知識庫支撐，能夠自動將周杰倫識別為人名，將雙截棍識別為歌名，我們就能理解用戶的搜索意圖是—歌手周杰倫的歌曲《雙截棍》。
不管是從感知智能技術(shù)發(fā)展，還是行業(yè)應(yīng)用普及來看，人工智能的第一階段——感知智能已經(jīng)到了行業(yè)發(fā)展成熟期。
斯坦福百年研究（AI 100）發(fā)布的全球“2018年人工智能指數(shù)”（AI Index）報告指出，計算機視覺領(lǐng)域的人工智能性能正在不斷提升。
比如，通過測試廣泛使用的圖像訓(xùn)練庫ImageNet的基準(zhǔn)性能，啟動按照最新精度對圖片進(jìn)行分類的模型的時間，已經(jīng)從1小時下降至4分鐘，意味著訓(xùn)練速度提升約15倍。MIT媒體實驗室的數(shù)據(jù)也顯示，在真笑和假笑的表情識別測試中，當(dāng)前最優(yōu)算法的成功率達(dá)到93%，表現(xiàn)大幅度優(yōu)于人類。
在智能語音方面，百度、科大訊飛、搜狗等主流平臺識別準(zhǔn)確率均在97%以上。科大訊飛擁有深度全序列卷積神經(jīng)網(wǎng)絡(luò)語音識別框架，實驗條件下語音輸入法的識別準(zhǔn)確率達(dá)到了 98%；阿里巴巴人工智能實驗室通過語音識別技術(shù)開發(fā)了聲紋購物功能的 人工智能產(chǎn)品。
感知智能的發(fā)展主要得益于計算機視覺和智能語音技術(shù)的滲透，以及硬件的進(jìn)步，當(dāng)前，感知智能應(yīng)用已經(jīng)在各行各業(yè)開始普及，實現(xiàn)多場景落地。
在各個場景應(yīng)用中，智能安防是感知智能最大的場景應(yīng)用，誕生了商湯、曠世、依圖、云從等獨角獸級別企業(yè)，此外，華為、?？低暤绕髽I(yè)也在智能安防領(lǐng)域布局。
安防主要是基于對大量圖像、視頻數(shù)據(jù)的標(biāo)注，訓(xùn)練出能夠識行人、車輛、建筑等的模型，應(yīng)用于治安防控領(lǐng)域，包含警用和民用兩個方向。其中警用主要是實時分析圖像和視頻，及時從海量的視頻端識別人員、車輛信息、或者直接追蹤犯罪嫌疑人，極大的提升案件偵查、抓捕等工作的效率。民用領(lǐng)域主要是人臉門禁打卡、機場安檢、發(fā)現(xiàn)盜竊等場景。
感知智能進(jìn)入行業(yè)成熟期的另一個重要標(biāo)志是，已經(jīng)開始在工業(yè)、農(nóng)業(yè)等傳統(tǒng)領(lǐng)域滲透。
浙江正泰新能源是國內(nèi)規(guī)模最大的民營光伏發(fā)電企業(yè)，企業(yè)在生產(chǎn)電池片過程中都是通過肉眼做產(chǎn)品質(zhì)檢，成本高、效率低。有了以計算機視覺為主的感知智能滲透，質(zhì)檢檢出率和效率得以雙雙提升。
通過阿里云AI圖像技術(shù)，企業(yè)可以通過深度學(xué)習(xí)與圖像處理技術(shù)進(jìn)行自動產(chǎn)品缺陷判定，令碎片率（瑕疵品）下降50%。而且，從圖像拍攝到數(shù)據(jù)接收、處理，到數(shù)據(jù)上傳MES系統(tǒng)做缺陷判定，再到MES系統(tǒng)下達(dá)指令給機械手臂抓取缺陷產(chǎn)品，整個過程無需人工干預(yù)，且耗時不到一秒，僅為原先的一半。
1.1.2 認(rèn)知智能—基于行業(yè)知識圖譜的深度應(yīng)用
由于不同領(lǐng)域、不同場景應(yīng)用的識別技術(shù)相差無幾，因此感知智能階段，可以提供各行業(yè)通用的識別解決方案。而認(rèn)知智能則更注重與行業(yè)知識的融合，在各行各業(yè)的落地應(yīng)用中需要有更細(xì)分的解決方案積累。
感知智能不具備理解和推理能力，從特征抽取和不斷的學(xué)習(xí)訓(xùn)練中完成識別任務(wù)，機器解決的多是人類能夠解決的模式識別類的問題，重在提升效率。
認(rèn)知智能是感知智能的進(jìn)階，需要在感知智能的基礎(chǔ)上，結(jié)合行業(yè)知識，理解數(shù)據(jù)之間的邏輯關(guān)系以及代表的業(yè)務(wù)意義，并在此基礎(chǔ)上進(jìn)行分析和決策。
在認(rèn)知智能階段，機器能夠通過知識圖譜挖掘隱性關(guān)系，洞察“肉眼”無法發(fā)現(xiàn)的關(guān)系和邏輯，用于最終的業(yè)務(wù)決策，注重行業(yè)知識圖譜和關(guān)系挖掘，是AI在行業(yè)中更深層次的落地應(yīng)用。
從數(shù)據(jù)處理流程和應(yīng)用環(huán)節(jié)來看，認(rèn)知智能可以分為連接、分析和決策三大環(huán)節(jié)。
連接環(huán)節(jié)完成業(yè)務(wù)數(shù)字化、以及數(shù)據(jù)結(jié)構(gòu)化，即基于業(yè)務(wù)需要，將業(yè)務(wù)流程全部在線化、數(shù)字化，并加入行業(yè)知識和場景知識，完成實體、屬性、以及實體之間的關(guān)系梳理，將不同數(shù)據(jù)進(jìn)行分類、統(tǒng)一和結(jié)構(gòu)化，構(gòu)建知識庫。
在人工智能第一階段——感知智能的發(fā)展中，計算機視覺和智能語音是核心驅(qū)動技術(shù)，NLP則是小何才露尖尖角，完成觸及的文本類數(shù)據(jù)標(biāo)注和識別；當(dāng)人工智能進(jìn)入認(rèn)知智能階段的發(fā)展，NLP和知識圖譜開始深度結(jié)合，在數(shù)據(jù)處理層面，其價值是將海量的、非結(jié)構(gòu)化的、異構(gòu)數(shù)據(jù)，轉(zhuǎn)換為機器能夠更好理解的數(shù)據(jù)，成為行業(yè)應(yīng)用落地的技術(shù)支撐。
比如，在公安領(lǐng)域，連接打通跨警鐘數(shù)據(jù)，可以建立基于知識圖譜的一體化指揮作戰(zhàn)平臺，提升預(yù)警研判的準(zhǔn)確度以及犯罪嫌疑人抓捕等行動效率。
其中，真正的“數(shù)據(jù)打通”并不是簡單的系統(tǒng)連接和數(shù)據(jù)對接、查詢等簡單應(yīng)用，而是實現(xiàn)“數(shù)據(jù)為元、全息獲取”的公安大數(shù)據(jù)庫，建立“人、事、地、物、組織”等動態(tài)信息數(shù)字化，并分別對應(yīng)到受害人、犯罪嫌疑人、作案工具、作案規(guī)模等維度，確定數(shù)據(jù)屬性及其相互之間的基礎(chǔ)關(guān)系，構(gòu)建公安數(shù)據(jù)知識庫，實現(xiàn)業(yè)務(wù)數(shù)字化、數(shù)據(jù)結(jié)構(gòu)化。
分析環(huán)節(jié)主要是根據(jù)提供的數(shù)據(jù)，基于行業(yè)知識圖譜尋找到合適的結(jié)果，發(fā)現(xiàn)各種潛在的、隱性關(guān)系。
明略科技基于某全國股份制銀行全行近十年全量數(shù)據(jù)構(gòu)建成“企業(yè)、個人、機構(gòu)、賬戶、交易以及行為數(shù)據(jù)”規(guī)模達(dá)十億點百億邊的知識圖譜數(shù)據(jù)庫。通過采用復(fù)雜網(wǎng)絡(luò)、圖計算等知識圖譜技術(shù)，實現(xiàn)海量數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的分析和探索，加強對業(yè)務(wù)開展過程中的遠(yuǎn)程風(fēng)險管控能力，深入挖掘只靠人力所不能發(fā)現(xiàn)的問題，加強業(yè)務(wù)過程中的操作風(fēng)險、員工道德風(fēng)險管理，提升銀行整體風(fēng)控能力和風(fēng)控效率。
比如，基于生成的客戶關(guān)系網(wǎng)絡(luò)圖譜，可完整展現(xiàn)對公客戶“個人-企業(yè)-個人”的復(fù)雜關(guān)系，構(gòu)建復(fù)雜的資金流轉(zhuǎn)全貌，通過圖挖掘技術(shù)，挖掘復(fù)雜的隱形關(guān)系和利益共同體，實現(xiàn)無死角的資金監(jiān)控管理。
決策環(huán)節(jié)，主要是基于沉淀的行業(yè)Know-how和業(yè)務(wù)經(jīng)驗，形成解決方案，從而為客戶解決具體問題提供輔助建議以及依據(jù)。
1.1.3 認(rèn)知智能—基于知識圖譜的隱性關(guān)系挖掘和推理
從實際行業(yè)落地層面來看，認(rèn)知智能與感知智能最大的區(qū)別有兩點。一是認(rèn)知智能能夠基于行業(yè)知識圖譜，挖掘僅靠識別功能難以完成的隱性關(guān)系；另一方面，認(rèn)知智能不僅能“知其然”，還能“知其所以然”，即具備推理功能。
這兩點的核心支撐都是知識圖譜。
比如，AI輔助診斷一般的模式為“理解病癥—評定醫(yī)學(xué)證據(jù)—選擇治療方案”三個步驟，分別對應(yīng)認(rèn)知智能連接、分析、決策三個環(huán)節(jié)。醫(yī)學(xué)知識圖譜是AI輔助診斷的基礎(chǔ)支撐。
第一步，病癥的獲取包括患者自 述、醫(yī)生檢查、化驗結(jié)果分析等，系統(tǒng)會提取其中關(guān)鍵的特征并結(jié)合患者的歷史健康信息，通過NLP讀取病歷。
第二步，AI基于已有醫(yī)學(xué)知識圖譜分析患者病情，除了對病歷上已有癥狀的分析，也注重可能的并發(fā)癥等隱性關(guān)系的排查。要求患者或醫(yī)生提供某方面的病癥補充，或提示需做的檢查、鑒別要點。
第三步，AI 結(jié)合從文獻(xiàn)、診療標(biāo)準(zhǔn)、臨床指南和臨床經(jīng)驗等數(shù)據(jù)積累中學(xué)習(xí)的知識，通過知識圖譜和推理假設(shè)將獲取的病癥信息聯(lián)系起來，形成可能的結(jié)論、置信度及證據(jù)，并生成診斷結(jié)論和治療方案建議。
最終，醫(yī)生在權(quán)衡療效、副作用、疾病轉(zhuǎn)移及其他因素之后，給出診斷。
作為感知智能的進(jìn)階版，伴隨認(rèn)知智能而來的，是更高的技術(shù)要求、更廣闊的市場前景、以及更高的行業(yè)進(jìn)入壁壘。
這對提供認(rèn)知智能解決方案的廠商提出了兩個方面的要求。一是深耕細(xì)作，注重行業(yè)知識圖譜的打磨和積累；二是將垂直行業(yè)業(yè)務(wù)經(jīng)驗，沉淀到平臺，并轉(zhuǎn)化為知識，服務(wù)于業(yè)務(wù)決策。
1.2 AI行業(yè)趨勢—從感知智能到認(rèn)知智能
當(dāng)前，隨著人工智能在安防、智能音箱等領(lǐng)域的大規(guī)模應(yīng)用落地，整個人工智能行業(yè)已經(jīng)走過感知智能階段，進(jìn)入認(rèn)知智能時代。
體現(xiàn)在兩個方面，一是人工智能行業(yè)的基礎(chǔ)設(shè)施——數(shù)據(jù)的標(biāo)準(zhǔn)化，已經(jīng)趨于成熟；二是行業(yè)實際需求的牽引，行業(yè)亟需機器基于行業(yè)Know-how、業(yè)務(wù)經(jīng)驗沉淀提供決策支持類應(yīng)用。
在感知智能階段，智能語音和計算機視覺技術(shù)的成熟，以及NLP技術(shù)在文本識別等場景的大規(guī)模應(yīng)用，使得大量的多源異構(gòu)、非結(jié)構(gòu)化數(shù)據(jù)，成為可應(yīng)用于知識庫和知識圖譜構(gòu)建的標(biāo)準(zhǔn)化、結(jié)構(gòu)化數(shù)據(jù)，完善了認(rèn)知智能發(fā)展的基礎(chǔ)設(shè)施。
比如，感知智能相關(guān)的機器視覺、語音識別、NLP領(lǐng)域，已有大量的通用數(shù)據(jù)庫，應(yīng)用于視覺、語音、文本等各類數(shù)據(jù)的識別訓(xùn)練。
感知智能在識別領(lǐng)域的行業(yè)應(yīng)用也早已普及，比如語音識別、通用物體識別、人臉識別、目標(biāo)跟蹤、姿態(tài)識別等。人工智能的下一場，將進(jìn)入認(rèn)知智能的戰(zhàn)場。
從行業(yè)應(yīng)用角度來看，在感知智能解決數(shù)據(jù)采集和識別問題的基礎(chǔ)上，各行各業(yè)的業(yè)務(wù)部門開始對認(rèn)知智能帶來的低運營成本（比如更高效節(jié)省時間成本、或者是直接的人力替代）、以及知識圖譜驅(qū)動的業(yè)務(wù)決策有了越來越明確的訴求。
以認(rèn)知智能滲透較為領(lǐng)先的金融行業(yè)為例，當(dāng)前金融行業(yè)面臨運營成本高，客戶服務(wù)壓力大；產(chǎn)品服務(wù)單一，無法很好的覆蓋長尾客戶；交易欺詐風(fēng)險高等實際業(yè)務(wù)問題，這些都無法通過感知智能技術(shù)解決，而知識圖譜驅(qū)動的認(rèn)知智能則能提供相應(yīng)的解決方案。
基于語義理解的智能客服能夠與客戶就簡單問題進(jìn)行人機交互，降低金融機構(gòu)客戶服務(wù)的成本，而且效率和客戶體驗都能大大提升。人工客服培訓(xùn)成本高、服務(wù)效果難以統(tǒng)一、而且流動性很大。智能客服能夠依靠知識圖譜回答簡答的、重復(fù)性的問題，減少人工客服使用，提升銀行等金融機構(gòu)客服效率及效果。不僅僅是金融領(lǐng)域，全行業(yè)來看，根據(jù)德勤的數(shù)據(jù)，當(dāng)前客服機器人已替代40%-50%的人工客服工作，預(yù)計到2020年，85%的客服工作將依靠人工智能完成。
在理財高端市場，理財規(guī)劃師能夠提供專屬服務(wù)，但在中產(chǎn)之下的長尾市場，付費能力有限，單靠理財師也很難覆蓋大眾的個性化需求。利用大數(shù)據(jù)、人工智能技術(shù)開發(fā)的智能投顧，能夠向更多客戶提供個性服務(wù)，助力零售銀行低成本覆蓋廣大長尾市場。比如，招商銀行推出的“摩羯智投”可提供投資理財咨詢，2016年戶均購買金額為3.69 萬元，機器在理財師很難覆蓋的領(lǐng)域大顯身手。
相比于人工信貸審核，人工智能不僅效率高，更重要的是能夠進(jìn)行更多維度的關(guān)聯(lián)數(shù)據(jù)分析，將知識圖譜應(yīng)用于風(fēng)控環(huán)節(jié)。例如螞蟻金服推出的“蟻盾”、“芝麻信用”，網(wǎng)易金融推出的風(fēng)控系統(tǒng)“北斗”，相比于比傳統(tǒng)銀行，這類解決方案能夠基于更多維度的用戶數(shù)據(jù)（知識圖譜可以關(guān)聯(lián)到用戶職業(yè)、行為、社交等各類數(shù)據(jù)），開展更高效的信貸業(yè)務(wù)，同時也能降低交易欺詐等信貸風(fēng)險。
在公安領(lǐng)域，行業(yè)應(yīng)用也已經(jīng)從最初的人臉識別、車輛識別等感知層應(yīng)用，向情報研判等認(rèn)知智能應(yīng)用發(fā)展。
近些年公安大數(shù)據(jù)建設(shè)、各垂直系統(tǒng)的縱向業(yè)務(wù)拉通，各單位橫向數(shù)據(jù)的融合和分層解耦奠定了公安業(yè)務(wù)數(shù)據(jù)規(guī)范化、標(biāo)準(zhǔn)化的基礎(chǔ)，同時感知智能的快速發(fā)展，基于人臉特征的聚類、分類，一人一檔、一車一檔，視圖庫的建設(shè)，圖像不僅能辨認(rèn)人，更能連接人、管理人。視頻網(wǎng)和公安信息網(wǎng)的內(nèi)容融合趨勢愈發(fā)強烈，構(gòu)建全域感知圖譜，并在此基礎(chǔ)上構(gòu)建公安知識圖譜，驅(qū)動更多上層應(yīng)用的時機日益成熟。
在這樣大背景下，明略科技將海量感知數(shù)據(jù)納入知識構(gòu)建與積累，打造了認(rèn)知力更強、時效性更快、更具行動力的全域知識圖譜，讓機器更好的進(jìn)行推理與規(guī)劃，從而從平臺服務(wù)、數(shù)據(jù)服務(wù)到應(yīng)用服務(wù)構(gòu)建了由感知到認(rèn)知再到行動的完整閉環(huán)，形成了基于AI技術(shù)的警務(wù)支撐體系和安全保障體系，目前已經(jīng)廣泛應(yīng)用于專業(yè)研判、情指一體化、社區(qū)治安防控等場景中。
1.3 認(rèn)知智能技術(shù)演進(jìn)
知識圖譜和NLP是認(rèn)知智能兩大關(guān)鍵性技術(shù)，兩者在認(rèn)知智能中的融合日漸緊密。
知識圖譜既是一種語義網(wǎng)絡(luò)，是認(rèn)知智能中知識表示的最重要方式；同時也是一種技術(shù)體系，完成知識推理，實現(xiàn)對人類認(rèn)知活動的模擬，其發(fā)展經(jīng)歷了三大階段。
第一階段（1955年—1977年），是知識圖譜起源階段，最先是從科學(xué)文獻(xiàn)索引應(yīng)用中衍生出知識圖譜的概念。
第二階段（1977年-2012年），是知識圖譜發(fā)展階段，知識圖譜的前身——基于規(guī)則的專家系統(tǒng)登臺亮相；知識表示、知識組織等知識圖譜的關(guān)鍵技術(shù)開始發(fā)展；知識本體、知識推理等知識圖譜關(guān)鍵要素開始大規(guī)模普及。
第三階段（2012-至今），是知識圖譜的繁榮階段，知識圖譜強調(diào)語義檢索能力，關(guān)鍵技術(shù)包括從互聯(lián)網(wǎng)的網(wǎng)頁中抽取實體、屬性及關(guān)系，旨在解決自動問答、個性化推薦和智能信息檢索等方面的問題。
目前，知識圖譜技術(shù)正逐漸改變現(xiàn)有的信息檢索方式，如谷歌、百度等主流搜索引擎都在采用知識圖譜技術(shù)提供信息檢索。一方面通過推理實現(xiàn)概念檢索（相對于現(xiàn)有的字符串模糊匹配方式而言）；另一方面以圖形化方式向用戶展示經(jīng)過分類整理的結(jié)構(gòu)化知識，從而使人們從人工過濾網(wǎng)頁尋找答案的模式中解脫出來。
NLP是認(rèn)知智能領(lǐng)域的關(guān)鍵技術(shù)，分為語音分析、詞法分析、句法分析、語義分析和語用分析五個層次。其中詞法分析、句法分析和語義分析是認(rèn)知智能領(lǐng)域構(gòu)建行業(yè)知識圖譜的重要性技術(shù)。
NLP的發(fā)展也經(jīng)歷了三個階段。
第一階段（ 20 世紀(jì) 50 年代到 70 年代）：1950 年提出的“圖靈測試” 是NLP思想的開端， 當(dāng)時的NLP主要采用基于規(guī)則的方法。但是由于硬件條件不足以支撐NLP的落地應(yīng)用，因此并未得到充分的發(fā)展。
第二階段：70 年代以后互聯(lián)網(wǎng)高速發(fā)展，語料庫豐富、硬件不斷更新完善， NLP由理性主義向經(jīng)驗主義過渡，基于統(tǒng)計的方法逐漸代替了基于規(guī)則的方法。NLP基于數(shù)學(xué)模型和統(tǒng)計的方法取得了實質(zhì)性的突破，從實驗室走向?qū)嶋H應(yīng)用。
第三階段：從 2008 開始，深度學(xué)習(xí)逐漸開始被引入做NLP研究，此后深度學(xué)習(xí)與NLP的結(jié)合一度被推向高潮，并在機器翻譯、問答系統(tǒng)、閱讀理解等領(lǐng)域取得了一定成功。
在認(rèn)知智能實現(xiàn)的過程中，知識圖譜解決了兩大核心問題——一是基于實體、屬性及其實體間關(guān)系的顯性關(guān)系的構(gòu)建，二是基于圖檢索和圖挖掘技術(shù)的隱性關(guān)系的挖掘。
其中，知識圖譜和NLP技術(shù)的融合必不可少。
行業(yè)知識圖譜的構(gòu)建，是認(rèn)知智能實現(xiàn)的前提，而在行業(yè)知識圖譜構(gòu)建的過程中，NLP技術(shù)必不可少。
隨著大數(shù)據(jù)時代的到來，傳統(tǒng)手工的方式對于知識圖譜的構(gòu)建可以說基本上是無法完成的任務(wù)，必須依賴NLP的技術(shù)在海量數(shù)據(jù)中自動化的抽取知識，有監(jiān)督的構(gòu)建知識體系以及可持續(xù)的補充完善知識圖譜。
1.4 認(rèn)知智能行業(yè)圖譜
認(rèn)知智能領(lǐng)域廠商可以分為兩大類。
第一類是由于自身業(yè)務(wù)需要，實現(xiàn)認(rèn)知智能在業(yè)務(wù)流程中的滲透，甚至是基于認(rèn)知智能技術(shù)提供服務(wù)。比如阿里、百度、騰訊、美團(tuán)、滴滴、頭條等。
第二類是面向政府、金融、零售等行業(yè)客戶，提供認(rèn)知智能解決方案的廠商。其中，一部分是從感知智能向認(rèn)知智能延伸的廠商，比如商湯、曠世、云從、依圖等安防起家的廠商；還有一部分，是以認(rèn)知智能應(yīng)用為主的廠商，比如谷歌、今日頭條、明略科技等。
認(rèn)知智能的落地條件及挑戰(zhàn)
從底層數(shù)據(jù)治理，到上層行業(yè)場景應(yīng)用，認(rèn)知智能業(yè)務(wù)架構(gòu)可分為數(shù)據(jù)中臺、AI中臺、業(yè)務(wù)中臺以及行業(yè)場景應(yīng)用四層。
數(shù)據(jù)中臺不但要將大數(shù)據(jù)處理技術(shù)（流計算、批量計算、實時采集、離線采集）封裝起來，形成計算平臺；同時進(jìn)入數(shù)據(jù)中臺的數(shù)據(jù)都將成為其核心資產(chǎn)——即按照規(guī)范的建模方法論將數(shù)據(jù)形成主題域模型、標(biāo)簽?zāi)Ｐ突蛘咚惴Ｐ?。其功能在于打通固有多業(yè)務(wù)系統(tǒng)之間的數(shù)據(jù)壁壘，融合各個不同業(yè)務(wù)系統(tǒng)間所產(chǎn)生的數(shù)據(jù)，通過數(shù)字化的運營和驅(qū)動來支撐前端業(yè)務(wù)的快速變化，從而產(chǎn)生更大的價值。
明略科技將知識圖譜融入數(shù)據(jù)中臺，用包含概念、實體、關(guān)系、事件、標(biāo)簽、指標(biāo)的知識圖譜統(tǒng)一視圖來定義面向領(lǐng)域的數(shù)據(jù)模型，并將所有隱性的語義，全部以顯性的形式放到知識圖譜里進(jìn)行呈現(xiàn)，將領(lǐng)域知識圖譜作為數(shù)據(jù)中臺的數(shù)據(jù)底座，從而實現(xiàn)面向業(yè)務(wù)領(lǐng)域數(shù)據(jù)組織方式的轉(zhuǎn)變，為企業(yè)打造真正具有行業(yè) Know-How的新一代數(shù)據(jù)中臺。
AI中臺本質(zhì)上是AI應(yīng)用的全生命周期開發(fā)和管理平臺，用于數(shù)據(jù)分析與處理、模型訓(xùn)練與評估、模型應(yīng)用與監(jiān)控。提供統(tǒng)一的數(shù)據(jù)存儲系統(tǒng)，和基于容器的異構(gòu)計算資源管理系統(tǒng)、機器學(xué)習(xí)庫與模型訓(xùn)練實驗管理系統(tǒng)以及模型部署與運行監(jiān)控系統(tǒng)，采用分布式模型訓(xùn)練，大幅提升數(shù)據(jù)和模型的性能、效果、目標(biāo)。從實現(xiàn)功能角度來看，AI中臺以實現(xiàn)業(yè)務(wù)智能為目標(biāo)，為數(shù)據(jù)科學(xué)家團(tuán)隊提供服務(wù)，加速用戶畫像、推薦系統(tǒng)、圖像識別、智能客服等智能應(yīng)用開發(fā)。
業(yè)務(wù)中臺多出現(xiàn)在認(rèn)知智能應(yīng)用相對比較成熟的領(lǐng)域，融合了行業(yè)或者特定場景的業(yè)務(wù)邏輯，其主要功能是實現(xiàn)業(yè)務(wù)能力的動態(tài)共享和服務(wù)復(fù)用。一般每個行業(yè)都能抽象出相應(yīng)的業(yè)務(wù)中臺，某些通用的場景也能抽象出業(yè)務(wù)中臺，應(yīng)用于各行各業(yè)。以明略科技構(gòu)建的營銷中臺為例，抽象了約10個模塊，應(yīng)用于快消、美妝、家電、汽車等零售相關(guān)領(lǐng)域。
行業(yè)場景應(yīng)用則是在業(yè)務(wù)中臺的支持下，實現(xiàn)特定功能。比如金融領(lǐng)域，認(rèn)知智能相關(guān)的場景應(yīng)用有反欺詐、反洗錢等。
以明略科技在零售領(lǐng)域的具體落地實踐為例，其認(rèn)知智能解決方案包括數(shù)據(jù)中臺、業(yè)務(wù)中臺和上層場景應(yīng)用。
數(shù)據(jù)中臺由數(shù)據(jù)匯聚平臺、數(shù)據(jù)治理和開發(fā)平臺、數(shù)據(jù)存儲、數(shù)據(jù)分析和數(shù)據(jù)共享服務(wù)五層結(jié)構(gòu)組成。數(shù)據(jù)中臺沉淀的數(shù)據(jù)源既包括業(yè)務(wù)系統(tǒng)中存儲的結(jié)構(gòu)化數(shù)據(jù)（數(shù)據(jù)中臺與企業(yè)業(yè)務(wù)系統(tǒng)連接，可以通過網(wǎng)關(guān)中間件獲取線上的訂單、顧客等數(shù)據(jù)，以及線下的POS數(shù)據(jù)等，未來也將通過智能設(shè)備獲取顧客行為感知數(shù)據(jù)），也包括明略科技補充的DMP數(shù)據(jù)。
零售行業(yè)的業(yè)務(wù)中臺由組織中心、商品中心、庫存中心、財務(wù)中心、會員中心、營銷中心、訂單中心、配置中心八個子模塊構(gòu)成。一般來說，業(yè)務(wù)中臺具體模塊的搭建往往是產(chǎn)生于客戶的需求，比如業(yè)務(wù)中臺下的訂單中心，通過打通客戶不同渠道的訂單系統(tǒng)，制定訂單處理規(guī)則，用API接口和前端對接或直接替代前端訂單系統(tǒng)。
目前的場景應(yīng)用包括供應(yīng)鏈側(cè)和營銷側(cè)，如供應(yīng)鏈側(cè)可以進(jìn)行銷量預(yù)測、存貨布局、自動補貨、自動調(diào)撥等，在營銷側(cè)可以對用戶畫像，對顧客進(jìn)行個性化商品推薦，同時實現(xiàn)促銷評估、動態(tài)變價等功能。
在認(rèn)知智能的四層基本業(yè)務(wù)架構(gòu)中，數(shù)據(jù)中臺層的海量數(shù)據(jù)的治理、以及AI中臺層基于行業(yè)知識圖譜的關(guān)聯(lián)關(guān)系挖掘，是認(rèn)知智能落地的兩大挑戰(zhàn)。
2.1 基于大數(shù)據(jù)平臺的海量數(shù)據(jù)治理
認(rèn)知智能面對的是海量的數(shù)據(jù)，海量數(shù)據(jù)治理存在技術(shù)和業(yè)務(wù)兩個維度的挑戰(zhàn)。
技術(shù)維度的挑戰(zhàn)主要是數(shù)據(jù)量大、多源異構(gòu)，造成治理難度大。要求平臺具備兩大能力，一是將多源異構(gòu)數(shù)據(jù)治理成可供算法模型使用的標(biāo)準(zhǔn)化數(shù)據(jù)的能力，二是分布式存儲和計算能力。
從數(shù)據(jù)源角度來看，認(rèn)知智能解決需要處理的數(shù)據(jù)來自視頻、圖片、音頻等感知智能應(yīng)用中采集的數(shù)據(jù)，業(yè)務(wù)系統(tǒng)已存儲的數(shù)據(jù)、以及業(yè)務(wù)運行中時刻產(chǎn)生的數(shù)據(jù)，還有第三方補充數(shù)據(jù)、公開數(shù)據(jù)等所有與業(yè)務(wù)相關(guān)的數(shù)據(jù)；從數(shù)據(jù)結(jié)構(gòu)來看，既有結(jié)構(gòu)化數(shù)據(jù)，比如視頻數(shù)據(jù)、金融系統(tǒng)的交易數(shù)據(jù)等，也有非結(jié)構(gòu)化數(shù)據(jù)，比如各類文本數(shù)據(jù)，以及大量的半結(jié)構(gòu)化數(shù)據(jù)。
多源數(shù)據(jù)的治理對認(rèn)知智能業(yè)務(wù)架構(gòu)（數(shù)據(jù)中臺）性能提出了高要求，需要通過可擴展的數(shù)據(jù)源適配程序，將多源數(shù)據(jù)匯聚到一個知識圖譜中，實現(xiàn)數(shù)據(jù)標(biāo)準(zhǔn)化、以及多源異構(gòu)數(shù)據(jù)的關(guān)聯(lián)融合。
海量數(shù)據(jù)存儲層面，則要求數(shù)據(jù)中臺實現(xiàn)知識存儲和知識計算，以前的數(shù)據(jù)庫多為矩陣結(jié)構(gòu)、立方結(jié)構(gòu)存儲，認(rèn)知智能時代需要圖狀結(jié)構(gòu)的存儲。借助圖存儲、列式存儲等方式，以及Hadoop和Spark平臺的分布式并行計算框架，達(dá)到每分鐘導(dǎo)入和處理幾百萬數(shù)據(jù)量的數(shù)據(jù)庫性能，實現(xiàn)海量數(shù)據(jù)圖譜的高效存儲和查詢。
在實際的落地實踐中，業(yè)務(wù)維度需要考慮兩點，一是數(shù)據(jù)打通，涉及到系統(tǒng)互聯(lián)，以及具體執(zhí)行過程中的組織配合；二是數(shù)據(jù)清洗，即實現(xiàn)基于場景理解的數(shù)據(jù)資產(chǎn)化，將數(shù)據(jù)按照“實體-關(guān)系-屬性”的三元架構(gòu)進(jìn)行分布式存儲，以便構(gòu)建知識圖譜并實現(xiàn)關(guān)聯(lián)分析和挖掘應(yīng)用。
數(shù)據(jù)打通問題更多需要高層重視并牽頭執(zhí)行認(rèn)知智能解決方案方案的落地，以“一把手工程”的思路引導(dǎo)業(yè)務(wù)、信息等部門積極參與，從數(shù)據(jù)采集和治理、業(yè)務(wù)邏輯梳理、以及場景應(yīng)用落地等方面保證認(rèn)知智能解決方案的順利落地。
數(shù)據(jù)清洗要求認(rèn)知智能企業(yè)有對行業(yè)的深入理解、對業(yè)務(wù)邏輯的深刻洞察，才能以終為始，按照最終場景應(yīng)用的需求，定義和儲存數(shù)據(jù)，使其成為能夠為AI中臺、業(yè)務(wù)中臺等直接應(yīng)用的數(shù)據(jù)資產(chǎn)。
2.2 基于知識圖譜實現(xiàn)對關(guān)聯(lián)關(guān)系的快速挖掘
知識圖譜的構(gòu)建分為兩步，第一步是定義實體、屬性及其實體之間的關(guān)聯(lián)關(guān)系。
比如公安領(lǐng)域的人、物、地、事、組織；醫(yī)療領(lǐng)域的疾病種類、疾病癥狀、檢查檢驗結(jié)果，都是各自領(lǐng)域知識圖譜常用的實體定義。
明略在2017年與光大銀行合作，幫助光大銀行構(gòu)建用于審計的知識圖譜。在這次合作中，明略科技幫助光大銀行建立了全行級別的知識圖譜，僅支持審計的知識圖譜有1億個實體和10億條關(guān)系鏈，全行級別的知識圖譜會在其他領(lǐng)域帶來更多的產(chǎn)出。
關(guān)于實體的定義、實體屬性的歸類、以及實體之間的關(guān)系構(gòu)建，一般來說有兩種方式，一是基于規(guī)則庫進(jìn)行調(diào)整和學(xué)習(xí)，成本較低，但后期維護(hù)成本較高；二是以人工標(biāo)注的方式讓機器來模擬和學(xué)習(xí)，成本相對較高，但因具備自適應(yīng)能力，后期維護(hù)成本較低。實際操作過程中，一般是通過規(guī)則庫和人工標(biāo)注相結(jié)合的方式。
第二是基于知識圖譜的關(guān)聯(lián)關(guān)系挖掘。
知識圖譜在實際業(yè)務(wù)落地中最大的價值，就是能夠基于知識圖譜實現(xiàn)隱性關(guān)聯(lián)關(guān)系的挖掘，挖掘僅靠人的業(yè)務(wù)經(jīng)驗、或者一般數(shù)據(jù)分析模型難以發(fā)現(xiàn)的業(yè)務(wù)邏輯和線索。
比如，在公安日常工作中，主要面臨嫌疑人是誰，嫌疑人在哪里，嫌疑人和誰在一起以及嫌疑人將去哪里等四大類問題，公安人員開展工作多數(shù)都是依賴現(xiàn)在信息化系統(tǒng)收集的軌跡工具而展開的，通過對軌跡數(shù)據(jù)的分析，鎖定嫌疑人，發(fā)現(xiàn)嫌疑人行蹤及團(tuán)伙。而通過軌跡發(fā)現(xiàn)人與人之間，車與車等之間隱性關(guān)系，就是基于公安知識圖譜圖挖掘技術(shù)實現(xiàn)的，能夠在公安破案的過程中為公安提供有力的線索。
隱性關(guān)系的挖掘主要是基于圖挖掘技術(shù)，當(dāng)前面臨三大挑戰(zhàn)。
一是圖挖掘?qū)?shù)據(jù)查詢的要求較高，開源數(shù)據(jù)庫難以支撐，需要基于開源數(shù)據(jù)庫做優(yōu)化。
二是關(guān)聯(lián)關(guān)系挖掘的最短路徑、聚類分析等經(jīng)典算法，也需要做并行化、分布式化處理，才能達(dá)到圖挖掘技術(shù)的所需的性能要求。
三是以當(dāng)前知識圖譜和圖挖掘技術(shù)所能找到的隱性關(guān)系，還存在很多無效的關(guān)聯(lián)關(guān)系，也就是對實際業(yè)務(wù)來說沒有任何意義和價值，需要結(jié)合業(yè)務(wù)經(jīng)驗做校驗，找到真正能夠適用于業(yè)務(wù)的隱性關(guān)系。
比如，將阿里云工業(yè)大腦應(yīng)用到攀鋼西昌鋼釩轉(zhuǎn)爐煉鋼工藝后，打通煉鋼全流程數(shù)據(jù)，通過建模分析獲得煉鋼工藝優(yōu)化的關(guān)鍵因子，結(jié)合專家知識之后，成功定位提釩、脫硫和煉鋼三個關(guān)鍵工序。
通過對這三個工序的深入建模分析，聚焦在脫硫工序，依靠脫硫仿真模型與參數(shù)尋優(yōu)模型尋找最優(yōu)參數(shù)。根據(jù)實際測算，通過優(yōu)化的參數(shù)推薦，每生產(chǎn)一噸鋼可以節(jié)省一公斤鐵，對于年產(chǎn)值400萬噸鋼的攀鋼來說，一年的成本節(jié)省就在700萬以上。
其中，在建模獲得關(guān)鍵因子的基礎(chǔ)上，需要結(jié)合專家知識找到最關(guān)鍵的脫硫工序，才能最終挖掘到真正適用和解決業(yè)務(wù)實際問題的關(guān)聯(lián)關(guān)系。
認(rèn)知智能的市場空間分析
3.1 認(rèn)知智能潛在市場規(guī)模
根據(jù)Gartner的預(yù)測，到2022年，中國對技術(shù)產(chǎn)品和服務(wù)的總支出會超過3.2萬億人民幣，除去通信服務(wù)1.5萬億，IT硬件、軟件、數(shù)據(jù)中心系統(tǒng)以及IT服務(wù)相關(guān)的總支出為1.7萬億。
愛分析認(rèn)為，到2022年，認(rèn)知智能相關(guān)的解決方案占比將達(dá)到5-7%，屆時認(rèn)知智能市場規(guī)模約為850-1200億。
3.2 認(rèn)知智能市場集中度分析
相對而言，認(rèn)知智能行業(yè)市場集中度會高于信息化領(lǐng)域。主要是因為認(rèn)知智能領(lǐng)域門檻較高，而且認(rèn)知智能與行業(yè)、業(yè)務(wù)結(jié)合較緊密，頭部企業(yè)在服務(wù)客戶的過程中積累的模型會不斷完善，先發(fā)優(yōu)勢明顯。
AI行業(yè)集中度普遍較高。根據(jù)曠視科技招股說明書披露， 2018年，曠視科技的設(shè)備解鎖與身份驗證解決方案，在中國制造的搭載人臉識別設(shè)備解鎖功能的安卓智能手機中，占據(jù)超過70%市場份額。信息化領(lǐng)域很少有單家供應(yīng)商的某個產(chǎn)品或者解決方案能夠達(dá)到如此高的市占率。
但認(rèn)知智能領(lǐng)域行業(yè)集中度會低于感知智能領(lǐng)域。人臉識別、語音識別等感知智能類解決方案，能夠跨行業(yè)、跨場景實現(xiàn)應(yīng)用落地，即感知智能供應(yīng)商更容易憑借技術(shù)優(yōu)勢，實現(xiàn)在不同行業(yè)之間的快速復(fù)制，以通用解決方案占領(lǐng)市場，集中度相對較高。
而認(rèn)知智能解決方案在跨行業(yè)和跨場景層面則更具挑戰(zhàn)，主要是由于行業(yè)知識圖譜的構(gòu)建和積累需要深耕細(xì)作，未來認(rèn)知智能的落地將是行業(yè)性解決方案的輸出，很難像通用類解決方案在不同行業(yè)快速復(fù)制，各個行業(yè)都有機會成長出小巨頭。
因此，認(rèn)知智能行業(yè)集中度不會太高。長期來看，會呈現(xiàn)百花齊放的競爭格局。
3.3 認(rèn)知智能重要場景應(yīng)用的市場規(guī)模
基于愛分析對各個行業(yè)技術(shù)滲透情況的了解和判斷，認(rèn)知智能滲透的核心行業(yè)包含智慧城市、自動駕駛、零售、公安、金融、工業(yè)、醫(yī)療和教育。其中，智慧城市和自動駕駛領(lǐng)域認(rèn)知智能潛在市場規(guī)模較大，零售、公安和金融次之，工業(yè)、醫(yī)療和教育滲透空間最小。
智慧城市領(lǐng)域的市場內(nèi)規(guī)模最大，僅住建部制定的十三五期間對智慧城市的投入就超過5000億人民幣。智慧城市整體規(guī)劃中，業(yè)務(wù)架構(gòu)也涵蓋數(shù)據(jù)中臺和業(yè)務(wù)場景應(yīng)用，其中，數(shù)據(jù)治理和各類場景應(yīng)用，認(rèn)知智能滲透的空間極大。比如交通調(diào)度指揮與管理輔助決策、分布式能源調(diào)度中心等場景應(yīng)用背后都是基于知識圖譜的分析決策做背后支撐。
自動駕駛潛在市場規(guī)模較大，其產(chǎn)業(yè)鏈?zhǔn)袌隹臻g近千億，未來考慮出行類服務(wù)，幾近萬億市場。環(huán)境感知、路徑規(guī)劃和車輛自主決策是智能駕駛L5級要實現(xiàn)的目標(biāo)，其中路徑規(guī)劃和自主決策均是認(rèn)知智能能夠深度滲透的領(lǐng)域。
零售、公安和金融也是認(rèn)知智能重點滲透的領(lǐng)域，市場規(guī)模均在百億級別。工業(yè)、醫(yī)療和教育領(lǐng)域也有部分滲透，相對而言，市場規(guī)模較小，約在幾十億級別。
滲透率與政策、行業(yè)ROI、以及技術(shù)應(yīng)用成熟度密切相關(guān)。
其中智慧城市、公安和醫(yī)療領(lǐng)域，主要是政策驅(qū)動，比如公安領(lǐng)域，自2015年開始，公安部就陸續(xù)出臺《關(guān)于大力推進(jìn)基礎(chǔ)信息建設(shè)的意見》、《公安科技創(chuàng)新“十三五”專項規(guī)劃》，國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，不斷推薦大數(shù)據(jù)以及人工智能在公安中的深度應(yīng)用，為知識圖譜驅(qū)動的認(rèn)知智能解決方案在公安領(lǐng)域的滲透打下了基礎(chǔ)。
而金融、零售、工業(yè)和教育領(lǐng)域認(rèn)知智能滲透的驅(qū)動力是ROI，在技術(shù)成熟的條件下，行業(yè)以業(yè)務(wù)降本提效為出發(fā)點，采購并應(yīng)用認(rèn)知智能解決方案。
自動駕駛當(dāng)前滲透率較低的核心原因是技術(shù)成熟度有限，行業(yè)距離L5級別的自動駕駛還很遠(yuǎn)，環(huán)境感知還有很多尚待解決的問題，認(rèn)知智能應(yīng)用的技術(shù)基礎(chǔ)尚未實現(xiàn)。
市場集中度與行業(yè)本身的行業(yè)集中度、以及行業(yè)信息化市場集中度有關(guān)。
行業(yè)本身集中度越高，該行業(yè)認(rèn)知智能市場集中度越高。比如自動駕駛行業(yè)集中度高，決定了自動駕駛領(lǐng)域認(rèn)知智能市場大的集中度也會很高；零售、金融和教育本身行業(yè)集中度很低，因此零售、金融和教育領(lǐng)域認(rèn)知智能市場集中度也很低。
行業(yè)信息化集中度越高，認(rèn)知智能行業(yè)集中度也越高。根據(jù)IDC統(tǒng)計，2014年公共安全領(lǐng)域前五名解決方案供應(yīng)商的市場份額為51.6%，而2017年，醫(yī)療領(lǐng)域前八家信息化上市公司的市場占有率僅有約14%。因此可以判斷，公安領(lǐng)域認(rèn)識智能市場集中度會大大高于醫(yī)療領(lǐng)域。對于認(rèn)知智能供應(yīng)商而言，市場集中度高、且滲透率高的領(lǐng)域，是當(dāng)前值得重點投入的領(lǐng)域，比如公安、智慧城市。而金融、零售領(lǐng)域雖然市場集中度較低，但是市場規(guī)模可觀，因此也是值得重點深耕的行業(yè)。
認(rèn)知智能的重要場景應(yīng)用分析
本章將以具體落地案例來介紹認(rèn)知智能相關(guān)解決方案在各個行業(yè)的滲透。
4.1 公安
目前食藥領(lǐng)域制假售假呈現(xiàn)網(wǎng)絡(luò)化的發(fā)展趨勢，包括通過在網(wǎng)絡(luò)上發(fā)布信息，通過QQ、微信等聊天工具和網(wǎng)絡(luò)支付平臺交易，通過快遞等方式送貨等。由于網(wǎng)上、網(wǎng)下犯罪交織，傳統(tǒng)、新型犯罪手段疊加，打擊食藥環(huán)領(lǐng)域犯罪已成為專業(yè)程度高、經(jīng)營和偵破難度大的系統(tǒng)工程。
其中，線索核查是食藥環(huán)支隊日常的基礎(chǔ)工作之一，主要是對全國范圍內(nèi)已破獲案件涉及本地的購買人群進(jìn)行核查。過去由于對物流數(shù)據(jù)沒有有效的手段進(jìn)行研判，且警力有限，很難在大量的普通核查線索中確定核查重點，核查工作往往收效甚微。
明略科技智慧警務(wù)模型應(yīng)用平臺能夠很好的應(yīng)對這些問題。
該平臺主要實現(xiàn)兩大功能。一是精準(zhǔn)研判，提升核查效率。
某市局食藥環(huán)支隊通過積分模型運算相關(guān)線索數(shù)據(jù)，挖掘出高危人員、其關(guān)系網(wǎng)絡(luò)及高危程度等重要線索，指導(dǎo)辦案民警進(jìn)行精準(zhǔn)偵察，從而大幅度提升核查效率，快速精準(zhǔn)鎖定高危人員和高危團(tuán)伙。
二是擴展經(jīng)營，以點帶面，大范圍打擊犯罪。
破獲現(xiàn)行案件后，民警在對嫌疑人進(jìn)一步深入偵查，發(fā)現(xiàn)該嫌疑人的大部分違禁產(chǎn)品均通過某一商戶進(jìn)行購買，民警立即對該商戶進(jìn)行偵查，發(fā)現(xiàn)該商戶極可能是連接各大銷售點與貨源地的中間商。
運用明略科技智慧警務(wù)模型應(yīng)用平臺，某市局食藥環(huán)支隊通過數(shù)據(jù)分析和標(biāo)簽、模型綜合研判，推演出疑似假藥來源地和銷售網(wǎng)絡(luò)，后經(jīng)過民警連續(xù)多日多地的深入偵查，發(fā)現(xiàn)了存放假藥的倉庫地點，并成功鎖定嫌疑人，一舉打掉該團(tuán)伙。
最終取得成效較為明顯，先后在全國多地共抓獲涉嫌銷售假藥嫌疑人20余人，當(dāng)場查獲涉案假藥1000余件，涉案價值5000余萬元，顯示了假藥模型應(yīng)用平臺在精準(zhǔn)研判、擴線經(jīng)營中發(fā)揮的作用。
4.2 金融
明略科技為某全國大型股份制銀行基于全行全量數(shù)據(jù)構(gòu)建成“企業(yè)、個人、機構(gòu)、賬戶、交易、以及行為數(shù)據(jù)”規(guī)模達(dá)十億點百億邊的知識圖譜數(shù)據(jù)庫。并通過采用復(fù)雜網(wǎng)絡(luò)、圖計算等大數(shù)據(jù)算法，實現(xiàn)海量結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的分析和探索，搭建遠(yuǎn)程監(jiān)控體系下復(fù)雜計算及非結(jié)構(gòu)化模型建設(shè)的框架。
該項目中的知識圖譜應(yīng)用取得效果如下。
一是展現(xiàn)完整的客戶關(guān)系網(wǎng)及資金流轉(zhuǎn)全貌。生成客戶關(guān)系網(wǎng)絡(luò)圖譜，完整展現(xiàn)對公客戶“個人-企業(yè)-個人”的復(fù)雜關(guān)系，構(gòu)建復(fù)雜的資金流轉(zhuǎn)全貌，通過圖挖掘技術(shù)，挖掘復(fù)雜的隱形關(guān)系和利益共同體，實現(xiàn)無死角的資金監(jiān)控管理。
二是基于多元異構(gòu)數(shù)據(jù)處理能力提升風(fēng)控水平。通過搭建模型管理框架，引入圖像識別、自然語言處理、情感分析等技術(shù)，具備多種非結(jié)構(gòu)化數(shù)據(jù)處理能力，有效提高遠(yuǎn)程風(fēng)控技術(shù)水平。
三是實現(xiàn)業(yè)務(wù)應(yīng)用模型。建設(shè)監(jiān)控預(yù)警、追蹤查證為主的業(yè)務(wù)應(yīng)用模型，體現(xiàn)大數(shù)據(jù)模型項目業(yè)務(wù)價值，提升非現(xiàn)場審計效率和能力。
四是為銀行打下更多業(yè)務(wù)應(yīng)用的基礎(chǔ)。未來可以圍繞基礎(chǔ)能力對上輸出的能力，建設(shè)更多在遠(yuǎn)程監(jiān)控體系下的業(yè)務(wù)應(yīng)用。
4.3 零售
近年來，線上購物場景隨著新零售、多語態(tài)、線上線下相結(jié)合，顯得愈加復(fù)雜。線上購物場景中，搜索體驗是決定用戶購物體驗的關(guān)鍵。由于普通客戶難以對想購買的商品具備清晰地了解和認(rèn)知，故對搜索和推薦產(chǎn)生了一定程度的依賴。
但大部分搜索引擎難以有效認(rèn)知客戶的意圖，難以快速地響應(yīng)客戶的需求。原因在于：眼下電商搜索需要的互聯(lián)網(wǎng)數(shù)據(jù)超出了過往文本范圍，同時互聯(lián)網(wǎng)數(shù)據(jù)大多屬于非結(jié)構(gòu)化文本數(shù)據(jù)，且分散在各個源頭難以統(tǒng)一。導(dǎo)致數(shù)據(jù)呈現(xiàn)多噪聲、多模態(tài)、數(shù)據(jù)源分散、深度認(rèn)知的缺乏等特質(zhì)。
為了提升客戶搜索體驗，阿里基于認(rèn)知智能技術(shù)打造電商認(rèn)知圖譜，以數(shù)據(jù)中臺支撐KG Enigne，再通過阡陌數(shù)據(jù)管理平臺，和圖靈業(yè)務(wù)對接平臺來優(yōu)化用戶搜索體驗。
阿里推出的電商認(rèn)知圖譜在數(shù)據(jù)治理和認(rèn)知層面的投入，最終在用戶體驗上得到了明確的收益。
首先，通過場景數(shù)據(jù)結(jié)構(gòu)化，分散數(shù)據(jù)得以統(tǒng)一表示。
阿里內(nèi)部大多是query、title、評論、攻略等，這些數(shù)據(jù)由于用戶習(xí)慣和商家訴求，會存在非常不同于普通文本的語法結(jié)構(gòu)，也會由于利益原因存在大量噪聲和臟數(shù)據(jù)。
阿里首先對數(shù)據(jù)進(jìn)行清洗，然后通過短語挖掘，信息抽取等方法把有效數(shù)據(jù)抓取出來，最后進(jìn)行數(shù)據(jù)的結(jié)構(gòu)化和層次劃分。對于結(jié)構(gòu)化后的數(shù)據(jù)，采用標(biāo)準(zhǔn)化的schema表示和存儲方法進(jìn)行概念數(shù)據(jù)融合，屬性的挖掘和發(fā)現(xiàn)。
其次，通過提升數(shù)據(jù)認(rèn)知度，獲取客戶關(guān)聯(lián)需求
搜索引擎難以快速的響應(yīng)客戶的關(guān)鍵在于對于客戶意圖認(rèn)知不明確，難以推薦合乎客戶要求的商品以及關(guān)聯(lián)需求的挖掘。
阿里依托電商認(rèn)知圖譜可以通過行為和商品本身的信息認(rèn)知到用戶購買商品的意圖，再通過外部數(shù)據(jù)的輸入和摘要得到常識類和商品體系之外的用戶需求的關(guān)聯(lián)，再經(jīng)由圖靈業(yè)務(wù)平臺投放合適的商品，以達(dá)到精準(zhǔn)營銷和額智能推薦的目的。
最終效果斐然，阿里自2017年6月推進(jìn)電商認(rèn)知圖譜的構(gòu)造后，截至2018年9月已經(jīng)完成pv top70的類目審核，增加了12W+的cpv對，實現(xiàn)能夠被全識別的query占比從30%提升到60%。
4.4 餐飲
明略科技為某知名餐飲品牌該餐飲企業(yè)提供了基于認(rèn)知智能的店長通解決方案。
該餐飲企業(yè)最初面臨的主要問題有三個。
一是隨著業(yè)務(wù)的不斷發(fā)展和新店的持續(xù)擴張，水餃出品的品質(zhì)管理難度持續(xù)增高，而餃子出品的品質(zhì)又是決定門店經(jīng)營狀況和品牌形象的關(guān)鍵，所以客戶希望通過創(chuàng)新的AI手段對各門店的出品品質(zhì)做高頻的持續(xù)的客觀的評判，并形成統(tǒng)計報告，以實現(xiàn)對餃子出品品質(zhì)的嚴(yán)格管控。
二是該餐飲企業(yè)有一套標(biāo)準(zhǔn)話術(shù)體系，覆蓋到門店客戶服務(wù)的各個環(huán)節(jié)。但日常服務(wù)人員的話術(shù)執(zhí)行情況和服務(wù)的工作量都難以量化評估，所以管理者希望能夠通過語音識別技術(shù)，量化評估每個服務(wù)人員的話術(shù)執(zhí)行情況，用以評判每個人的服務(wù)積極性和工作量。
三是該餐飲企業(yè)門店店長每天面對繁重的管理任務(wù)，稍有不慎就會有疏漏，并且總部的各種管理制度要求都需要及時有效的推行和監(jiān)管，如果執(zhí)行不到位，可能被稽查巡店的監(jiān)察員扣分罰款，甚至降級。所以需要一款智能高效的管理工具，能夠幫助店長規(guī)劃每日的管理任務(wù)，支持高效的客觀準(zhǔn)確的任務(wù)描述，并且可以自動化的匯總?cè)蝿?wù)執(zhí)行情況，提升門店管理的效率。
基于該餐飲企業(yè)的需求，明略科技針對性提供了店長通出品識別、服務(wù)評估和運用管理三大解決方案。
店長通解決方案實現(xiàn)的主要功能如下。
一是AI提升餃子出品品質(zhì)。
店長通出品識別解決方案，在客戶的出餐口部署安裝集成的出品圖像采集設(shè)備，自動抓取出品照片，通過云端的AI重點自動識別每個餃子的品質(zhì)并量化打分，最終對每盤餃子做整體打分評判，并自動化的形成品質(zhì)統(tǒng)計報告。對餃子出品的品質(zhì)做全面的實時的管控。出品識別的模型會根據(jù)日常的判斷結(jié)果，持續(xù)做訓(xùn)練優(yōu)化，不斷的自我完善。對餃子出品的品質(zhì)做全面的實時的管控。
并且，出品識別的模型會根據(jù)日常的判斷結(jié)果，持續(xù)做訓(xùn)練優(yōu)化，不斷的自我完善。
二是基于語音識別的服務(wù)積極性評估。
通過軟硬件一體化的設(shè)計思路，為服務(wù)員提供可隨身佩戴的智能語音識別設(shè)備，實時采集服務(wù)員話術(shù)，并將話術(shù)上傳到云端的AI中臺，對話術(shù)量，有效話術(shù)執(zhí)行情況，菜品推薦情況做統(tǒng)計匯總，并沉淀有效的推薦話術(shù)，幫助該餐飲企業(yè)沉淀和優(yōu)化服務(wù)話術(shù)知識。
三是提供門店管理輔助工具。
基于PDCA閉環(huán)管理模式，實現(xiàn)量自動的創(chuàng)建計劃任務(wù)，智能描述式的任務(wù)交互，實時的結(jié)果檢查匯總，以及自動化的問題跟進(jìn)追蹤，內(nèi)置智能識別和判定AI，對每日任務(wù)的進(jìn)展和描述做智能的分析和判定。幫助店長構(gòu)建高效、實時、靈活、閉環(huán)的管理能力。
認(rèn)知智能的未來趨勢
5.1 5G、邊緣計算與認(rèn)知智能
認(rèn)知智能時代，數(shù)據(jù)是核心資產(chǎn)，在數(shù)據(jù)產(chǎn)生、傳輸、存儲、計算、分析和應(yīng)用的過程中，5G、邊緣計算等技術(shù)將和認(rèn)知智能相互融合，形成從終端、邊緣到中央云的一體化數(shù)據(jù)處理流程和解決方案。
其中，爆炸式的終端增長將產(chǎn)生海量的數(shù)據(jù)；5G負(fù)責(zé)高效的數(shù)據(jù)傳輸；邊緣節(jié)點和中心節(jié)點將共同協(xié)同完成數(shù)據(jù)的存儲和計算；認(rèn)知智能則在此基礎(chǔ)上實現(xiàn)各類數(shù)據(jù)分析和應(yīng)用。
邊緣節(jié)點的存在，不管是在計算資源層面，還是本地化模型調(diào)用層面，都彌補了中心節(jié)點在反應(yīng)速度上的不足，雖然有5G的加持可以更提供高速、穩(wěn)定的數(shù)據(jù)傳輸，但邊端計算類似于本地化計算和固化模型，其優(yōu)勢依然無可比擬。
其中，5G的價值在于，能夠促進(jìn)認(rèn)知智能的滲透和落地。
5G有三大特性：大帶寬高速率、低時延高可靠和海量連接。
對網(wǎng)絡(luò)速度要求很高的業(yè)務(wù)能在 5G 時代被推廣，例如，目前由于4G速度不足以支撐云 VR 對視頻傳輸和即時交互的要求，用戶需要依靠昂貴的本地設(shè)備進(jìn)行處理。依托于5G 的高速率，云 VR 將能夠獲得長足發(fā)展。
5G 超低時延的特性可以支持敏感業(yè)務(wù)的調(diào)度，為車聯(lián)網(wǎng)、工業(yè)控制、智能電網(wǎng)、遠(yuǎn)程醫(yī)療等垂直行業(yè)提供更安全、更可靠的網(wǎng)絡(luò)連接，促進(jìn)認(rèn)知智能在這些領(lǐng)域的落地。
5G 網(wǎng)絡(luò)每平方公里百萬級的海量連接數(shù)使萬物互聯(lián)成為可能。5G 網(wǎng)絡(luò)面向的不僅僅是個人用戶，還有企業(yè)用戶和工業(yè)智能設(shè)備，5G 將為 C 端和 B 端的用戶或智能設(shè)備提供網(wǎng)絡(luò)切片、邊緣計算等服務(wù)，從而直接促進(jìn)認(rèn)知智能在當(dāng)前滲透率尚在低位的領(lǐng)域?qū)崿F(xiàn)應(yīng)用落地。
比如，自動駕駛、智慧城市等已經(jīng)發(fā)展了一段時間，但是當(dāng)前尚未取得突破性進(jìn)展，其中一大原因就是網(wǎng)絡(luò)連接，自動駕駛和智慧城市真正實現(xiàn)落地的前提是萬物互聯(lián)，而當(dāng)前階段，由于功耗高、可用頻段少和高時延等限制，硬件設(shè)備之間只是單獨獲得了連接能力，很難將所有硬件設(shè)備連接在一起，并沒有實現(xiàn)真正的連動。5G的成熟將改變這一現(xiàn)狀，未來，5G將成為認(rèn)知智能在自動駕駛、智慧城市等大規(guī)模落地的基礎(chǔ)設(shè)施。
邊緣計算與云計算的協(xié)同，將優(yōu)化認(rèn)知智能解決方案的落地機制。
邊緣計算是指在用戶或數(shù)據(jù)源的物理位置或附近進(jìn)行的計算。從云計算與邊緣計算的關(guān)系來看，邊緣計算是云計算概念的延伸，是云計算向終端和用戶側(cè)延伸。
邊緣計算和云計算的協(xié)作，能夠優(yōu)化認(rèn)知智能解決方案的更新和應(yīng)用機制，在實際的落地過程中，同時顧及反應(yīng)速度和模型更新。
邊緣節(jié)點存儲了認(rèn)知智能模型，直接應(yīng)用于終端設(shè)備；邊緣節(jié)點和中心云之間存在交互，各個邊緣節(jié)點處的認(rèn)知智能模型在應(yīng)用過程中的處理的數(shù)據(jù)結(jié)果會回傳至中心云端，匯聚至中心云處的認(rèn)知智能初始模型，并基于大量的數(shù)據(jù)和結(jié)果做模型更新，再將最新的認(rèn)知智能模型下發(fā)至邊緣節(jié)點。
整個過程類似于云邊協(xié)同在華為IEF平臺中實現(xiàn)方式。在該平臺中，人臉檢測、人流監(jiān)測等模型就是以邊緣計算和云計算之間的協(xié)作實現(xiàn)優(yōu)化落地的。
5.2 認(rèn)知智能的下一站—人機協(xié)同
人工智能分為感知智能、認(rèn)知智能和行動智能三個階段。當(dāng)前正處于認(rèn)知智能的起步階段，展望未來，人工智能必然走向行動智能，這個過程需要人機協(xié)同來完成。
在感知智能和認(rèn)知智能階段，機器能夠自主完成特定的任務(wù)，但有很多知識和管理復(fù)雜度高的領(lǐng)域，機器很難獨立完成工作，人機協(xié)同是新一代AI技術(shù)在知識和管理復(fù)雜度高的行業(yè)中的落地，也是人類與機器和諧共處的開端。簡單來說，人機協(xié)同的業(yè)務(wù)邏輯就是，在復(fù)雜任務(wù)中充分發(fā)揮機器和人的各自優(yōu)勢，創(chuàng)造性的完成特定任務(wù)。
人機協(xié)同可分人機互補交互、人機冗余交互和人機混合交互三種情況。其中，人機互補交互主要是人將機器能夠完成的特定任務(wù)安排給機器來做；人機冗余交互強調(diào)人機在特定任務(wù)中的分工與配合，由機器完成能夠完成的部分，其余由人來完成；人機混合交互的難度最高，要求機器基于動態(tài)知識圖譜推演出相關(guān)線索和結(jié)論等，并且人相機介入，以求達(dá)到最好的效果。
比如，通過社交洞察分析解決方案，明略科技可以幫助公司評估廣告投放的效果。具體操作流程是，需要基于小文章、評論、圖片、以及視頻等多元、海量、異構(gòu)的輿情數(shù)據(jù)中，通過知識圖譜的方式，為廣告內(nèi)容本身或者某個廣告平臺做畫像，最終告訴客戶廣告效益到底如何，這中間就涉及到人機協(xié)同。
認(rèn)知智能廠商競爭分析及典型廠商介紹
6.1 認(rèn)知智能公司核心競爭力分析
認(rèn)知智能廠商競爭力主要體現(xiàn)在以下四個方面：技術(shù)能力、產(chǎn)品能力、獲客能力、以及場景應(yīng)用理解。
技術(shù)能力主要體現(xiàn)在數(shù)據(jù)治理能力、知識圖譜構(gòu)建能力、以及項目實施中的工程化能力方面。
產(chǎn)品能力主要是產(chǎn)品完整性，廠商需要具備從底層數(shù)據(jù)采集、治理、知識圖譜構(gòu)建、到上層應(yīng)用構(gòu)建的整體能力。產(chǎn)品能力不僅影響項目交付周期，而且也影響認(rèn)知智能廠商的利潤率。
獲客能力方面，由于認(rèn)知智能在行業(yè)的滲透尚處于早期階段，而早期階段也是廠商打磨解決方案、積累競爭優(yōu)勢的重要階段，獲客能力既是先發(fā)優(yōu)勢的重要體現(xiàn)，也將決定認(rèn)知智能廠商長期的競爭力。
場景理解能力決定了廠商是否有能力服務(wù)于行業(yè)頭部客戶，并在此基礎(chǔ)上打磨知識圖譜。
6.2 認(rèn)知智能國內(nèi)廠商代表——明略科技
明略科技是國內(nèi)最早大規(guī)模布局認(rèn)知智能的廠商之一，致力于探索認(rèn)知智能技術(shù)在知識和管理復(fù)雜度高的行業(yè)中的落地。
基于多年的數(shù)據(jù)積累、數(shù)據(jù)治理經(jīng)驗積累、場景應(yīng)用理解能力積累，明略科技將打通感知與認(rèn)知智能，通過多模態(tài)人工智能和大數(shù)據(jù)技術(shù)，連接人、機器、組織的智慧，實現(xiàn)具有分析決策能力的高階人工智能應(yīng)用——即認(rèn)知智能的大規(guī)模落地。
不同于傳統(tǒng)軟件解決方案，認(rèn)知智能應(yīng)用是具有反饋機制的動態(tài)解決方案，因此只有形成從業(yè)務(wù)數(shù)據(jù)化、到數(shù)據(jù)業(yè)務(wù)化的業(yè)務(wù)閉環(huán)，才能真正為生產(chǎn)和組織帶來效率提升、價值創(chuàng)造等收益。其中，業(yè)務(wù)閉環(huán)的過程是——通過監(jiān)管體系持續(xù)采集數(shù)據(jù)，自上而下產(chǎn)生數(shù)據(jù)；匯聚數(shù)據(jù)之后形成智能化解決方案，自下而上提供服務(wù)。
從認(rèn)知智能廠商競爭力層面來看，明略科技在技術(shù)、產(chǎn)品、獲客和場景理解方面都具備相當(dāng)?shù)膬?yōu)勢。
知識圖譜領(lǐng)域先發(fā)優(yōu)勢明顯，具備服務(wù)省市公安局、長沙市大數(shù)據(jù)局、寶潔等標(biāo)桿客戶的技術(shù)能力，擁有約400人的數(shù)據(jù)科學(xué)家團(tuán)隊。產(chǎn)品能力主要體現(xiàn)在具備整體解決方案的能力。且通過數(shù)據(jù)治理和知識圖譜產(chǎn)品，能夠幫助提升項目中產(chǎn)品化率。但在實際的落地過程中，當(dāng)前大型企業(yè)個性化需求較多，服務(wù)客戶時需要提供必要的咨詢服務(wù)。
明略科技獲客能力較強，在各個領(lǐng)域已有行業(yè)標(biāo)桿客戶，公安領(lǐng)域已經(jīng)服務(wù)了超過100個客戶、金融領(lǐng)域服務(wù)人民銀行、建設(shè)銀行、光大銀行、太平洋保險，軌交領(lǐng)域已服務(wù)上海地鐵。
場景理解能力方面，頭部標(biāo)桿客戶的數(shù)據(jù)治理能力積累和業(yè)務(wù)場景梳理將成為明略科技行業(yè)知識圖譜構(gòu)建和優(yōu)化的長期競爭力。
6.3 認(rèn)知智能國外廠商代表——Palantir
成立于2004年的Palantir是國外認(rèn)知智能廠商的代表。Plantir起家于大數(shù)據(jù)分析，最初服務(wù)于CIA等美國政府機構(gòu)，做情報人員提供輔助分析，通過幾年與CIA的合作，Palantir的技術(shù)逐漸成熟，最后形成產(chǎn)品Gotham，這款產(chǎn)品也是Plantir的兩大核心產(chǎn)品之一，主要面向政府，用于描述、探究、查詢信息以及信息之間的聯(lián)系，找到事物背后的關(guān)系，實際上其核心就是基于知識圖譜的隱性關(guān)系挖掘。
從2010年開始，Palantir開始涉足商業(yè)領(lǐng)域，推出另一款產(chǎn)品Metropolis，為銀行、對沖基金的分析師提供輔助量化分析，JP摩根是其第一個商業(yè)領(lǐng)域客戶，將Palantir的技術(shù)用于反欺詐，尋找那些試圖盜取他人賬戶的人。這款產(chǎn)品也是認(rèn)知智能技術(shù)在金融反欺詐領(lǐng)域落地的典型代表。
從認(rèn)知智能廠商競爭力維度來看，Palantir在技術(shù)、獲客和場景應(yīng)用理解方面都比較擅長，產(chǎn)品能力相對較弱。
技術(shù)能力主要體現(xiàn)基于知識圖譜的隱性關(guān)系挖掘方面，技術(shù)優(yōu)勢明顯。
產(chǎn)品能力一般，主要是Palantir基本做大客戶的定制化項目，產(chǎn)品化能力較弱。且產(chǎn)品功能較為局限，覆蓋場景比較有限。
Palantir能夠順利切入政府和銀行大型客戶領(lǐng)域，獲客能力較強。
場景應(yīng)用理解能力很強，公司起家于大數(shù)據(jù)分析，最初服務(wù)于CIA等美國政府機構(gòu)，后服務(wù)于大型金融機構(gòu)，以及可口可樂等大型企業(yè)，場景理解能力強。
