消费互联网|传统行业想获得AI加持，为何这么难( 二 )

“传统制造企业在制造向智造转型的过程中，数据是一个很突出的问题。 ”朱鹏飞介绍，首先在数据的获取方面存在一定难度。传统制造企业的数据是封闭的，因为很多传统企业并不是新型信息化设备，没有传感器收集实时数据，也没有数据中心，因此数据零散，缺失严重，很难获取像消费互联网企业里那种海量、高质量的数据。
其次，行业内部各个工厂的数据很多具有商业价值，因此工厂都严格保密，这导致数据不流通，没有办法进行共享，进而形成了数据孤岛效应，影响了AI算法模型的优化。
“我们在开发一个AI算法模型的时候，因为数据的保密性，往往得到的数据都是经过‘脱敏’的，这也严重地影响了我们的判断。而传统行业的企业中，又缺乏具有AI算法模型开发能力的技术人员，因此双方在合作研发过程中也存在着很高的壁垒。 ”朱鹏飞说。
此外，传统行业中的数据来源并不像消费互联网领域那样来自单一场景，复杂的业务场景导致数据往往很“脏” ，必须进行“清洗” ，去掉大量无效信息， AI算法模型才能高效率的学习以提高精度。 “这就像我们教小朋友知识，只讲知识点，小朋友们才能学得快，如果在知识点中夹杂着大量无用的信息，小朋友无从分辨，学习效率肯定降低。 ”朱鹏飞介绍，而给数据标注“知识点”的工作是巨大而繁琐的，需要企业有专人去做，要花费很多时间精力。
【消费互联网|传统行业想获得AI加持，为何这么难】“传统制造业要想获得高质量的数据，就必须对生产设备进行信息化、智能化的改造。 ”朱鹏飞表示，这种改造需要企业投入大量的时间和精力，还会增加生产成本，这也成为AI在传统制造业中应用的壁垒。
高质量数据是应用前提
过去这10年，大部分AI的研发和应用是“以软件为中心”驱动的。在海量数据的支撑下，不断优化软件和算法，来获得更高的算法精度。在传统行业无法提高数据质量和数量的情况下，吴恩达认为，传统行业应该采用“以数据为中心”的模式，把重点放在获得质量更好、匹配度更高的数据上。
“在这种思路下，传统行业也涌现了一些不错的应用案例。比如医学领域的影像识别AI系统，可以帮医生‘看’CT影像片子，对肿瘤等病变加以识别，辅助医生做出判断。 ”朱鹏飞介绍，由于很多数据都由专业的放射科医生在影像片子上进行了标注，因此数据比较准确， AI算法模型在学习的过程中进步很快。目前很多影像识别系统的准确率都能达到90%以上，由于是辅助医生，最后还需医生做医疗决策，但这个水平的准确率在很大程度上降低了医生的工作强度。
“尽管传统行业有了一些应用AI技术的成功案例，但是要想更好地和AI结合，还得在提高数据质量方面下功夫。 ”朱鹏飞建议，首先对于已经积累了海量数据的传统行业，在保证数据安全的前提下，主动开放数据。挖掘数据中蕴藏的价值，和需求关联起来，会有很大的发展空间。其次，对于新兴行业，比如新能源汽车等，在构建智能工厂规划的时候，就把获取数据、智能化的因素考虑进去。
不过朱鹏飞强调，在传统行业用好AI技术的同时，也不要滥用AI技术，在应用前做好评估，如果不能提高生产效率，对行业整体有所提升，那么盲目强行使用AI技术，就是对资源的浪费。 “比如一些应用场景需要AI算法达到99%以上的精度才可以使用，通过评估，现有模型算法只能达到90%的精度，那么这个场景就没必要强行上马AI技术了。 ”