01. 人工智能市场现状

02. 人工智能产品热力争

03. 机器学习平台先容

04. 机器学习平台代表产品

05. 机器学习平台未来发展趋势

01

人工智能市场现状

1.1. 人工智能定义

1956年在美国达特茅斯学院举办的夏季学术研讨会中，约翰·麦卡锡、克劳德·喷鼻香农等人展开“让机器像人一样认知、思考和学习”的谈论，并正式提出“人工智能”这一观点。

根据我国《人工智能标准化白皮书》中对人工智能的定义，人工智能是利用数字打算机或者数字打算机掌握的机器仿照、延伸和扩展人的智能，感知环境、获取知识并利用知识得到最佳结果的理论、方法、技能及运用系统。

目前，人工智能已经上升为国家计策，并制订了明确的发展目标。
根据2017年7月***印发的《新一代人工智能发展方案》，我国的人工智能发展将经历“三步走”：

第一步：到2020年，人工智能总体技能和运用与天下前辈水平同步，人工智能家当成为新的主要经济增长点，人工智能技能运用成为改进民生的新路子。

第二步：到2025年，人工智能根本理论实现重大打破，部分技能与运用达到天下领先水平，人工智能成为我国度当升级和经济转型的紧张动力，智能社会培植取得积极进展。

第三步：到2030年，人工智能理论、技能与运用总体达到天下领先水平，成为天下紧张人工智能创新中央。

1.2. 人工智能发展进程

自1956年人工智能观点提出至今，人工智能的发展跌宕起伏，详细来看可划分为三个阶段：

第一阶段（1950年-1980年）：第一阶段是人工智能的起步阶段，打破性的研究包括自动定理证明、LISP措辞等，这一阶段由于算法理论较为薄弱、打算机性能限定等缘故原由，对人工智能的研究紧张勾留在理论层面。

第二阶段（1980年-2000年）：第二阶段是人工智能的探索阶段，人工智能逐渐从理论层面走向实际运用。
随着机器学习方法的发展，涌现了决策树模型和多层人工神经网络，但对繁芜度高、规模大的神经网络，打算机仿照难度较大，且受到算力的限定，实际运用的效果并不理想。

第三阶段（2000年至今）：第三阶段是人工智能的高速发展阶段，在算法层面，以深度学习为代表的人工智能技能引起学术界和家当界的关注，新的算法层出不穷，图像识别、语音识别等人工智能细分领域均涌现巨大打破；在算力层面，GPU、TPU、云打算等为大规模神经网络打算供应根本打算资源；在数据层面，随着互联网、大数据技能的发展，数据量呈指数型增长。
算法、算力、数据三要素的共同进步一方面匆匆成人工智能技能的打破，另一方面提高了人工智能的家当落地运用效果。

1.3. 人工智能运用处景

从技能层面看，人工智能关键技能包括语音技能、打算机视觉、自然措辞处理、知识图谱、机器学习等，个中语音技能、打算机视觉和自然措辞处理紧张是仿照人在感知层面对声音、图像、笔墨的识别，而知识图谱和机器学习则紧张是仿照人在认知层面的剖析与决策。

目前，不同技能在运用处景上的差异较大，但随着技能的不断成熟和运用处景的丰富，多技能领悟运用将成为未来的发展趋势。

（1）语音技能的运用处景

语音技能通过语音旗子暗记和机器措辞之间的转换，实现人机的语音交互。
语音技能的范例运用处景有智能音箱、智能车载、聪慧庭审、智能导诊等。

以智能音箱的景象预报功能为例，语音识别将人的声学旗子暗记转化为机器可处理的数字旗子暗记，机器进行理解后调取景象预报中的信息通报给智能音箱，通过语音合成将数字旗子暗记还原为声学旗子暗记并进行播报。

（2）打算机视觉的运用处景

打算机视觉是利用打算机模拟人类视觉系统的科学，让打算机拥有类似人类提取、处理、理解和剖析图像以及图像序列的能力。
打算机视觉的范例运用处景有机场安检、身份验证、医学影像诊断等。

以机场安检为例，通过将人脸识别与护照识别相结合，可以快速验证乘客身份完成安检事情，既降落机场安检职员的事情量，又缩短安检韶光，提高乘客的满意度。

（3）自然措辞处理的运用处景

自然措辞处理是实现打算机理解、剖析和天生人类自然措辞的技能。
自然措辞处理的范例运用处景有智能客服、文本分析、智能写作等。

以智能客服为例，基于自然措辞处理技能，从大量的未标注语估中进行对话模型的演习，并预装多行业、多领域的知识，客服机器人可以与用户完成单轮和多轮的对话，并精准识别用户意图。

（4）知识图谱的运用处景

知识图谱以关系数据的知识库为根本，通过对数据进行标注，以构造化的办法展现客不雅观天下中实体、观点、事宜以及之间的关联关系，并进行更深层的数据挖掘。
知识图谱的的范例运用处景有金融反敲诈、公安刑侦、经侦等。

以金融反敲诈为例，通过知识图谱技能搭建用户的关系网络，并通过可视化的图形将关系进行展示，结合反敲诈部门的实战履历，可以快速找出可能存在敲诈风险的用户。

（5）机器学习的运用处景

机器学习是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、打算机科学、脑科学等诸多领域的交叉学科，研究打算机若何仿照或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识构造使之不断改进自身的性能。
机器学习的范例运用处景有精准营销、物流调度、销量预测等。

以销量预测为例，基于历史销量数据，通过线性回归、决策树、随机森林等机器学习算法，根据业务逻辑搭建剖析用户偏好、销量影响成分等关键指标的模型，可以提高销量预测的准确性。

02

人工智能产品热力争

人工智能产品是将落地在场景内的人工智能技能成果产品化、标准化。
我们对企业用户的人工智能产品采购及利用情形进行长期跟踪，并绘制为产品热力争的形式，以展现企业用户对人工智能产品的采纳度。
以下为人工智能产品热力争：

如图所示，根据产品用户量的不同，产品热力争将人工智能产品由高到低划分为四个层级——标配、遍及、专业和创新，各层级的定义如下：

标配：产品逐渐成为或已成为企业客户标配，受到市场广泛认可；

遍及：产品已被多个领域企业客户认可，正被大范围遍及；

专业：行业头部客户或专业领域客户正利用本类产品办理其业务问题；

创新：产品已被追求创新的企业或部门采购利用，但产品还未被大众所知。

根据运用处景的不同，人工智能产品紧张划分为：语音识别、语音合成、笔墨识别、图像识别、人脸识别、声纹识别、机器翻译、图像搜索、人证核验、知识图谱平台、机器学习平台、文本分析、人体识别、自然措辞处理平台、知识管理平台。
位于各个层级的人工智能产品及其定义如下所示。

标配：语音识别、语音合成、笔墨识别

① 语音识别：语音识别是通过语音旗子暗记处理和模式识别，使机器将措辞旗子暗记转换为相应的文本或指令，详细的运用处景可分为消费级和企业级，消费级运用处景包括智能音箱、智能车载等，企业级运用处景则是运用于金融、医疗、教诲、政务等垂直行业。

② 语音合成：语音合成基于深度神经网络技能，将笔墨转换为自然流畅的人声，可广泛运用于关照、播报、阅读等场景。

③ 笔墨识别：利用光学技能和打算机技能读取印在或写在图片上的笔墨信息，并转换成打算机可处理且人可以理解的文本格式，知足各种场景下的图片识别需求，有效代替人工录入信息，提升输入效率。

遍及：图像识别、人脸识别、声纹识别

④ 图像识别：图像识别是指基于大数据和深度学习算法，对图像进行处理并抽取特色和分类，使打算机具有与人相似的识别物体的能力。

⑤ 人脸识别：人脸识别是指基于人的脸部特色信息进行身份鉴别，目前已经广泛运用于智能安防、聪慧交通、金融交易、设备解锁、等多个场景中。

⑥ 声纹识别：声纹识别是指通过语音的声纹特色对说话人进行区分，从而进行身份鉴定与认证。

专业：机器翻译、图像搜索、人证核验、知识图谱平台、机器学习平台、文本分析

⑦ 机器翻译：机器翻译是指机器基于自然措辞处理引擎将自然措辞（源措辞）的文本翻译为另一种自然措辞（目标措辞），目前机器翻译既可以针对通用领域，也可以针对某一特定领域/专业领域加以定制化。

⑧ 图像搜索：即以图搜图，基于深度学习和图像识别技能，在指定图库中搜索出相同或相似的图片。

⑨ 人证核验：基于人脸识别技能，将采集到的人脸图片与证件中的人脸图片进行比对，验证人与证件是否同等，达到身份核验的目的。

⑩ 知识图谱平台：知识图谱平台基于企业内外部的多源异构数据，实现知识抽取、知识领悟、知识推理、知识存储与运用，助力企业完成知识图谱的一站式构建。

⑪ 机器学习平台：机器学习平台覆盖机器学习全流程，为企业供应数据剖析和建模工具，企业用户可以在机器学习平台上利用机器学习算法进行模型的构建、支配和监控等，并将模型运用于实际的业务场景中。

⑫ 文本分析：通过自然措辞处理技能对非构造化文本信息进行处理和剖析，实现对文本信息的自动解析、智能定位和知识抽取等，挖掘信息背后的商业代价。

创新：人体识别、自然措辞处理平台、知识管理平台

⑬ 人体识别：识别图像中的人体干系信息，并针对每个识别出的人体，返回人体矩形框位置，可实现人体的检测与跟踪、人流量统计、行为识别等。

⑭ 自然措辞处理平台：为企业用户供应NLP任务模块，例如分词、词性标注、命名实体识别、句法剖析、意图识别、情绪剖析等，降落企业用户利用NLP技能的门槛，企业用户可以在平台上开拓NLP干系运用。

⑮ 知识管理平台：基于知识图谱构建技能、领域知识、企业数据和履历等帮助企业实现知识的全生命周期管理，并将知识赋能于企业的多场景，充分发挥知识的代价，助力企业成为知识型企业。

本报告重点对机器学习平台进行先容，其他产品采购指南可前往【字母点评】官网查看

03

机器学习平台先容

3.1. 机器学习平台定义

机器学习平台覆盖机器学习全流程，为企业供应数据剖析和建模工具，企业用户可以在机器学习平台上利用机器学习算法进行模型的构建、支配和监控等，并将模型运用于实际的业务场景中。

机器学习平台的上风在于低门槛、高性能、自动化、全流程和高效率。
通过机器学习平台，企业用户可以理解全体数据剖析流程，探索数据关系和实现业务洞察。

对付企业用户而言，机器学习平台的代价表示在三个方面：

降落建模门槛：机器学习平台为企业用户供应可调用的功能模块以及拖沓拽的建模工具，实现低代码模型开拓，降落用户的利用门槛；同时，机器学习平台支持多种预演习模型和特界说务的流程，简化建模流程。

加速模型迭代：模型在支配到业务场景之前需经由多次迭代，不断地进行数据处理与模型迭代以实现模型的最优化，机器学习平台供应数据可视化、数据增强、数据准备工具等，加速模型的迭代过程。

共享数据洞察：企业用户可以利用机器学习平台上的协尴尬刁难象实现数据、模型、仪表板以及其他干系信息的共享，促进团队协作。

3.2. 机器学习平台功能

机器学习平台通过端到真个建模流程，使企业用户实现机器学习的全生命周期管理。
从端到真个流程来看，机器学习平台的功能可分为：

数据接入：支持多种类型数据的接入，既包括构造化数据，又包括非构造化数据，并供应多种接入办法。

数据准备：包括数据洗濯和数据探索，在数据洗濯环节，机器学习平台一样平常具备数据领悟、数据缺失落处理、数据分类、打标签、数据非常处理、数据平滑等功能，在数据探索环节，机器学习平台具备单变量统计、多变量统计、聚类剖析、相似度度量、密度考验等功能。

特色工程：支持特色构建、特色选择、特色降维、特色编码等特色工程必备流程，同时供应可视化的特色主要性评估功能，利用户可以快速创造模型中存在的问题。

模型演习：在建模环节，对付编程能力较弱的用户，平台供应拖沓拽的办法方便用户快速建模，降落用户利用门槛，同时也支持Notebook；模型建立后，平台供应可视化超参调度、超参搜索等功能，提高模型演习的效率。

模型支配：通过API接口，一键实现模型从开拓环境莅临盆环境的支配，实现模型快速上线。

模型管理：模型支配莅临盆环境后仍须要进行监控和管理，以担保模型的准确率和及时更新，模型管理能够将生产环境中的模型与基线或之前的模型进行比拟，确定模型效果。
此外，很多平台还供应指标跟踪工具，提高模型效果的评估效率。

3.3. 机器学习平台用户

目前金融、零售、能源、医疗等行业都开始上线机器学习平台，但大多处于早期的考试测验阶段。

机器学习平台的利用门槛较高，为了降落机器学习平台的利用门槛，机器学习平台常日供应拖沓拽功能、预置常用算法等。
目前机器学习平台的用户紧张是企业内的数据科学家、数据工程师和数据剖析师等。

3.4. 机器学习平台代价

机器学习平台的收费模式以项目制为主，包括机器学习平台的License授权用度、履行交付用度和维保用度。
个中，License授权用度常日与平台支持的打算节点数量或并发用户数量干系，企业用户现阶段常日选择买断授权；履行交付用度常日包括运用开拓的部分，以人/天计费。
目前机器学习平台项目的定制化程度较高，项目均匀在几百万旁边。

3.5. 机器学习平台支配办法

机器学习平台支持本地化支配和云化支配两种形式，但由于机器学习平台一样平常利用在企业的核心业务场景中利用，因此企业用户目前基本都会选择本地化支配。

3.5. 机器学习平台范例案例

目前，各大银行都在考试测验构建机器学习模型赞助业务开展干系事情，并逐渐线上支配实现模型的自学习过程。

某城商行通过引入机器学习平台的办法实现机器学习建模流程的优化以及掌握全体运用“生态”的风险问题。
银行的业务及科技职员可通过机器学习平台进行人工智能模型调研探索、模型运用及模型的自学习事情。

机器学习平台紧张包括两大模块，分别是模型调研平台和模型自学习平台。

模型调研平台覆盖从业务数据处理到机器学习模型建模的全过程。
平台支持大规模数据的分布式打算和处理、特色构建、特色主要性剖析，支持主流的机器学习算法，如逻辑回归、梯度提升决策树、支持向量机等，在模型的效果评估指标上，包括AUC、ROC、KS、各阈值下的稠浊矩阵及对应的准确度、精确率、召回率等，同时平台还供应模型的版本管理及发布事情。

模型自学习平台紧张是基于生产最新的数据，进行模型的迭代，实现模型的自学习。

通过机器学习平台，某城商行实现了精准营销和风控干系的建模事情，包括各种理财产品的精准营销、赞助贷前审批的评分卡模型及贷中风险预警模型等，助力银行提升数据代价，完成数字化转型事情。

04

机器学习平台代表产品

05

机器学习平台未来发展趋势

5.1. 技能趋势

第一，实现全流程AutoML，降落机器学习平台利用门槛。
目前机器学习平台的运用门槛较高，特色提取、模型选择、超参优化、模型评估等环节须要数据科学家、数据工程师等专业职员的人工干预，AutoML可以将与特色、模型、优化、评价干系的主要步骤进行自动化地学习，降落机器学习模型的人工干预。

第二，增强机器学习模型的可阐明性。
与传统的统计模型比较，机器学习模型有更好的预测能力。
但随着须要处理的数据量越来越大，机器学习模型的内部构造越来越繁芜，机器学习模型的“黑盒”属性可能会让模型存在不可预知的风险或做出具有偏见的决策，因此须要提高模型的可阐明性，让数据科学家更深入的理解内部事情事理。

5.2. 运用趋势

目前，金融、零售、能源等行业的头部企业已经将机器学习平台用于业务实践并带来明显的代价。

随着数字化转型的加速，越来越多的企业将通过引入界面友好的、统一的机器学习平台，更好地支持各业务场景下AI模型的智能化、敏捷化开拓，避免烟囱式架构带来的重复培植、资源摧残浪费蹂躏、数据不互通等弊端，办理企业用户搭建机器学习模型使存在的门槛问题，助力企业数字化、智能化发展。

前往【字母点评】官网免费***PDF完全版报告