AI时代的产业智能化改造，被一家通讯公司玩转(3)

由于通讯行业有着 3 到 5 年的技术迭代周期。当客户需要采用新的解决方案的时候，可以通过一体化改造的方式，将整体的应用方案全部进行智能化改造，具体而言，这时候向客户提供的解决方案会包含一揽子的智能化应用和服务。客户采用了新的解决方案后，可以无缝地将数据迁移到新方案上，这一过程无感，但系统整体的效率大大提升。

AI 中台

最后一种产品被称为 AI 中台。和云平台类似，容联的 AI 中台提供一个智能化平台，其中集成了过去开发过的 AI 技术、模型、应用等。通过提供给头部大客户，AI 中台支持客户在已有的 AI 基础能力上开发相关的服务应用。这一中台也提高了容联云在技术研发上的效率，避免重复开发和浪费。

例如，很多 AI 应用需要一系列的底层技术支持。例如智能客服可能需要语音识别、语音合成、自然语言处理、知识图谱等一系列 AI 相关的技术。如果某个企业想要实现 AI 应用，在没有 AI 平台的情况下可能需要全部研究一遍，投入成本高。在 AI 中台的帮助下，开发相关领域的应用会更加简单方便。

目前，容联已形成了完整的 AI 产品体系，名为「三中心一平台」。三中心指的是：机器人为中心、AI 为中心和知识为中心。这三个中心可以主要满足各个细分领域的实际需求。而一平台则是 AI 中台，主要提供基础的智能化能力。

技术不冒进：AI 的实际效果更关键

怎样做好 AI 产品?算法的性能是一方面因素，为什么很多实验室中的优秀算法无法落地呢?容联认为，AI 的算法固然重要，但是在业界进行落地的过程中还需要考虑很多因素。这些因素才是决定 AI 应用是否成功的关键。

有所为而有所不为

在 AI 算法的研究上，容联采用了和高校合作的方式。企业本身并不追求极致的实验室性能，而是将重点放在有技术潜力，能够快速实现应用的领域。而理论、模型等方面的探索性研究则通过联合实验室的方式进行。

例如，在研发哪些 AI 技术方面，容联就进行了选择。在 2017 年进入 AI 的时候，团队研判，在通讯领域较为重要的 AI 技术包括语音和语义两方面。但是，在语音技术上已有很多成熟的产品，许多实力强劲的科技巨头也在参与，因此团队没有投入太多。

容联的 NLP 技术一览。

而在包括自然语言处理和知识图谱等语义理解的技术上，团队看到了这些技术对于拓展后续的产品线的作用。比如说，完成了语义理解的研究后，团队可以带着相关的经验继续投入到知识图谱，进而拓展至知识整理和知识分类。这些技术都可以应用在客服、企业知识库、智慧营销等场景下。因此他们在这一领域投入更多。

但是，学术性的研究则通过和高校的合作进行。2018 年，容联和华中科技大学成立了联合实验室，共同研究个性化推荐、情感计算、认知计算方面的学术成果。这样的产学研合作降低了企业独自研发的投入成本，同时能够吸收先进的学术成果。

行业积累解决数据匮乏问题

数据是阻碍 AI 应用落地的一大障碍。缺乏数据往往会导致 AI 的性能达不到要求。

对于这一问题，容联一般采用三种方法解决。首先，从公开渠道获取开源数据集，例如在文本数据方面，可以使用维基百科数据集。其次就是使用标注公司提供的数据。最后，由于多年的行业积累，很多头部客户已有类似规则库、知识库方面的数据，也可以灵活使用。

在数据方面，容联认为，有着多年行业积累，对于数据的理解也会更深刻。例如，在智能制造领域，有一种 AI 应用便是针对生产线上的工人进行监控。很多通用的计算机视觉算法会先在公开的通用数据集(往往有上万甚至更多图像)上进行训练，然后再进一步进行模型微调。实际上，有从业经验的团队会知道，这是一个封闭的场景，实际上可能只需要 5000 多的场景内图像，加上工程化技术便可以达到很高的准确率，使用开放数据集反而效果不佳。

千人千面，测评 AI 能力看应用

那么，在评估 AI 能力的时候应该采用什么样的标准?容联透露说，在不同的 AI 应用上，测评的方法也有所差别，主要需要看不同场景的应用。例如，在语音客服中，就有一个公式，需要结合计算「单路通话的通过率」和「语音识别准确率」两个指标，综合计算后再评测结果。

在问答机器人上则会采用剧本测试的方法。比如，在信用卡发卡客服应用上，测试团队会根据该场景中可能出现的用户交互问题等整理出一个剧本。这一剧本需要覆盖 80% 以上的情景。之后再请测试人员根据剧本进行测试。在测试中，很少出现测试人员会脱离剧本「调戏」AI 的情况。

此外，AI 应用必须重视工程能力，用于在算法性能不足的情况下弥补。在工具和开发框架的使用上，容联在研究中采用 PyTorch，在实际生产中采用 TensorFlow 等。

理性看待「AI 红利」

虽然 AI 热度不减，但是容联在进行 AI 产品的开发方面显得非常务实。在团队看来，AI 应用应当符合商业逻辑。

研发烧钱，痛点难解决

很多时候，客户的痛点无法用 AI 解决，但 AI 的研发却是一个烧钱的工作。在实际应用中，如果 AI 应用所减少的成本和效率提升并不足以弥补开发投入，这就使得很多公司望而却步。

比如说，通讯领域可以使用的 AI，如客服和营销等，真正需要解决的是生产问题，如客户通过 AI 得到的客户转换率的提升，而很多时候 AI 并不能解决这些问题。例如，一个人类客服通过自身的能力，每日工作只有八小时，但可以带来的一定催收转化率。而 AI 替代后，尽管能够不间断二十四小时工作，但是由于本身的能力问题，反而可能导致转化率的严重下滑。这就需要开发 AI 产品时充分了解客户需要解决的实际问题。

同时，AI 产品的研发成本目前依然高企。尽管大型企业和头部客户有一定的资金和动力，采用 AI 产品进一步降低成本，但大量的中小企业对此缺乏动力。例如，一个公司本身只有几十人的情况下，采用 AI 无疑是「杀鸡用牛刀」，不具有规模效应。因此，容联的 AI 产品也多面向大型客户。

AI 究竟价值几何

那么，AI 究竟起到了什么作用?怎样看待 AI 实际上的商业价值?容联认为，目前采用 AI 的一个重要原因是要解决市场准入问题。

（编辑：ASP站长网）