工業場景ai怎麼落地

㈠ 亂花漸欲迷人眼,AI如何才能真正落地

人工智慧歷史上經歷過數次沉浮，如今再次被引爆。

從政府、學術界、企業界、投資界到創業者們，無一不將人工智慧視為未來方向;而分析師和媒體從業者們的海量分析報道，更是讓人工智慧快速佔領了每一個普通人的視聽。

於是，正如歷史上每一個產業的興起，人工智慧在歌舞昇平的同時，也逐漸變得有些「亂花漸欲迷人眼」。

從積極的一面來看，人工智慧催生了大量新技術、新企業和新業態，為個人、企業、國家乃至全球提供了新的經濟增長點，甚至將驅動第四次技術革命，創造巨大的價值。

IDC預計，全球人工智慧支出到2020年將達到2758億人民幣，未來五年復合年增長率將超過50%。中國人工智慧技術支出將達到325億元，佔全球整體支出的12%。

從消極的一面來看，盡管人工智慧揭開了一個全新的時代，但也在不斷滋生著「泡沫」，吹捧有之，跟風有之，噱頭有之，近兩年，數十家中美AI創業企業密集倒閉，大量AI創業項目中途夭折，不免讓人感慨，人工智慧是否只是「看上去很美」？

那麼，人工智慧的未來到底會發展成怎樣？如何才能真正落地？如何才能實現規模商業化？盡管人工智慧的概念的提出已經有六十餘年，但理論、技術和應用、商業的結合並沒有太多前人的足跡。

故而，在人工智慧產業的發展中，「拓荒者」和「領頭羊」的角色就顯得尤為重要。

「場景驅動」是AI落地關鍵

在人工智慧的諸多玩家中，阿里巴巴已經正在努力成為這一角色。對於AI的未來，阿里已經有了清晰的認知，以及與眾不同的AI發展路徑。

12月20日，在雲棲大會·北京峰會上，阿里雲總裁胡曉明提出了「AI for Instries」(產業AI)的理念：人工智慧不應僅僅是實驗室里的、PPT里的「概念上的AI」，更應是「產業AI」。

胡曉明表示，「產業AI」的提出，是基於阿里巴巴對人工智慧的三個判斷：

「第一，必須要有場景驅動，我們在解決什麼問題，為這個社會的成本降低了多少，效率提高了多少;第二，在人工智慧背後是否是有足夠的數據來驅動AI能力的提升;第三，是否有足夠的計算能力支撐我們的演算法、深度學習;只有三個場景同時具備的前提下，人工智慧才會有價值」。

阿里將「場景驅動」放在了首位，這正是阿里「產業AI」戰略的核心，也是阿里獨特的AI發展路徑，更是阿里能夠將AI實現落地的獨家秘笈。

和很多企業和機構的做法不同，阿里的AI旅程並不是從實驗室中的研究和討論開始，而是反其道行之，從基礎業務部門開始推動，讓AI從日常場景中「長出來」。

例如，手機淘寶中能夠讓用戶通過拍照的方式實現「以圖搜圖」的「拍立淘」功能，就是源於電商場景，之後通過解決一個個的技術問題，最終形成成熟的AI解決方案。

電商平台為阿里提供了AI生長的優良土壤。大量消費者普遍的、或者個性化的需求造就了不同的應用場景;海量數據為AI提供了充足的「原料」;而阿里雲強大的計算能力則成為了AI實現的加速器。三要素齊備，阿里得以讓人工智慧快速發揮出價值。

事實證明，阿里選擇的這條「自下而上」、「從場景中來」、「再到場景中去」的產業AI路徑方向正確，並行之有效，推動了AI技術在行業應用場景中的真正落地。

「雙11」當天，機器人客服「阿里小蜜」承擔了95%的客服咨詢;機器智能推薦系統生成了超過567億個專屬貨架;AI設計師「魯班」在雙11期間設計了4.1億張商品海報;而阿里華北數據中心運維機器人接替了運維人員30%的重復性工作。

不僅在零售領域，阿里「產業AI」布局已經覆蓋城市、金融、司法、農業、教育、航空、工業、安全、環境、醫療十大垂直領域，並已相繼開花結果，目標以AI技術對垂直產業進行全局重塑。

例如，在金融領域，阿里通過雲計算和智能演算法，將南京銀行申請貸款過程中的人工視頻驗證減少54%;在工業領域，阿里雲ET工業大腦幫助天合光能將電池A品率提升7%;在智慧城市領域，阿里雲ET城市大腦在杭州接管了128個路口的紅綠燈，通過對視頻等數據的全量分析來優化道路運營速度和效率，在試點區域的道路上通行時間減少了15.3%。

在胡曉明看來，過去每一次產業革命都是技術與產業的深度融合，從而引發經濟和社會變革，AI也不例外。未來AI要深入各行各業，去解決生活、生產和社會環境中遇到的棘手問題，這樣才能引領真正的產業革命。

通過「產業AI」布局，阿里正在這條「產業與AI深度結合」的路上漸行漸遠。

「ET大腦」讓行業共享AI紅利

一年前，阿里雲發布了人工智慧ET，全面整合了阿里巴巴的語音、圖像、人臉、自然語言理解等能力。在12月20日的雲棲大會·北京峰會上，阿里雲正式推出整合城市管理、工業優化、輔助醫療、環境治理、航空調度等全局能力為一體的ET大腦，將ET從單點的技能升級為具備全局智能的ET大腦，全面布局產業AI。

ET大腦LOGO

據阿里雲機器智能首席科學家閔萬里介紹，ET大腦的核心能力是「量子拓撲」，其誕生主線要追溯到1905年愛因斯坦發布的關於布朗運動的論文：「從一個巨大的網路上，怎麼樣從這些傳播的表象上找到它最核心的路徑？而這一點恰恰是ET大腦最核心的一個能力，也是與眾不同的能力。」

閔萬里表示，相較於其他AI產品，阿里雲ET大腦將AI技術、雲計算大數據能力與垂直領域行業知識相結合，基於類腦神經元網路物理架構及模糊認知反演理論，實現從單點智能到多體智能的技術跨越，打造出具備多維感知、全局洞察、實時決策、持續進化等類腦認知能力的超級智能體。

ET大腦的發布，意味著阿里雲的AI能力已經從單點技術進化到面向垂直行業的全局能力，在過去的一年中，ET大腦在城市、工業、醫療等領域獲得大量實踐，量變引發質變，進而能夠升級為各行業的「大腦」。閔萬里表示，ET大腦將被設定為一個開放的生態，讓創業公司、開發者和行業公司一起來分享技術的紅利。

除了ET大腦，阿里雲在雲棲大會·北京峰會上還發布了ET航空大腦，用運籌優化、機器學習等人工智慧方法分配停機位，預計每天調度1700架次航班，幫助乘客節省5000個小時，大大提高航班中轉效率，從而降低延誤率。

據閔萬里介紹，為機場提供停機位的智能調度只是ET航空大腦的功能之一，航空大腦還希望深入航空的其他場景。此前，阿里雲天池平台曾聯合廈門航空、白雲機場啟動智慧航空AI大賽，向全球工程師發出邀請，用智能演算法解決航空場景下的問題。未來，ET航空大腦將繼續為航班智能恢復、機場地勤人員調度、航空公司航線規劃等提供人工智慧解決方案，打造智慧航空。

在雲棲大會·北京峰會上，阿里雲還宣布推出具備智能風控、千人千面、關系網路、智能客服等能力的智能決策金融方案——ET金融大腦。

據阿里雲金融事業部總經理徐敏介紹，ET金融大腦可輔助銀行、證券、保險等金融機構實現對貸款、徵信、保險等業務的智能決策及風控監管，可大幅降低資損率，提高信用卡等預測准確率，促進金融機構在互聯網消費金融、中小微企業金融服務等普惠金融方面的探索。

如今，ET金融大腦已經在南京銀行、浙商銀行、廣發銀行等金融機構得到應用，在智能風控、「千人千面」的金融服務、開拓「新金融」商業模式中大顯身手。

推落地促生態，讓AI「普惠」大眾

從《終結者》、《黑客帝國》到《西部世界》，人類表達了對於人工智慧的隱憂，未來，人工智慧是否將代替人類？MIT人類動力學實驗室主任、《智慧社會》的作者Alex Pentland曾經指出，其實我們要憂慮的並非是全球化人工智慧本身，而是它的幕後操縱者。

人工智慧是人類創造的工具。如今，業界更樂於將人工智慧定位於「增強智能」，其目標不是為了代替人類，而是增強人類的能力，為人類生產生活服務。故而，人工智慧不應被封閉在實驗室之中，而是要與人類生產生活緊密結合，普惠大眾。

阿里所提倡的「產業AI」，正是一種將其AI能力開放，普惠大眾的做法。阿里AI能力相繼在城市、工業、汽車、零售、金融、家居、航空等領域落地，在破解行業難題的同時，也切實為普通消費者的生活帶來了改變，讓消費者切實能夠從AI中獲益。

阿里也正在通過開放合作，讓AI能力惠及更多的行業和消費者。

在雲棲大會·北京峰會上，阿里雲和中國電信在安全領域展開合作，雙方將於明年共同推出定製化DDoS防護服務，為中小企業提供普惠安全;新華書店攜手阿里雲，布局智慧書店，在消費側與顧客建立緊密連接，打造全新的「悅讀生活」理念，滿足消費者多元化、個性化的需求。

同時，阿里雲同隆平高科、中信雲宣布達成戰略合作，計劃將ET大腦推進到農業領域，主要用於篩選育種、基建數據化、農事管理、基地選址及農作物生產預測。阿里雲與寶馬中國正式對外宣布，雙方將基於物聯網，為寶馬車主提供從家到車的一站式無縫連接的遠程服務，實現查詢汽車實時狀態以及遠程式控制制車輛的智能生活。

除了將AI技術和行業深入結合，普惠大眾，阿里還在積極參與人工智慧生態的建設和人才的培養，推動人工智慧在中國的加速落地。

在雲棲大會·北京峰會上，阿里雲聯合掌通家園、貝聊、智慧樹、小蟻科技、得圖等廠商發布了「AI視覺守護聯盟」，希望將人工智慧、視頻技術和工業、農業、教育等行業深度結合。

阿里雲深度融入了國家大數據戰略，包括深度參與兩個由政府發起的大數據國家工程實驗室;阿里雲「天池」大數據平台已經聚集了超過11萬名開發者;阿里亦已和307所中國大學開啟了普惠計劃，將雲計算、大數據、人工智慧等新技術帶進高校，培養人才。

綜上，中國人工智慧的發展和落地，既需要「拓荒者」和「領頭羊」，也需要整個生態的繁榮和健康發展。在這個過程中，阿里及其所布局的「產業AI」，都扮演了關鍵的角色。

㈡ 人工智慧進入工業化大聲產，為什麼我們還沒有見到

這個主要就是因為它的發展還是要一些時間的呀。人工智慧正在推動新一輪科技革命和產業變革，與5G等新興技術結合，必將促進更廣泛更深入的技術創新和產業應用，從而改變人類的生產生活、甚至思維方式。10月21日，第六屆世界互聯網大會進入第二天，網路首席技術官王海峰出席AI論壇及5G論壇。

王海峰表示，驅動歷次工業革命的核心技術都表現出很強的通用性。如今，第四次工業革命正在發生，人工智慧技術趨向標准化、自動化和模塊化，進入工業大生產的階段。

以網路大腦為核心，以飛槳為基礎，以網路智能雲為載體，網路AI技術已經在各行各業廣泛應用。

在當天舉辦的5G論壇中，王海峰談到5G為AI帶來的新機遇：「AI和5G是相互賦能的關系，AI會讓5G變得更加智能，更有用武之地，而5G更快速度、更大帶寬的特點，也將讓人工智慧無處不在。」他認為，當前的人工智慧技術不是孤立的，需要基於大數據，需要龐大的模型和很大的計算量，5G可以使雲到邊緣、到端的連接更近、更緊密，AI將更順暢、更廣泛的落地，AI與5G「雙劍合璧」可以優化現有應用、催生更多可能性，推進智能化進程，服務於我們的生活。

㈢ 2020年人工智慧落地發展趨勢

作者 | 網路大數據

來源 | raincent_com

轉眼間，2019年只剩下不到兩個月了。人工智慧的熱度依舊，只是在資本市場，看空的投資人也越來越多了。從當年大數據的發展趨勢看，這種情況反而對產業發展是有利的。因為這意味著，進入賽道的野蠻競爭玩家會越來越少。

對於已經拿到賽道入場券的選手來說，如何合理配置手中的資源成為生死存亡的關鍵，同時細分市場上的領頭羊可能在這樣焦灼的市場競爭中成長為獨角獸。

對於從事大數據與人工智慧相關領域多年的人來說，其最終目標還是「從數據中挖掘價值」。在挖掘價值時，具體某類技術只是整個過程中某個階段的輔助工具，單純某類技術解決不了所有問題。因此，我們基於「最終目標」劃分三大類場景去運用「大數據」和「人工智慧」構建整體解決方案：

一、尋找業務增長點：數據建模能力成為核心，當前Fintech/Regtech領域需求廣泛

核心要素：幫助企業解決經營決策中遇到的數據支撐問題。無論是營銷還是風控，最終都是通過一些報表、模型去輔助業務人員做決策。 解決方案：機器學習類產品已經成為金融行業尋求業務增長點的標配工具，同時越來越多的傳統行業也開始使用大數據、人工智慧等技術做輔助決策。 解決方案難點：由於跟業務結合緊密，雖然已經在不同行業開始落地，但實際進展緩慢。由於業務的特殊性，往往不能夠單單通過演算法本身去解決所有業務問題。這同時也意味著，交付目標以及實施周期的不確定性。

二、加深業務壁壘：知識中樞成為重要工具，當前金融/安全等行業試點較多

核心要素：對現有業務實現優化。 解決方案：在這一場景中，知識中樞運用較多。我們將三大塊技術：知識圖譜、搜索引擎、深度圖譜糅合進知識中樞的概念中。首先通過搜索引擎進行行業知識檢索，再通過知識圖譜進行概念串聯，最後通過深度圖譜進行行業知識推理。 解決方案難點：如何將行業知識抽象出來，形成公司內部的知識系統，從而有針對性地對現有業務流程、具體業務點進行整體優化。

三、降低業務成本：自動化成為基礎要素，當前能源/交通等行業突破開始

核心要素：如何減少人工干預。 解決方案：現有的場景中，偏業務性質的自動化可以通過RPA等技術實現。RPA本身技術門檻不高，但在NLP、OCR、CV等AI技術帶領下，已逐步被用在越來越多的場景中。另一方面，由於圖像識別以及5G、邊緣計算的推動，越來越多的安防監控、無人巡檢等AIOT場景開始落地。相對於RPA，AIOT的場景給客戶業務帶來的顛覆跟價值更大。 解決方案難點：現實場景中的有效樣本較少，影響模型的准確率和落地。

下面我們將結合三種不同的場景來闡述六大AI趨勢。

趨勢一：Fintech/Regtech AI落地過程中，AI平台逐步成為事實標准

AI平台，在很多地方又稱為AI中台/數據科學平台/機器學習平台/人工智慧平台，主要涵蓋的功能除了傳統統計分析軟體包含的功能以外，還包括大數據、分布式計算平台、NLP、CV等能力。

行業先行者在探索AI落地過程中，逐步意識到AI平台的重要性。從一開始只針對幾個小的業務線進行試點，到後續在更多的場景中推動落地，大家達成共識：與數據中台類似，煙囪式的各自為政只會使得後續AI的落地愈加艱難。

AI平台在Fintech市場的爆發，驗證了一個基本事實：只要業務領域有足夠通用的需求，就會出現足夠通用的平台。資料庫本身是上一個數據的事實標准，而AI平台則沒有一個明確的定位。由於這個想像空間，AI平台便成了各大玩家的必爭之地。

趨勢二：數據建模開始在非金融行業的龍頭企業流行，國產化趨勢明顯

AI平台在其他行業的試點也如同星星之火。雖然其他傳統行業的信息化水平普遍比金融略低，但也在迎頭趕上。往往這些行業取得的成果比金融要多，這是因為滿地都是順手可摘的果子，成果落地比金融行業相對容易。

這些企業原本可能使用的是SAS、SPSS或者Matlab等國外產品，現在可能在試用國產AI平台。一方面是因為SAS等產品不足以支撐最新流行的框架演算法，另一方面也有國產化層面的考量。

AI平台作為人工智慧基礎平台，本身需要對各領域專業演算法具備深入理解以及實現的能力。同時作為平台，也有通用性、高性能以及安全可靠等各方面的平台需求，對相關研發人員有極高的技術要求。當前，國產平台跟SAS等比較，整體還是略佔劣勢，但是在某些細分領域已經實現了超越。

趨勢三：圖譜應用開始在全行業推廣，偽需求略多，注意辨別

圖譜類的應用，主要對應於上面提到的「知識中樞」。基於「知識中樞」去做特定行業的圖譜類應用已經在市場上流行了一段時間。

只是，一方面由於客戶對這塊有不切實際的要求，另一方面，大多數實施圖譜應用的廠商能力參差不齊，實際項目也沒辦法最終落地。

2020年對大多數圖譜類應用，客戶會有一個更清醒的認識：做什麼它擅長，做什麼它不行，應該怎樣做，都會有一定的經驗。這也對圖譜應用有更高的技術層面的要求，同時也對NLP演算法以及圖譜演算法有更多落地層面的考量，包括性能、實施周期、最終效果等。

趨勢四：深度圖譜在反欺詐、反洗錢、犯罪團伙分析等場景開始落地

由於深度學習自身相關技術的停滯，將深度學習與圖譜結合成為了學術界的主攻方向。而在反欺詐、反洗錢、犯罪團隊分析等場景下，復雜網路分析已經成為主流的分析手段。通過深度學習與圖譜的融合，深度圖譜給傳統的圖譜分析帶來了圖譜推理的能力，從而將原有的模型精度提升到另一個高度。

然而，一旦涉及到落地，故事並沒有那麼簡單。一方面，同大多數AI應用一樣，落地過程是比較曲折和復雜的。本身模型精度需要不斷迭代，同時也需要對業務非常熟悉的人員進行及時反饋，這就導致對業務跟演算法的要求都非常高，一旦實施過程中出現偏差，容易有挫敗感。另外，在一些對實時性要求比較高的場景中，對底層圖資料庫的性能也有要求。而當前的市場上，圖資料庫廠商雖然多，但大多數時候沒有懂技術的人員去調優，使得真正能同時滿足性能要求和演算法要求的圖資料庫鳳毛麟角。

趨勢五：視頻圖像類應用的碎片化與場景化成為AI快速落地推廣的攔路虎

CV類場景是引爆AI大火的導火索，同時，由於大多圖像場景偏識別類，跟業務離得比較遠，可以大規模地在市場上擴張。

不過，我們可以驚奇地看到，CV類的需求還在不停地膨脹。這是因為，當前市場的CV巨頭在人臉、車輛等通用需求方面進行了大規模落地，而對於一些偏碎片化的場景，比如設備故障識別、異常識別，甚至特殊場景的人臉識別，都缺乏足夠的技術支撐與耐心去推動落地。

因此，怎樣提升CV場景落地的效率成為大多數CV從業者的主要工作方向，這裡麵包括多個維度：第一，從科研層面去革新演算法，第二，從工具層面去落實標注、訓練、部署等的一體化平台，第三，從市場角度定義行業通用化的場景，第四，從技術角度去優化模型，從而降低實施成本。

在這個大背景下，四大CV獨角獸也好，互聯網巨頭也好，都試圖去推動平台的落地。然而，在這樣的「四維」要求下，要踏踏實實地在細分場景中打磨通用模型、平台，談何容易。但這也讓耕耘細分行業的小CV廠商有足夠的空間去摸索。

趨勢六：AIOT物聯網場景沒有大規模的需求爆發，細分行業開始出現落地

我們看到，所謂的AIOT場景，主要還是CV類場景帶動，但一些深入需求(如需要感測器數據參與的預測性維護類場景)落地較少。

這跟「智能製造」的特點比較相關。客戶在車間現場通常需要一個開箱即用的產品，而大多數AI類場景需要足夠多的時間去打磨。另外，大多數工業場景需要的不僅僅是大量有價值的數據，還需要對工業場景有深刻的理解。

首先，「大量有價值」的數據本身不大可能獲得。比如，在預測性維護的場景下，所謂「有價值」，就是指相同或者類似的設備歷史上出現故障的時候對應的數據，這種數據當然很少。其次，在部分異常數據的加持下，一般的統計分析演算法可能分析不出什麼。這跟金融類的風控場景不同，風控場景考驗的是人性，從人性的角度去做一定深度的分析，並結合演算法就可以取得不錯的效果。而對於設備，這里需要的是一個深刻理解機械原理的演算法專家。

即使面對這樣的困境，我們還是看到了一些製造業企業開始摩拳擦掌，雖然深入的AI演算法用不上，簡單的BI也能提供價值嘛。

只是感嘆，Predix還是出來太早了，那2020年會有突破嗎?還是得看「智能製造」的內生動力多大，期望一些細分場景會有落地。

人工智慧的2019年註定是平靜的一年，因為技術爆發以及投資引導時期已過，避免不了被冷清。然而，正如大多數技術周期一樣，當技術本身有價值且具備落地能力的時候，技術落地的過程逐步展開。

我們相信對於大多數在探索人工智慧落地過程的從業人員來說，故事才剛剛開始。而對於參與炒作概念的玩家來說，也找到了新的方向：區塊鏈。

從更宏觀的數字化轉型的角度來看，還有太多的事情值得大家去落實。抓緊2019年的尾巴好好做幾個落地項目吧。

㈣ 人工智慧在工業領域有哪些作用

在製造流水線上，有大量的工業機器人。如果其中一個機器人出現了故障，當人感知到這個故障時，可能已經造成大量的不合格品，從而帶來不小的損失。如果能在故障發生以前就檢知的話，可以有效做出預防，減少損失。

㈤ 人工智慧的發展很快，未來它會在哪些領域被應用

安全方案在IT基礎設施、數據質量、環境驅動力等基於AI開發的條件下表現優異。該場景主要以視覺識別技術為主，與攝像機、感測器等硬體設施相結合，邊緣計算和三維結構光學視覺識別技術也將促進人工智慧在安全領域的發展。數據收集主要依靠相機技術，現有安全的累積為安全行業奠定基礎，圖像數據佔用高帶寬和內存，增加數據積累成本。隨著安全行業的智能上升，從雲智能增加到終端智能，互聯網公司和雲服務公司也參與了市長/市場競爭，但上游成本高是當前安全行業智能化的主要瓶頸。

從目前人工智慧技術的行業落地應用情況來看，人工智慧領域的自然語言處理和計算機視覺這兩個方向不斷擴大自己的行業應用場景，其中自動駕駛被寄予更大的期望，很多行業專家也認為自動駕駛將成為人工智慧技術全面落地應用的突破口，因此，目前很多企業也紛紛部署自動駕駛領域，目前自動駕駛也確實取得了一定的發展。

㈥ 隨著AI產業落地成為主旋律，對於數據標注行業提出了怎樣的需求

1. 需求方對垂直場景的定製化數據采標需求成為主流；

2. 行業洗牌期來臨，會淘汰大量中小數據標注服務商；

3. AI在數據標注的過程中將扮演更加重要的角色。
   

㈦ 從垃圾分類到千行百業，華為雲如何打響「AI落地站」

自7月垃圾分類進入「硬約束」時代,處於先行先試城市方陣下的市民們紛紛感慨垃圾分類的難易程度堪比高數試卷。隨著政策的實行,這場垃圾分類大戰,陸續將登陸全國46個重點城市。

8月的最後一天,華為雲宣布攜手「社會主義先行示範區」——深圳,在南方都市報上的大版面給全深圳市民發了一封信:向深圳市的每位市民徵集垃圾圖片,市民每在華為雲公眾號上傳一張垃圾照片,標上垃圾名稱和種類,都將為垃圾分類AI模型准確率的提升做出貢獻。

面向行業,華為雲持續提升模型演算法,實現工業生產環境的「工作」優秀,而不僅僅是各種比拼環境的「考試」優秀,同時實現模型的閉環、實時更新,保證企業AI應用始終處於最佳狀態。截至2019年Q1,華為雲可提供59種AI服務、159項功能,已在城市、製造、物流、互聯網、醫療、園區等10大行業的300+個項目進行探索,助力眾多企業構建AI核心能力。

事實上, 不僅僅是AI,華為雲正在做的,是將雲、AI與5G、物聯網、邊緣計算、區塊鏈、大數據、資料庫等技術充分協同。AI、5G、IoT在雲平台聚合後,將使雲成為行業數字化進程中重要的推動力,驅動各行各業實現數字化和智能化,實現質的飛躍。

㈧ AI企業在研發、訓練和落地三個階段，對於數據標注服務有什麼差異化的需求

研發需求是新演算法研發時產生的數據需求，一般量級較大，初期多採用標准數據集產品訓練，中後期則需要專業的數據定製服務;
訓練需求是通過標注數據對已有演算法的准確率進行優化，以定製化服務為主，對演算法的准確性有較高要求;
落地場景的業務需求中演算法較為成熟，涉及的數據採集和標注更貼合具體業務，對於標注能力和供應商主動提出優化意見的服務意識有較強要求。

㈨ 人工智慧如何在應用場景中落地

「真正的AI賦能，是立足於特定場景，真的為用戶創造價值。創造完價值以後，還能基於數據的驅動不斷地自我凈化，掌握制高點。」專家強調。

「此外，人工智慧確實可以改變我們和機器交流的方式，它會直接影響到我們的手機、汽車、電視、機器人、玩具、智能家居、智能家電，穿戴式設備等，所以面向消費者的2C業務，人工智慧在解決這些產品的智能化方面也有巨大的市場空間。」任萍萍指出，這些行業和面向個人消費者產品的巨大市場空間和潛力，是科大訊飛的人工智慧正在並且繼續著力以期能夠取得巨大成功的方向。

㈩ AI如何落地怎樣體現出的經濟效益和社會效益

AI 指的是人工智慧。我們國家的企業經營要堅持經濟效益和社會效益的統一，履行自己的社會責任。
人工智慧的發展更應該彰顯出以人為本的理念，滿足人們的美好生活需求。