*本文內容來自觀遠資料聯合創始人&產品研發負責人張進在「觀遠資料新零售私董會·廣州站」上演講的部分摘錄。
今天借這個機會，我想跟大家交流一下，我們是以何種方式在一些快消客戶中落地ai，利用ai來提高企業的經營和運營效率。
再下一城！觀遠演算法天團再奪黑客松冠軍！
今年我們團隊在微軟大中華區智慧型零售（smart retail）ai黑客松中，取得了不錯的成績，分別獲得了百威英博場和迪卡儂場的冠軍。另外還有一些在零售和消費領域的實踐應用也得到了認可，前段時間 csdn ai開發者大會上，我們的「虛擬標桿店」方案就獲得了2018最佳零售ai應用案例。
入選2018最佳ai應用案例top榜！這個「虛擬標桿店」到底是什麼零售黑科技?
但大家都知道，觀遠資料的主營其實是bi產品，那麼我們為什麼要花這麼大精力去研究ai呢？
其實我們公司的目標是幫助企業構建智慧型決策大腦，bi產品可以幫助企業梳理其生產關係，培養依託資料做決策的基礎和習慣。而ai則是一種先進生產力，它能夠幫助我們把業務專家、資料分析師等人所積累的業務經驗和知識，固化到系統，進而使它演變成企業長久的資料資產。在講到落地場景之前，我需要先跟大家介紹一下認知類ai的概念。
▍感知類ai 與 認知類ai
舉個簡單的例子說明：比如現在我們正在開車，遇到了這樣的乙個球滾過來。如果是感知類的ai，它會識別出這是乙個足球、白色，狀態是正在街上不停滾動。
而認知類ai會做出什麼樣的推斷呢？看到這個球在街上滾動，它會結合歷史經驗去思考，是不是有小孩在旁邊踢球，不小心把這個球踢到了街上，我要減慢我的車速，萬一有小孩要撿這個球，便可以立馬把車剎住。
這實際上是在bi的基礎上延展出來的，因為它結合了很多歷史的經驗和知識，才能夠做這樣的決策。感知類ai就像是資料的抓手，即把現實的世界通過資料抽象出來，變成一系列的資料生產資料。而認知類ai則是利用這些資料生產資料，然後再結合業務人員多年的業務經驗，將其變成企業不斷沉澱的資料化知識，形成長久的競爭力。
在認知類ai的背後，支撐它的其實是機器學習。
▍ ai >> 機器學習 >> 深度學習
ai的概念很早以前就已經出現，但是那時候大資料分布式計算不成熟，又或者也沒有像現在這麼強大的ai演算法，導致它的應用範圍很窄。後面延伸出了「機器學習」，這也是有幾十年的歷史了，不過當時只有在非常昂貴的專業機器上才能進行資料量較大的運算，成本非常高，一般企業也用不起來。
但是現在有了這些很厲害的資料科學家，幫助我們做了很多底層的演算法庫，我們就能夠利用這些先進生產力的演算法，並且結合比較廉價的機器，產出一些比較好的演算法結果。
而最近「深度學習」的概念，它其實也是依託了背後非常強大的算力，將神經網路演算法進一步延伸和發揚光大。
聚焦於機器學習這一領域來說，它其實有非常多的流派和分支，我這邊簡單的講一下其中大類的三個。
1、監督式學習
即我們在訓練模型的時候，其實是存在正確答案的。比如我們給客戶做的銷售**，就是利用真實銷量作為「正確答案」，利用機器學習不斷調優。
2、非監督式學習
事先沒有正確答案的情況下對資料進行分類和聚合。比如我在某一平台上長期出現「薅羊毛」的舉動，因此該平台會給我打上「羊毛黨」的 標籤；但我可能在另外乙個平台購買了奢侈品，又獲得了乙個「土豪」的標籤。因此平台需要通過標籤產生一些推送行為，再根據策略的調整來觀察這個標籤是否在群體的統計學意義上有效。
3、強化學習
這是在重複博弈的過程中，通過「試錯&獎賞」來發現規律。比如alphago，它需要在成千上萬盤的下棋過程中學習怎麼贏棋，從而找到甚至是人類從來都沒有發現的招式。
▍需求**
今年我們給聯合利華以及百威英博都提供了基於ai的需求**。目前我們跟聯合利華的成果是將weekly forecasting accuracy的絕對值提高了10%以上，產出了業務部門非常認可的成果。與此同時，基於觀遠bi，我們也構建了誤差分析系統，重新組織了dp部門的運作模式，進一步提高了整個**過程的效率和效果。
結語
總結而言，ai或者演算法本身，可以幫助企業做很多事情，但是它也非常依賴於資料這樣的生產資料，以及業務背後的專家經驗。所以ai是先進生產力，bi則是在幫助企業梳理生產關係，兩者結合起來可以不斷挖掘企業資料的價值。觀遠資料ai+bi的商業智慧型解決方案正是依託於這種理念下的產物，我們也會不斷將過程中的一些總結和心得分享出來，與大家共同探索未來的智慧型商業，再次謝謝大家。