“
报告摘要
在企业数字化转型和新基建政策驱动下，国内AI应用已经由技术尝试转入规模化应用。一方面，企业数字化转型催生了海量智能化应用场景，从企业的生产制造、供应链、营销与销售、交付与服务的价值链来看，在每个环节都存在可利用AI改善盈利的空间。另一方面，新基建赋能AI基础设施升级，并进一步拓展AI应用场景，覆盖智能生产、智能运维和智慧交通等多领域。
基于对国内各行业甲方企业的调研，爱分析认为，企业人工智能应用呈现以下趋势：
知识图谱技术应用场景爆发，从增强自然语言能力、人工智能模型的可解释性和机器学习的能力三个维度助力企业实现认知智能；
AI+RPA的融合应用实现企业端到端的业务流程自动化；
AI中台以平台化开发模式替代“烟囱式”开发架构，为AI应用开发提供快速构建能力支持。
在企业落地AI应用的过程中，爱分析提出以下建议：
从顶层规划开始，自上而下推动。管理层尽早规划AI应用场景的优先顺序，从潜在价值大孝可行性两个维度对AI用例进行筛选和优先级排序，可着眼于核心场景率先收获成效。
在大规模部署AI应用之前，企业需要进行数据资产盘点和数据治理工作，完善数据仓库、大数据平台等IT基础设施建设。
构建AI中台，提升人工智能工程化能力。完善的基础设施（包括高性能计算资源、运行环境资源等）是构建AI中台的第一步，在此基础之上，企业应部署相应的算法能力。
目录
一. 人工智能应用新趋势
二. 人工智能全景地图
三. 人工智能代表厂商
四. 人工智能厂商解读
关于爱分析
研究与咨询服务
法律声明
01
人工智能应用新趋势
现阶段，国内人工智能应用已经由技术尝试转入规模化应用，主要受到两方面因素驱动：一方面在宏观经济下行的背景下，面对利润下滑和经营成本增加的压力，企业已经普遍意识到数字化转型作为驱动业务增长的新引擎的价值，催生海量智能化应用场景。
另一方面，新基建从数据、算法和算力三个方面推动人工智能基础设施的完善，并进一步拓展人工智能应用场景。新基建包括5G基站建设、特高压、城际高速铁路和城际轨道交通、新能源汽车充电桩、大数据中心、人工智能和工业互联网七大领域。基于边缘计算、5G等新技术的融合应用将成为下一个人工智能产业机会点。
以5G的应用为例。5G可以支撑大量设备实时在线和海量数据的传输，提升数据实时性。以往大量的工业生产现场不具备建设高带宽有线网络的条件，传统的Wi-Fi等无线网络也不满足带宽要求，无法通过高清视频监控实现对产线故障、人员违规操作等异常状况的实时监控和识别预警，而5G网络提供了新解决方案，基于5G，可结合AR/VR技术，对设备故障进行远程专家诊断和运维。
展望未来，企业人工智能应用发展趋势集中体现在以下三方面：
1）知识图谱技术应用场景爆发，助力企业实现认知智能
企业非结构化数据占比已达到80%，知识图谱技术为企业提供了一种从海量非结构化数据中抽取结构化知识，并利用图分析进行关联关系挖掘的技术手段，洞察“肉眼”无法发现的关系和逻辑，为决策提供支持。
知识图谱是实现认知智能的关键技术。一方面，知识图谱能够增强自然语言理解能力：知识图谱包含的实体规模大（如在公安场景，知识图谱即有16亿实体）且具备多种常见语义关系，RDF三元组的表达方式能够帮助机器有效处理语义结构，且知识图谱能够利用大数据的多源特性进行交叉验证，为自然语言理解提供知识背景，提升模型精准性；此外，知识图谱可增加人工智能模型的可解释性：知识图谱涵盖概念、属性和关系的表达，能够利用属性对于实体进行准确归类，对人工智能模型进行解释；最后，知识图谱能够提升机器学习的能力：与通过大样本训练进行机器学习模型训练不同，知识图谱能够结合专业领域、通用领域的知识库，降低机器学习模型对于大样本的依赖和对先验知识的利用率，提高机器学习模型训练效率。
2）AI+RPA的实现端到端的业务流程自动化
RPA和AI本质上是两种截然不同的技术。RPA负责执行，即利用代码编写规则，通过软件机器人模拟人与计算机的交互过程，自动完成重复性工作。AI则负责发布指令，即利用代码编写模型，模型经过海量数据的训练后可进行输出，完成特定任务。此外，AI具备自我学习、纠错和优化能力，能够帮企业挖掘哪些流程适合自动化、创建自动化流程让RPA机器人执行。
在传统与RPA技术相关的业务流程中，AI+RPA更多涉及非结构化数据的处理。随着企业业务的发展，非结构化数据增长迅速，但传统RPA机器人不具备处理非结构化数据的能力。AI+RPA能够将RPA与NLP和机器学习等算法结合，将非结构化的图片、文档转化为结构化数据，拓展RPA应用边界。例如，在电商场景，用户下完单后需要修改地址时，可利用AI技术通过多轮对话确认用户要修改的订单和地址，使用 RPA机器人操作订单系统完成地址更改，全流程无需人工客服参与，有效提升了服务效率。
3）AI中台助力企业智能化落地
随着人工智能应用场景大规模增长，企业技术能力不足、资源重复建设、业务敏捷响应慢和投入产出低的问题进一步凸显。尤其是新场景下应用开发效率低，阻碍了企业内部AI应用场景的拓展。大多数企业在AI工程能力建设方面存在不足，Gartner的研究表明，只有53%的项目能够将AI原型转化为生产。
有鉴于此，越来越多的企业将以中台思维取代过去的“烟囱式”单点项目模式，通过构建统一的AI中台对智能应用提供人工智能能力支撑。AI中台以平台化开发模式替代“烟囱式”开发架构，在数据接入和数据清洗环节实现智能化，在模型建立和模型迭代等环节结合自动化、低门槛的建模，提升投入产出比，为AI应用开发提供快速构建能力支持。
目前，头部企业已率先布局，自上而下建立AI中台。以金融行业为例，某国有银行搭建的机器学习平台已上线精准营销、风险防范等场景，将项目研发落地速度提升了一倍，新场景的开发部署仅需1个月。
02
人工智能全景地图
爱分析基于对金融、消费品与零售、政府与公共服务等行业企业和人工智能厂商的调研，梳理了21个人工智能重点应用场景，涵盖特定行业及通用职能部门。同时根据调研，爱分析遴选出在这些应用场景中具备成熟解决方案和落地能力的代表厂商，如下图所示。
（注：以下所有场景中的厂商均按音序排序）
2.1 通用职能部门
