欧洲科学院院士汉斯：企业为什么更需要人工智能(2)

我刚才也说了对于企业来说是企业外的东西，怎么把这一些东西整合在一起，怎么让AI真正的可以发挥作用呢？大家想一想人类大脑做决定的时候，从世界上从你的这些竞争者、供应商这里获得大量的数据。但这一些数据不是说已经是整理好的数据，不是结构化不是直接可以输入的，大部分是新闻，是社交媒体，是短信，是报告，是文字形式的，他们首先要进行用AI解读，然后才能变成可用的洞见。那企业必须用AI做这一件事的原因是什么？是你必须要求有一定的知识、背景才能从事的，我们现在有能力可以让AI学习这些东西了。这既有也没有，我等一会会细讲。我们深度学习再加上高级知识、知识图谱的学习的时候，我们就可以真的做到这一点。

AI无法代替大脑但是它可以代替所有的新闻处理，前期处理方面，也就是处理情报的部分是他们可以做的。那在公司内部当你获得数据，加上你已有的这些知识还有包括所有的人力资源、所有的员工知识。那外部的这些数据对于决策来讲是非常有相关性，它最终会决定了决策成功与否，另外一部分就是今天讲的非常强大的企业智能，他们有结构化的数据，但是大多数外部的数据我们首先它都是文本、图像、还有多媒体这一些非结构化的数据。所以现在这个大脑，，但是每一个企业当中都有很多大脑同时在做决策，所以这流程已经开始了，当然像市场研究者、还有供应商等等现在已经通过互联网还有其他的信息处理数据获取资讯，现在是一个非常分散的分布式方式，我们现在需要把密度加强，这样你看到一个非常大的企业。它有很多业务遍布全球，而且实际上它都是完全重复性的，那他们从外部汲取信息还有处理的这一些流程，实际上都是非常类似，通过这样一种处理它的密度会大大提高，这样做它也有一些劣势，其中一个就是你有很多个人数据的获取通路，有各类的外部服务提供商，有的企业完全自己都不知道有多少外部服务提供商，而且他们有一种中心化使用，也就是说这一些资讯没有中心化的学习方式，也没有数据融合的设备，或者多元的机器学习。它还会涉及到不同的过滤和方法，也就是比如这些数据，对于市场研究方法重要的这些数据现在已经被过滤掉了，对于外部供应商的服务而言他们的数据不归任何人所有，那很多企业现在还没有一些非常完整的数据战略，而且他们也缺乏反情报或者反间谍的这样一些安全防范措施。

如果我们想把这些都中心化的话，那要把数据收集都形成中心化的处理方式，对于这些非结构化的数据就需要一个平台把所有的一切都聚在一起，这样你在对他们进行个性的应用。比如说供应链的管理生产数据，还有供应商数据全部都集合在一起，然后再做决策，如果都聚集在一起，你就可以充分的使用机器学习的潜力把整个的总数据进行处理，会出非常强大的一些决策结果。我们在德国做了一个项目是和几个企业还有研究机构一起去做的，而且我们也有DPP的基础，我们试图去从外部收集数据，就是从新闻上、从媒体上、从互联网上得到各方面的企业数据，这其实非常不容易。因为我们主要的一个应用企业是西门子，西门子生产很多不同的产品，他们有190多个一级供应商，这还只是一级供应商的数量，他们还有二级、还有后面的末级供应商有上百万，我们一直在收集这一些数据。现在我们认为，西门子也认为要这样做只有一种合理的方法，那就是要去有些能够去共享的知识，这些不同的功能部门之间要建立知识图谱，也就是对自己的产品供应商还有流程的知识共享，因为如果你使用知识图谱的话，本身不属于你的专署技术，你自己的数据当中没有的这一些技术，你可以去使用，可以去共享你是可以跟世界的整个知识社区去共享。就像类似于DPP的这一个系统，这样你就有机会去建立联系。把这一些公允的外部知识，你对外部知识的解读和你自己内部企业的数据结合起来。那对于西门子而言，首先西门子是公开自己的内部这些信息和知识的，同时知识社区也不希望说西门子所有的知识在这里面进行大量的分享，这样会形成很多偏见。所以现在很多这一方面的研究比如说DPP现在它本身开始去把很多微机百科变成结构化的知识，这样AI还有机器可以用这一些知识做决策，现在已经有30亿条知识，而且还在不断的去增长。DPP它本身也是我们项目的一部分，我们现在知道建立了有架构的结构化的一个知识图谱，从企业的内部数据出发它可以向更多的外部延展，我们开始诠释这一些结构化的数据，现在有非常强大的方式就是深度学习还有其他现在正在发展的技术，当然技术能够去提取大量、海量的文本，能够理解很多文本的信息。但是不能理解全部的信息，这还需要很长一段时间，因为这是需要人类的知识，而且需要知道它的相关信息。比如说话题、还有名字、还有事件、还有情绪、还有意见等等。这一些是非常有必要的，这一些对于决策而言非常关键。比如说客户对于这一款产品本身的意见还有情绪，如果我们知道我们现在寻找的是什么，就能找到它，但是我们首先必须要知道我们找的是什么。