叶伟志：未来的企业，你需要有首席人工智能官

职能三 收集训练数据：

机器学习，都是基于既有数据，从既有数据当中总结规律，根据规律形成模型，并做模型的调优和选择。整个过程就有点像教小孩子一样。一直广泛流传的“数据是企业最重要的资产”指的就是这个数据，因为我们可以从数据当中获取很多新的知识，新的模型。但是很不幸的是，目前而言，机器远没有达到人的能力，他无法从纷杂的世界里面学习各种非标准化的东西，为了让我们的机器和算法快速地成长，我们就需要收集大量计算机可以理解和学习的数据。

数据在哪里

那我们打算收集的数据，他现在在哪里，接下来我们说几个现成的数据收集渠道吧。

1. 供应链管理系统，帮助企业管理整体的供应链，包括供应商、制造商、仓库、配送中心、渠道商等等组织在一起，包含计划、采购、制造、配送、退货等主要模块。

2. 客户关系管理系统，以客户作为核心，利用信息技术、互联网等各种方法，管理企业和客户之间的关系，挖掘客户的全生命周期价值。

3. 生产流程管理，生产流程管理是比较重点的方向和值得挖掘的领域。因为生产过程通常都是企业自身可以完全控制的，数据具有一定的完备性和可控性。其次就是以前因为技术的限制，对生产流程的数据应用是相对较少的。生产流程管理，目前主要有以下的分类MES制造企业生产过程执行管理系统;DNC生产设备及工位智能化联网管理系统;MDC生产数据及设备状态信息采集分析管理系统;PDM制造过程数据文档管理系统;

4. 进销存管理。

5. 视频管理系统，目前绝大多数企业都没有建立，以超高清摄像头为记录工具，目标是记录大量的视讯资料，视讯资料当中含有非常多的信息量，目前而言算力的成本过高，从视讯资料当中提取有用信息的成本很高。但可以先存储视频数据，等算力成本大幅度下降以后，再进行分析。

其他常用的管理系统还有企业文档管理、财务管理、车间管理、资产管理、成本管理、设备管理、质量管理、人力资源管理。

怎么采集数据

至此，我们聊完了数据在哪里的问题，不同的企业可以根据自己的实际拥有的系统，进行数据的整合和采集，在整合和采集这一步，有4个关键的点：

1. 设计和创造新的场景

这里包括管理场景和客户场景，我们怎么理解设计新的管理场景，举个例子，我们合作的一个口腔医院，想要记录诊疗过中的一些数据，比如拍片出来的那个片，这个数据按照正常的方式，是不会有记录的，那如果我们想要收集这个数据，那么我们的管理流程，就需要进行一些调整，比如拍片出来以后，医生护士需要对这个片进行拍照，或者直接出两份片，把其中一份放到备份的地方存起来。但是在这样的工作流程下面，医生护士的工作量就会提升了不少，而且很有可能会有丢失遗漏的状况，所以增加医护人员拍照这个动作，并不足够好。更好的是，架设一个高清摄像头，持续监控出片的位置，记录下所有的内容，与此同时，增加人工智能程序，截取监控当中有用的信息，减少无用的信息，降低储存成本。

在这个案例当中，我们可以看到，有很多的数据，是要通过我们对流程和场景进行优化以后，才能更好地收集的。又比如客户场景，还是同样的口腔医院，想要建立用户的终生健康服务，需要对客户进行识别，从前的流程，由于IT技术的缺乏，没有对用户做身份识别工作，诊疗系统的数据，与用户行为无法匹配，导致无法进行分析。为了把用户的线上数据与实体行为绑定起来，只需要增加一个简单的客户场景，就是用户在做完相关检查以后，体检报告会发送到手机微信端，让用户通过微信跟我们系统绑定起来。从上面这两个案例，我们都可以看到，无论是内部管理，还是外部用户体验，都需要经过思考进行设计和创新，新的场景可以帮助我们更容易的收集到有用的数据。

2. 数据中心

数据中心是一个很成熟的概念了，这里需要做2点强调和一点扩充。

1.数据中心需要把尽可能多的企业数据记录下来，而不仅仅是业务订单数据，事实上业务订单数据的价值很有可能没有生产过程的数据来得重要。

2.我们也见过了很多很多的企业，花了很多的资源，把数据中心建立起来了，但是没有建立起相关的制度，数据中心从设计，到运营，到维护，全部都集中在一两个人身上，导致这些人离开了以后，数据中心沦为虚设，甚至数据直接丢失。所以强调的是数据中心需要从整个生命周期开始到最后，都需要有完整的设计和制度，怎么建设，怎么运营，权限如何，资源要求等等。

3.需要扩充的是，数据中心储存数据的形式，我们现在正在做2个很重要的研究，第一个是如何通过层级结构，降低数据储存的成本，比如高频调用数据存放在单价高的地方，低频数据采用低成本的方式进行储存，甚至下线OFF-LINE。第二个是结合区块链的技术进行企业级信息储存的机制和体系，区块链技术本身非常适合用于储存高安全要求的数据，所以我们考虑基于区块链技术以及政府基础数据，做数据储存和应用的联盟，解放数据的价值。

3. 对接现有系统

现有的系统一般来说，有自建的系统和第三方系统这两种形态，对于自建的系统，那就很简单了，只需要在系统当中，建立对应的数据传输接口，直接接入到数据中心即可。对于第三方系统，就比较麻烦了，一般情况下，第三方系统不会有适合我们使用的数据接口，而且要改造的话也不太现实。这个时候，可能就需要一些爬虫或者屏幕抓取的技术，进行数据的采集，而这会需要多用一些些成本。

4. 收集未知非标数据

未知非标数据，主要指的就是高清视频和图像数据。对于人类而言，认知世界主要是视觉，视觉中包含的信息非常地丰富，但是目前而言，如何从计算机视觉和图像当中抽取出信息，成本还是比较高昂，但是目前这个领域发展得非常快，我认识的一个团队，已经可以实现对菜品进行识别，比如摄像头拍一拍，就知道这个是凉瓜炒肉，蒜泥白肉，白切鸡等等。在不久的将来，我们可以预见，会有大量的算法和商业服务机构，能够帮助我们在复杂的视频数据当中提取信息。

职能四 建立行业专家系统

接下来，CAO要做的事情，还包括建立所属行业的专家系统。专家系统，从1969年就开始出现，上古神兽HERBERT SIMON的学生 ED FEIGENBAUM等人，跨界合作，研究根据质谱仪提供的信息推断分子结构的问题。创造了DENDRAL程序。DENDRAL程序的意义在于它是第一个成功的知识密集系统：它的专业知识来自于大量的专用规则，成为系统的规则。然后使用人工智能的算法作为推理的部分。之后FEIGENBAUM等人，把这个技术应用在了医疗方面，开发了MYCIN系统，用于诊断血液传染，MYCIN有450条规则，最终他能够表现得与某些专家一样好，并且表现得比初级医生好很多。这里得到的启发是，不存在通用的理论模型可以从中演绎出MYCIN的规则，他们不得不从专家那里会见大量的病人的过程中获取规则，也从对应的书本和其他专家的案例中获取更多的规则。

专家系统还有很多很多的应用，而且成功地应用于商业，DEC公司的R1程序，帮助新计算机配置系统订单，从1982~1986年，每年为公司节省了4000万美元。

专家系统，主要就是利用通用的人工智能推理算法和能力，加上既有的行业特定知识作为边界，把知识和推理能力分开。同时配合符合行业规则的可被计算机学习的训练数据，让机器在这个范围当中不断地去学习挖掘深度的知识。最终这个专家系统，可以给企业提供重要的业务建议以及决策辅助。

职能五 使用成熟的人工智能产品

上面都说了一些比较大的事，落实到执行处，CAO要做的非常重要的工作，跟首席电力官的工作是一致的，就是跟不同的人工智能产品厂家打交道，使用各种成熟的人工智能产品，选择合适的产品成为自身企业商业拼图当中的一部分。具体成熟的人工智能产品有哪些呢?

观察世界：包括硬件，传感器，信息采集系统等;

总结知识：机器学习框架，各种专家系统;

知识应用：机器人，系统，程序

职能六 新的商业模式

做人工智能事业，要跨越的第一个障碍就是如何落地，人工智能意味着一个非常大的改变，时间周期会很长很长。要落地的话，首先必须找到非常好的、实际的用户体验，就是能给用户带来实际效益;其次，场景必须清楚，智能助手也好，无人驾驶也好，信息找人也好，一定要有实际的用户体验价值;最后，还要找到商业模式，不然就没有可持续性。

所以重要的挑战在于，是否能找到落地的用户体验和实现用户价值的场景，然后找到合适的商业模式，建立一个创新的循环。即数据-知识-用户体验-新的数据。找到这样一个循环往复的流，人工智能事业就可以像滚雪球一样往前滚。

首席人工智能官的6大要求

1. 理解和执行企业战略

理解人工智能发展的下一个浪潮在哪里，在更好的感知世界，更好的产生知识，更好的完成任务这样的人类进步本质上出发，找到企业的目标和价值观，制定企业3年，5年，10年的发展规划。规划和战略不会一成不变，但也不能散漫无根，特别是对于人工智能这个目前看来虚无，不好理解的事物，更应该有抬头望天，高瞻远瞩的战略能力。

2. 完全熟悉企业产品

刚刚说完抬头望天，接下来就是要踏实行军。一切的执行的基础，都是建立在对产品非常熟悉的基础上，熟悉产品方便CAO更好地做产品的波士顿矩阵分析，更清晰地知道不同产品在整个浪潮当中的定位，哪些需要重金投入，哪些需要冲动冒险，哪些需要果断放弃。只有在这样的基础上，才能制定不同产品在人工智能层面的具体战略和时间表，才能真正的前行。