传统行业如何了解人工智能？

传统行业如何了解人工智能？

 Datawhale干货 

作者：知乎King James，伦敦国王大学

知乎｜https://www.zhihu.com/people/xu-xiu-jian-33

人工智能有一定的门槛，一个刚接触AI的传统行业从业者该如何了解？AI是如何与其他行业结合赋能的？本文将结合作者实际经历尝试回答。

我是从传统行业转行进入人工智能领域的。本科毕业后做了几年金融产品经理，和人工智能完全不搭噶，日常数据分析全靠Excel。后来出国读了AI相关专业的硕士，从零开始学习编程，机器学习、人工智能，了解算法。回国后转行进入了一家AI独角兽企业做解决方案相关工作，用AI赋能传统行业。

1. AI该怎么理解？

我们假设在向完全没有技术基础的长辈们介绍AI，来迅速理解AI。

比如谚语“朝霞不出门，晚霞行千里”。这句话是说如果早上有朝霞，说明今天天气可能不好。晚上有晚霞的话，第二天多半是个好天气。这个谚语就是人们从过往这么多天气现象中总结的。

那么人工智能就是，将过往历史大量的天气数据给到机器，机器从中学习，慢慢机器会发现历史天气数据中”如果当天的天气中有朝霞，当天下雨的概率“相对于”当天天气中没有朝霞，当天下雨的概率“大很多。”如果当天的天气中有晚霞，第二天天气晴朗的概率“相对于”当天天气中没有晚霞，第二天天气晴朗的概率“大很多。机器就会拥有和人一样的“智能”。

简单地说AI就是让机器从历史数据中进行学习，总结出一套有效的经验方法论，让机器拥有和人一样的智能，基于过去的经验去预判未来的事情。所以说历史数据很重要，历史数据越多，历史数据越准。那么机器学出来的人工智能也就越“智能”。

AI实际应用的案例，最方便理解的就是各种安全设备的人脸识别。机器通过学习，达到了比人眼识别人脸更高的精确度。

2. 传统行业从业者如何了解AI

如果你是传统行业从业人员，你想了解AI是什么，尤其AI在你从事的行业有哪些应用，AI可以给你带来什么价值？

2.1 初步抽象了解

如果你只是想初步抽象了解一下，下面我将分行业为你介绍。

金融银行业

目前AI在金融银行行业应用最多的几个场景是信贷申请反欺诈、反洗钱、xyk交易反欺诈、银行转行反欺诈、团伙诈骗。相关的一些案例可以看这个官网：https://www.4paradigm.com/solution/ai-risk-irm/risk-detail-online

这里面我举一个例子就是xyk交易反欺诈。我司曾经给某大型股份制商业银行做过xyk交易反欺诈项目，之前该行都是通过专家规则来做的交易反欺诈，专家规则下该笔交易风险达到多少分的会进入人工外呼进行确认，确认该笔交易是否是本人交易。之前该行大概是专家规则评估风险分在Top 60%以上的，差不多可以覆盖99%的交易欺诈case。我司使用大规模机器学习建模以后将60%的比例下降到了40%左右，同时几乎可以覆盖100%的交易欺诈case。（因为涉及到商业机密，上述数字我按照实际情况进行一定程度的缩小或者扩大）

该场景使用AI以后为传统行业的客户带来了三个价值：

第一个最大价值就是帮助客户及时发现更多的欺诈风险，减少更多的损失；

第二个价值就是为该行每天节省了大量的人力外呼成本，20%case量的降低，对于该行来说是极大的人力成本降低；

第三个价值就是用户体验的提升，以前要打扰到60%的用户，现在只需要打扰40%的用户；

上述这个案例AI带给传统行业的价值几乎是通用的。

零售行业

目前AI在零售行业应用最多的几个场景是门店选址、供应链干线优化、智能推荐、销量预测以及线下业务非常大的一块门店数字化。

门店选址：传统零售行业线下开店，都需要开店专员到某个城市进行大量的线下调研，写各种调研报告然后进行各种比较，最终决定开店地点。AI时代如何进行门店选址，可以参考此链接：http://www.laidian360.com/#/software/smartTown

供应链优化：零售行业对于供应链的配送优化要求很高，如果配送路线安排不合理，将会大幅提升整个物流成本和以及延长物流时间。AI时代如何进行供应链优化，可以参考此链接：https://www.shanshu.ai/product/transport

门店数字化：零售行业一直面临着如何捕捉线下用户的数据并进行记录，同时每天零售行业要投入大量人员进行线下巡检、巡店，对缺货商品进行及时补货，如何及时发现门店的一些突发状况等。AI时代借助计算机视觉技术，实现了远程巡店，并发现缺货商品及时告知补货员等功能。这里有一个具体案例：https://baijiahao.baidu.com/s?id=1651526740142864935&wfr=spider&for=pc

这里我再举一个案例，耐克上海某家门店引进了某厂商的线下门店数字化的解决方案。该门店有多个门，且内部摆设走向有很多条路线。上线该解决方案后，对每个门进来的用户进行人脸补充，并进行最终消费定位。发现某个门进来的往左拐的顾客最终发生消费的比例相对于其他门要低很多，最终分析发现该门进来以后的走向动线及动线上摆设的商品存在一定问题。这些细节问题通过传统的方法是完全无法发现的。

智能推荐：AI在推荐上面的应用不仅在零售行业应用比较广，其实金融等其他行业应用都很广。AI时代的推荐都是利用大量的数据做高维机器学习模型或者深度学习模型。如果你对这些学习概念不是很了解的话，可以参考我之前写的几篇文章，零基础都可以看得懂。《浅显易懂谈机器学习》和《浅显易懂谈强化学习》

医疗行业

目前AI在医疗行业应用比较多的场景就是各种疾病的智能检测仪，以及通过AI查看各种影像件。传统都是依靠医生的经验，从病人的病象表现和影像件的一些特征发现的。AI时代，首先对过往大量的病例数据进行标注，哪些影像件是“好”，哪些影像件是“差”，然后让机器进行学习，机器在经过大量的案例学习以后，就可以达到和专家差不多一样的水平。这里列出两个实际案例。

瑞金医院& 第四范式 糖尿病&心血管疾病等预测：https://baijiahao.baidu.com/s?id=1610284076039894373&wfr=spider&for=pc

百度AI眼底筛查一体机：http://news.mydrivers.com/1/611/611295.htm

政府行业

政府行业其实目前应用最多的AI技术就是计算机视觉技术，应用到各种识别技术，主要是人脸识别。具体案例大家可以看看商汤科技、旷视科技这几家公司的官网上面有比较详细的介绍。

2.2 深入具象了解

上述你看到的例子都是一些干巴巴的应用举例，相信你看完以后知道AI在传统行业可以做些什么，但还不够深入。此时我相信传统行业的你肯定想知道上述举的这些例子实际落地的效果到底怎么样？如果真的很好，为什么AI可以做的比传统方法好很多？

任何人介绍的方法都不会有我下面介绍的方法快速直接。（是的，我就是这么自信）

最直接的方法就是找到目前在你们行业做解决方案的AI公司，让乙方上门免费给你们讲讲，网上看到的各种案例分享都不如现场专家给你介绍，毕竟人家是该领域的从业者，最快的学习方式就是有个老师给你讲一遍。

官网找到对方联系方式，或者直接找到他们商务，让他们带上售前专家，上门讲解。

甚至可以让他们做一个POC，然后看看实际效果，最后再让乙方做一个POC汇报，全面讲解一下这个项目使用了哪些数据、如何做的，AI和传统方法有什么不一样等。任何问题都可以在汇报会上进行提问。（别问我为什么了解如此深入，都是因为我司被大型甲方机构白嫖太多次，套路已经懂了）

更甚你可以同时找好几个AI厂商过来，一起做POC，多看看几家效果，让每个机构都给你讲一遍。当然这种你要机构足够大，人家才愿意被白嫖。小机构，乙方也不太会睬你。

下面我给传统行业的你推荐几个靠谱的厂商，毕竟你通过百度搜索，很多都是AI届的“莆田医院”，每个领域我只推荐几家处于该赛道头部的厂商。

AI视觉解决方案厂商：旷视科技、商汤科技、云从、依图、海康威视；

AI语音解决方案厂商：科大讯飞；

AI 自然语言处理解决方案厂商：百度、达观数据；

AI金融科技解决方案厂商：第四范式、百度金融大脑、阿里Pai；

具体也可参照此榜单 CB Insights中国金融科技榜单正式发布！50家FinTech公司上榜，“无科技不金融”（https://mp.weixin.qq.com/s/qxYONP5Y7h_1nSoY20SKyg）

AI零售解决方案厂商：华为、海康威视、旷视科技、第四范式、杉数科技；

以上这些厂商大部分都是我日常工作接触过，或者自己了解过的。

传统行业的你要学会去分辨哪些是真的“AI”，有些人工智能厂商偏的是“智能”，有些人工智能厂商偏的是“人工”。学会去甄别乙方是真材实料，还是在给你画饼。

同时大家还需要了解一点就是传统行业的业务经验和业务知识对于AI应用是有非常大的帮助的，不是说毫无作用。尤其在金融行业，金融反洗钱，金融反欺诈等场景的建模都需要业务专家的经验输入，光靠模型在那里学习调参，很多时候完全是无头苍蝇，模型效果很差还浪费时间。所以不会说传统行业经验在AI时代就用不上了，至少目前不会，未来难说。

然后人工智能企业的各种榜单有很多，百度一搜各种野鸡榜单，根本分不清。下面这个榜单是我认为比较客观的，上榜的企业都是有干货，干实事的，供大家参考：重磅！36氪新基建之王「人工智能领域」TOP50企业揭晓https://mp.weixin.qq.com/s/NsyaDfN3baxISiAvbMseow

3. 传统行业从业者如何转行AI

最后我还想和大家聊一聊传统行业从业者如何转行AI行业。我想很多看这个问题的传统行业从业者应该也想过进入AI这个赛道。其实说实话我觉得转行进入AI赛道的难度，和职位密切相关，而大部分职位几乎是无缝衔接。

销售岗

我认识的大部分AI企业的销售之前都不是AI领域的，之前各行的都有，但都是销售出身。AI企业偏向于之前是卖技术方向产品或者解决方案的，但是最核心的还是看中你在行业内的客户资源和人脉，卖啥不是很重要，对AI懂不懂也不是很重要。因为销售展业时会有售前专家、解决方案专家等一起配合。专业的问题会有专业人士来解答。

人力&财务&行政

以上支持类岗位其实也不是很看之前所处的领域，因为AI对这些岗位的工作内容和工作技能影响不大，不需要行业的特殊技能。

咨询&售前&解决方案岗

咨询&售前&解决方案岗就开始比较看重之前从事的领域了，一般有两种可以比较容易进入AI领域。

一种是之前就是偏技术领域的咨询，对技术懂一些。这样虽然对AI可能了解不多，但是入职后经过系统化培训和一些项目沉淀，可以比较快速上手。另一种就是传统行业比较资生的业务专家或者技术人才，因为AI最终是要对传统行业进行赋能，就需要了解传统行业业务的人，这样后续开展项目时，会比较快速的熟悉业务背景，理解业务需求，历史的业务经验还可以反哺AI赋能。如果不是这两类人才，可能相对比较困难。

产品岗

前几年AI领域对产品岗并没有要求行业经验很多，但随着市场上AI产品经理越来越多，慢慢对产品岗的行业经验也有一定要求了。甚至还要求是具备一定计算机能力和研发经验的，对算法有一定了解，偏向于研发转岗到产品的人才。

研发岗

其实研发岗是比较容易换行的，AI企业招聘研发并不要求一定是AI企业的，基本上互联网公司和AI企业之间是互跳的。只要计算机语言匹配，然后面试题答得出，具备一定相关的项目经验即可了。

算法岗

最后算法岗无疑是对行业经验和AI技能要求最高的，如果之前完全不会算法或者没有任何AI项目经验是很难换行换职位的。尤其是算法工程师、数据科学家等岗位是对之前经验要求最高的，需要一定的AI项目落地经验才可以。

希望通过分享，让传统行业的你可以对如何了解AI，以及了解AI在传统行业的应用有一定认识。

King James

伦敦国王学院 数据科学硕士

知乎同名

整理不易，点赞三连↓