未来将只有两种公司，一种是有人工智能的，一种是不赚钱的。

这句话大概可以总结两层意思，一方面人工智能让更多的企业面对更广阔的商业前景，另一方面是如果要运用人工智能创造价值，就必须拥抱技术，实现真正的落地。

科技部最新发布的《中国新一代人工智能发展报告》也指出，人工智能技术的成熟及应用催生的智能经济，将为我国经济高质量发展提供有力支撑。

随着 AI 技术快速地进入各产业端口，越来越多的企业意识到，人工智能是一项企业必需品，但如何真的化 “智能” 以“智用”，仍是一个问题。

5 月 26 日，在国际 AI 盛会 2019 全球人工智能技术大会上，品友互动 CTO 欧阳辰以《深度学习在商业决策的应用与实践》为题发表演讲。 在演讲中，欧阳辰从技术的角度介绍知识图谱、联邦学习等一系列人工智能相关技术在商业决策场景中应用和实践，以及如何利用深度学习等人工智能技术打造新一代的商业决策引擎，并从四大能力阐述了如何赋能企业数字化和智能化。

品友互动 CTO 欧阳辰

以下内容根据欧阳辰演讲内容整理而成：

关键词 1: 场景进化

AI 决策引擎在场景中实现进化

各行各业都在积极拥抱人工智能，而人工智能要创造价值就离不开具体场景应用。AI 决策引擎的诞生就基于这样一个场景，并在进入更多的场景过程中实现进化。

人工智能算法的训练要基于数据流量，第一阶段 ，品友从营销场景切入，通过算法和模型决策投放广告策略，这项技术帮助我们占领品牌程序化广告近 60% 的市场。当时人工智能的概念还没有进入大众视野。第二阶段，我们帮助广告主 (企业) 打造第一方的数据管理平台。在这个平台里面，将客户的第一方数据（内部数据、业务数据）等，第二方数据（媒体数据等）、以及市场上的第三方数据整合到平台，通过数据的打通和激活，提供智能决策能力，比如帮助 CMO 和企业的市场部门决策广告投哪里？投给哪些人？用什么样的创意素材？什么时候投？经历过互联网上半场的人口红利，AI 决策引擎在服务大量的企业的过程中也不断进化。我们在深耕营销场景之后，我们发现这种基于大数据和人工智能的决策能力除了营销的决策场景之外，还可以帮助更多企业或机构在各个场景应用，因此第三个阶段，我们进入了智能金融、智能政务等多领域决策场景。

关键词 2: 预测模型

从预测销售数据到预测流感

要了解 AI 决策引擎，我们可以先了解人工智能的这三个要件：感知、认知、决策。

感知层是 AI 引擎获得数据的重要方式，感知包括各种数据的获取，包括图像，视频，语音，IoT 也包括各种结构化的数据源等。 在商业场景中，品友提供了合法安全的数据对接能力，品友目前对接的数据流每天达到 PB 级别。PB 是个数据单位，1P 大约是 1028 个 T，更直观来说，有研究文章指出 800 个人类记忆容量就相当于 1 个 PB。

感知层越强大，后期的思考能力的锻炼越容易。认知就是一个 “思考” 的过程。

在决策引擎的认知层中，重点可以提到特征共享自动化建模平台，我们在这个领域做了很多事情，随着机器对用户的理解加深，我们对每一个用户有一个特征工程，可以将其历史行为进行特征工程编码。编码以后，我们会通过商业目标设定优化目标以后去自动建模，优化整个过程。模式识别和预测模型背后都是特征的提炼。我们利用复杂的网络结构，例如深度学习，将认知模型沉淀在机器模型中，形成对未来的预测能力。

模式识别和预测模型是人工智能赋能决策的两大核心，模式识别可以从大量的行为数据中找到类似的行为数据，预测模型能做的就是，根据历史数据来预测接下来的走势，

在营销增长方面，我们可以帮助企业利用历史销售数据，包括各种销售数据的特征，预测未来的销售情况，并且分析出哪些因素在影响销售数字，找到最优化的提升策略。

基于在这方面的技术积累，我们打造了能对未来流感情况进行预测和分析的预测模型，这项 AI 解决方案基于一些关键数据，通过联合建模的方式，我们可以对某地区的流感情况进行预测，该解决方案可以将人工智能技术赋能帮助医药行业企业更好地分析流感数据，发现客户的实时有效需求，可以辅助药企制定更好的市场策略，或者帮助相关医疗机构进行预案等。

关键词 3: 知识图谱

AI 支持复杂决策场景，辅助高层次决策

知识图谱是一种复杂数据结构的技术，通过实体和关联描述，建立一种网状的知识组织形式。

品友在营销行业首创营销知识图谱，将营销的关键实体和关联，沉淀在营销知识图谱中，利用 NLP 技术和机器学习技术，建立核心的营销概念和实体分类，同时结合我们 2012 年发布的行业首创的数字人群标签（DAAT）, 通过大数据的累积和清洗，包括歧义消除，知识表达，实体分化等技术，我们形成高覆盖和精准的营销知识图谱，这个图谱帮助我们在各个环境优化我们的营销决策。其应用包括线上投放中的点击率预测，转化率预测等，也支持营销优化策略的自动生成，还支持各种策略优化的持续探索，面向全链路的营销决策。

品友的知识图谱沉淀了将近 10 年的数据处理经验，并且通过不断地数据经验积累和数据清洗持续升级和优化，相比一般的模型，营销知识图谱模型具有更好的覆盖率，以及可解释性。举一个知识图谱的应用例子，我们的 AI 引擎中查询 “中端 SUV 新车上市的营销策略”，系统就会利用营销知识图谱能把过去成功的营销策略进行输出，这些策略都可以辅助决策过程。

我们认为，决策是人工智能的核心，只有真正将认知的结果，应用在决策中，获得真实世界的反馈，这种可持续反馈的人工智能才有生命力。

我们在做的企业增长解决方案，智慧政务，金融风控领域都是有复杂的决策场景，人工智能可以在这些决策场景中，扮演越来越重要的支持作用。未来，低层次的实时决策都会让机器来决定，人工智能可以更大程度辅助高层次的抽象决策。

关键词 4: 共同安全

打破 “数据孤岛” 同时为数据安全护航

AI 引擎 “福尔摩斯” 的命名是希望 AI 引擎能像侦探福尔摩斯一样通过大数据找到各种蛛丝马迹来判断并作出决策。

我们的决策是什么？以市场营销场景为例，营销是一个非常复杂的事情，包括产品的定位，人群的构建和筛选，对用户人群的理解等，比如消费者买了某个产品以后，为什么不再购买？为什么复购？在整个环节里面，其实可以通过提供模型去帮助企业去做作产品定位等营销决策。

那么有人会觉得营销其实是一个老问题老场景。为什么最近几年，开始需要用人工智能和大数据去解决营销问题？和 20 年前只有一台电视比起来，消费者的注意力被太多渠道吸引了，年轻人基本上不看电视，很多 90 后甚至不看，他们喜欢用抖音、快手，关注点和注意力都分散了。这就是就是营销在人工智能和大数据下的场景。品友基于 AI 引擎开发了企业的第一方数据管理平台（DMP/CDP），通过部署和共同建模，它能帮助企业将第一方的 CRM 数据、营销数据、社交数据等打通，通过机器学习和建模的方法输出洞察，如媒体商业洞察，人群洞察，还有一些归因，归因的意思就是说比如企业通过很多渠道商投了广告，到底哪一个渠道商的广告起作用呢？归因可以帮助你做很多的分析。最终实现策略输出。

在智能政务场景中，品友基于 AI 引擎搭建了服务于公共事务的智能政务管理系统，相当于一个“政务大脑”。比如智能政策落地解决方案可以帮助政府和企业解决政策落地“最后一公里”，政府发布很多惠及企业的政策，但并不是每个企业都知道，特别是一些小型企业。政府怎么把这个企业政策推广到各个企业，让企业能知道哪些有益的政策，面对这类需求场景，通过算法和技术可以做一个政策推荐落地的信息打通，这个智能推荐平台通过网络获取公开的政策，通过语义分析等技术对政策文件里面进行自动分析、自动解读，提取出政策的目标是谁？作用范围是谁？是政策优惠还是补贴资金呢？另一方面企业可以通过输入企业信息，自动进行匹配。这样可以实现把最合适的政策推荐给合适的企业，通过这样一个方法帮助政策的落地。自然语言的处理则会帮助简化这个流程。

然而不管在何种场景中，为哪类企业或机构提供服务，数据安全是重中之重，品友在数据安全和隐私保护上面是不遗余力的，率先通过 ISO27001 安全认证，以及等保安全认证三级，同时也在开发相关的数据安全技术。我们最近研究一个课题就是联邦学习。联邦学习，就是在保护隐私安全，甚至不交换数据的前提下，共同模型来打破“数据孤岛”。 在我们为企业进行数字服务的探索和实践过程中，我们发现联邦学习技术的重要性，以及共同建模的巨大商业价值。