说到数据，毋庸置疑，是这个时代的重要资产。
数据，反映了事物的原理和规律。当你找到它的规律后，可以去预测未知。如果说数据是原油的话，那么AI（Artificial Intelligence, 人工智能）就是从原油中提炼各种高价值产品的加工厂，它的重要性可见一斑。
从数据中发现知识、洞察和规律，这本身不是一个新概念。几百年前，在开普勒时代就有这样的实践。当时，开普勒从几百页的天体位置数据中，提炼并总结出了天体运动的三定律，至今仍在被使用，也就是我们熟知的开普勒三定律。现在，AI帮助我们实现了借助大规模云计算的方法，从海量的数据中自动学习知识和规律。
那么，作为一个数据驱动的AI框架，它可以给我们带来哪些作用？
首先，数据驱动的AI框架可以带来个性化的体验。例如当我们进入一些网站，会得到许多个性化体验。这些体验让网站不再是千人一面，通过数据驱动的AI框架可以为每一位访客做出调整和优化。有效的个性化服务源自对大量数据的深度分析，AI帮助我们精准地将最恰当的体验匹配给每位用户。
其次，数据驱动的AI框架可以带来细粒度的行业策略，这些策略可以帮助企业精细化地运营。例如，一个产品的目标客户群可以粗略地定义为一定年龄范围的男性或女性。应用了数据驱动的AI框架以后，我们可以得到一个比较详细的描述，我们不仅可以基于年龄、性别这样的因素，还可以交叉考虑更多的维度，例如兴趣爱好、行为习惯等，从而得到细粒度的营销策略。
最后，数据驱动的AI框架可以带来知识和洞察。我们从经验中可以学习到新知识，而数据驱动的AI框架带给我们的核心价值是，持续地、运营化地从数据中挖掘知识、学习知识的能力。这个知识未必是写在教科书上的，而是从数据中实时地、最大体量地同时也是最有效地获得知识，用于生产和业务实践中。类似地，通过AI可以从数据中获得持续的洞察。
AI的核心之一是去平均化。例如，对一个公司来说，客户的平均价值可能是一百元，而去平均化告诉我们，不同客户对应的价值是不同的。这个可以通过AI，从过去客户的行为数据等属性中学习出来，建立自学习模型，预测每个客户的价值是多少。客户的实际价值，可能与平均值相差很远。不仅客户的价值，客户是否会购买一件商品，喜欢什么样的商品，以及如何促成一次购买等这些问题，都可以通过AI技术来帮助回答。去平均化的应用不仅局限于营销领域，还可以应用于医疗和其他商业领域。例如，在医疗领域，基于病例来预测得坏血病的概率和再入院的概率，能够帮助医院挽救病人和降低医疗成本，这些应用已经在一些大医院里开始实行。
著名的科技思想家凯文·凯利说AI是认知化。如果说电力化带来了人工的动力，那么认知化带来了人工的智能。大量的实践表明，在感知方面，包括AI的视觉、听觉、语言理解等方面，AI可以接近人脑；在支持专业决策方面，在海量数据的支持下，AI甚至可以超越人脑。
诸如此类的应用还有很多，数据+AI的核心能力为我们构建了一个发展中的企业服务生态，其中包括行业应用，例如金融、医疗、教育等；另外在每个行业都有交叉的维度，也就是职能应用，例如营销、客户关系管理、安全等相关职能。行业应用和职能应用构成二维的矩阵，AI在其中有很多的应用场景。
实践告诉我们，AI大规模商业应用场景应具备两个必要条件：
1.数据的质量和数量必须达到一定要求，尤其是整个数据流程的打通和定期的数据更新，这决定了AI发展的基础是否牢固；
2.所在领域存在针对问题的清晰定义，如果领域本身没有明晰的问题定义，则很难通过AI来解决问题。从行业角度来说，金融已经比较接近这两点；从职能角度来说，营销、客户关系管理、安全等一些数字化高的行业比较接近。
作为一个成长中的企业，拥抱AI会面临一些挑战。在过去十多年的实践中，我们发现了一些具有共性的挑战。
第一，企业必须充分理解数据的价值。许多企业都想利用大数据推进业务发展，然而数据资源就像其他优质资源一样，是稀缺的。从一开始，企业就需要设计特定的业务、产品和技术架构，确保持续的运营可以沉淀下来相关的数据。对于有一定客户体量的企业来说，有价值的数据可能已经在你的数据库里。没有意识到这点或者不懂得去挖掘数据的价值的企业，会错失利用AI的机会。
第二，发现和培养AI相关的人才刻不容缓。众所周知，数据科学家的稀缺对这个新兴的领域有很大影响。在国外，诸如InsightData Science这样的培训项目，对行业产生了积极的影响。随着数据科学家的队伍日益壮大，在企业里从事AI的数据科学家也越来越常见。相较之下，我觉得业界更缺的是AI产品经理。在与国内外很多公司交流过发现，AI问题的复杂性之一在于结果的不确定性，而具备AI背景的产品经理非常少，不能够很好地判断价值与方向，进而导致相关产品或项目的搁置。当然这里面也有人才培养的问题，例如我们可以尝试鼓励优秀的数据科学家和工程师去主导相关产品的开发，在业务的指引下，充分发挥专业人才的积极性，探索可行的方向。
第三，跨领域团队的交融与整合是落地的关键。打通数据的闭环后，产品、工程、AI的紧密结合，往往需要较长时间的磨合。好比在我们构建AI平台的经历中，涉及大量团队沟通、配合、相互支持的工作。AI能否有效实现，工程能力的建设尤为重要。因为AI不仅是算法问题，如果没有强大的数据处理基础设施，那么就很难在大数据中进行持续、大规模的AI应用。基于这样的需要，纯工程师的团队和纯科学家的团队，往往都不能最有效地帮助AI落地。只有团队、业务的深度融合才能创造更大的价值。
第四，AI要想为行业用户发挥价值，就必须解决信任问题。AI作为新兴的思维方式和技术体系，在解决行业实际问题的过程中，一个常见的瓶颈来自于信任的缺乏。这其中的信任就包括了对数据和算法的信任。一定范围内的数据共享可以增加信任，由此可以带来全新的知识和洞察。另外，在企业内部的落地场景中，AI的构建者和使用方建立信任也至关重要，这需要在团队间基于回测或实测的效果，进行经常性而有效的沟通。
在不同的行业和职能落地AI，无论是企业决策者还是执行者，都将面临各种各样的问题，其中不乏一些具有共性的挑战。如果解决了这些挑战，我相信不仅大企业，中小企业也会有比较大的空间来利用AI升级——运用AI领域的最佳实践，进行快速概念验证，在风险可控的前提下落地生产。
（作者丁磊为百度金融首席数据科学家，曾任职汇百川征信CTO、PayPal全球消费者数据科学部负责人。）
