传统金融业,已有上百家银行将基于人脸识别的身份验证方案应用在ATM/VTM、手机银行、柜台业务中。这一技术不仅创新了用户体验,降低了运营成本,而且还在进一步创新服务模式:融入视频直播的在线客服,无人银行等。
手机端,截止2018年4月,中国市场已有10款手机搭载人脸解锁技术,人脸识别、智能相册正在成为手机产品吸引用户的新卖点。
缺乏可用于人工智能模型训练的大规模数据集。缺乏标注数据是几乎所有应用场景普遍存在的挑战。当前的应用场景多以项目制形式落地,数据仍然在项目建设方,数据不能共享也无法形成闭环,也就导致技术的进步分散在各个企业的各个项目中,难以带来行业整体跨越。
需要新的基础架构来满足计算加速的需求。与以往应用相比,人工智能应用通常会有计算加速的需求。传统的基础设施不能满足需求,用户会面临着本地部署新架构或者云端服务快速获取计算加速能力的选择。而新架构的搭建对大部分用户来说也是挑战,这个过程可能涉及到新型计算架构环境的搭建,以及在新架构上开发应用等。
缺乏从技术到产品到规模化应用的工程化经验。计算机视觉技术的应用已不再是单一的软件应用,涉及到新型基础架构,涉及到新的数据分析流程,还涉及到智能硬件如摄像头的安装等等。每一个环节都可能会影响识别效果。将这一技术从实验室扩展到工业化应用的过程本身就是很大的挑战。
众多技术瓶颈待突破。这些技术瓶颈包括动态图像识别、实时视频分析;还包括将模型部署在前端的技术挑战,也包括当前的网络带宽对传输带来的限制等。
特定领域在将应用规模化部署时面临成本压力。以零售行业为例,2017年初,部署视频监控系统平均一路摄像头的成本达数万元,而传统的零售行业本身就面临收入增长变缓的压力,如何降低总部署成本是零售业面临的挑战之一。
人才结构不能满足人工智能系统建设的需求。举例来讲,人工智能应用的开发,其中一个重点即算法的持续调优,而这一点取决于是否有充足的高级技术人员。传统型公司可能会缺乏人工智能开发人才,纯技术创新型公司则缺乏对行业理解深刻、可以快速工程化的人才,行业整体缺乏硬件开发人才。人才结构的不平衡是全行业正在面临的挑战。
图中标记绿色的是当前市场关注度、渗透率以及技术采用度相对较高的应用场景,比如静态人脸识别、车辆识别,视频结构化中的场景标注、图像标注等。可以看出,当前的应用仅是冰山一角,未来的前景明显更加广阔。举例来讲,在无人机、虚拟现实、医学图像、行业自动化、自助结账等领域,计算机视觉这一功能能够显著提升产品价值,相关产品设计中需尽早融入这一核心功能。IDC认为全球计算机视觉技术的应用在2017年的渗透率仅为8%,而到2021年渗透率将达到12%。如何抓住技术创新机遇是致力于数字化转型的行业企业都应重视的问题。
优选流程,开始实施:综合考虑建设AI系统可能带来的效益以及实施的复杂性,选择最具重复性、最耗人力和时间成本的任务优先开始建设AI。
聚合数据,提取洞见:在新架构的趋势下,企业应重构数据化平台,不仅保障内部系统的数据融合,更要注重外部数据的集成,基于平台与内外部交互的数据,获得洞察。
场景拓展,优化复制:将单个业务流程采用AI技术的成功经验复制到更广泛的业务领域。
理解界限,制定预期:人工智能是解决业务问题的工具,需正视当前AI系统的局限,将其作为工具,平衡人类智能与机器智能。
更多阅读: