方帆：華為EI—面向企業智能的創新和實踐|V課堂第100期
第100期【智造+V課堂】邀請華為技術有限公司 華為云BU EI產品線人工智能***系統架構師方帆深度聚焦《華為EI：面向企業智能的創新和實踐》。方總從華為智能平臺到通用服務到特定領域實踐的服務，把從華為內部積累的能力、知識和方法全面、深度的進行全方位解讀，以實際案例分享助力企業上云，讓企業更智能。
一、分享嘉賓
華為技術有限公司華為云BU EI產品線人工智能***系統架構師 方帆
嘉賓簡介
- 華為云BU EI產品線人工智能***系統架構師;
- 擁有十多年IT系統研發工作經驗，現負責華為EI產品線人工智能技術方向規劃，產品架構設計等工作。
二、分享主題
《華為EI：面向企業智能的創新和實踐》
三、分享內容
1. 企業向智慧化轉型面臨的挑戰
2. 華為AI服務架構：智能物流服務、智能風控服務、個性化推薦服務、智能問答、圖片識別、基于華為AI在線監測服務......
3、人工智能在不同場景下的效率提升
四、原文實錄
原文實錄context：
大家好我是來自華為云的方帆，很高興今天給大家分享華為對AI的理解以及華為在人工智能領域的一些創新與實踐，首先還是需要給大家介紹些基本概念：
1. 弱人工智能
弱人工智能(ArtificialNarrow Intelligence/ANI)，只專注于完成某個特定的任務，例如語音識別、圖像識別和翻譯，是擅長于單個方面的人工智能。它們只是用于解決特定的具體類的任務問題而存在，大都是統計數據，以此從中歸納出模型。由于弱人工智能智能處理較為單一的問題，且發展程度并沒有達到模擬人腦思維的程度，所以弱人工智能仍然屬于“工具”的范疇，與傳統的“產品”在本質上并無區別。包括近年來出現的IBM的Watson和谷歌的AlphaGo，它們是優秀的信息處理者，但都屬于受到技術的限制的“弱人工智能”。比如，能戰勝象棋世界冠軍的人工智能AlphaGo，它只會下象棋，如果問它怎樣更好地在硬盤上儲存數據，它就無法回答。所以其實是使用弱人工智能制造出來的智能機器看起來像智能，但是并不真正擁有智能，也不會有自主的意識。
2. 強人工智能
強人工智能屬于人類級別的智能，在各方面都能和人類比肩，人類能干的腦力活它都能勝任。它能夠進行思考、計劃、解決問題、抽象思維、理解復雜理念、快速學習和從經驗中學習等操作，并且和人類一樣得心應手，這樣的叫強人工智能。“強人工智能”系統包括了學習、語言、認知、推理、創造和計劃，目標是使人工智能在非監督學習的情況下處理前所未見的細節，并同時與人類開展交互式學習。在強人工智能階段，由于已經可以比肩人類，同時也具備了具有“人格”的基本條件，機器可以像人類一樣獨立思考和決策。
從上面我們講的有三個概念，弱人工智能、強人工智能、超人工智能。其實從人工智能發展到目前為止，***的其實我們現在講的人工智能基本上都是弱人工智能范疇。人工智能從開始概念提到現在走向繁榮，從1956年開始幾個科學家相聚在達特茅斯會議里面，提出了人工智能的概念。當時剛剛出現了一些計算機，構建一些復雜和擁有與人類智慧相同本質的一些機器，其后人工智能就一直纏繞在人們的腦海之中，并在科研實驗室中慢慢的孵化。之后的幾十年人工智能一直在兩級反轉，或者被稱為人類文明耀眼未來的預言，或者被當時技術瘋子扔到垃圾堆里面。直到2012年之前，其實這兩個聲音還是同時存在的，2012年以后主要得益于數量的發展，和運營商力的提升，和機器學習的新方法提出來，包括深度學習的出現。
人工智能開始爆發式的增長，人工智能的研究領域則不斷地擴大，包括一些專家系統，機器學習、凈化計算、模擬邏輯、計算機視覺、自然語音和推薦系統等。但目前的一些科研工作都集中在弱人工智能這一部分，并很有希望的在近期取得了一些重大突破。其實定義里面描述的大半都是強人工智能，在現實里面都是沒有辦法真的實現的。所以強人工智能讓機器獲得自適應的能力，解決一些沒有遇到的問題，其實都離我們很遠。所以我下面重要介紹一下幾個弱人工智能相關的東西和概念。
3. 機器學習
機器學習是一種實現人工智能的方法，機器學習最主要的做法就是使用一些算法來解析數據，從學習然后從真實的事件做出決策和預測。如果大家對統計學比較清楚的話，其實這種機器學習就是統計學的基礎來做的。以傳統的為解決特定的任務來印編碼的程序不同，機器學習是用大量的數據來訓練，通過各種算法，從數據中學習如何完成任務。
舉個例子，當我們瀏覽一些商城時，經常會出現商品推薦，這些商城根據你以往的一些購物記錄或者收藏的清單，識別出哪些是你真正感興趣的，并且愿意購買的產品。機器學習直接源于早期的人工智能，傳統的算法包括一些決策數、聚類、貝葉斯分類、支持向量機等等，從學習方法來講，機器學習可以分為一些監督學習、無監督學習、半監督集成學習等等。傳統的機器學習算法其實在很多領域都可以用到，其實也是大家用的比較多的一個東西。
4. 深度學習
深度學習并不是獨立的學習方式，其本身也會用到有監督和無監督的學習來訓練神經網絡。2006年把深度學習神經網絡這個領域，他實現在反向傳播里面梯度優化，做到可用以后，深度學習在神經網絡發展里面發揮了很大的作用。
最初的一個深度學習是用神經網絡解決一些特征表達的學習過程，深度神經網絡本身不是一個全新的概念，可大致理解為包括多個隱含式的神經網絡結構。為了提高審度學習的訓練效果，人們對神經網絡連接方法、激活函數等做出了相應的調整，早前也有過。但是由于當時的訓練量不足，計算能力也落后。所以整個效果不行，但是深度學習目前為止因為隨著我們的計算量和數據量提升以后，深度學習包括我們的神經網絡改進完以后，深度學習目前越來越多的應用。證實了比傳統的機器學習在認知領域獲得的更大的成功。
就目前來說業界有一種錯誤的、較為普遍的意識，機器深度學習最終可能會淘汰所有的機器學習的算法。這種意識的產生是一個比較錯誤的，當下深度學習在計算機視覺、自然語言處理和語音這塊是遠遠超過傳統的機器學習，并且媒體對深度學習也是大肆夸大了一些報道。其實深度學習只在這幾個領域突破比較好，所以在機器學習領域里面有很大的應用領域、空間的。
5. 強化學習
我們再講一下最近比較熱門的強化學習，強化學習是機器學習中的一個領域，強調如何基于環境而行動，以取得***化的預期利益。其靈感來源于心理學中的行為主義理論，即有機體如何在環境給予的獎勵或懲罰的刺激下，逐步形成對刺激的預期，產生能獲得***利益的習慣性行為。這個方法具有普適性，因此在其他許多領域都有研究，例如博弈論、控制論、運籌學、信息論、仿真優化、多主體系統學習、群體智能、統計學以及遺傳算法。在運籌學和控制理論研究的語境下，強化學習被稱作“近似動態規劃”(approximate dynamic programming，ADP)。在***控制理論中也有研究這個問題，雖然大部分的研究是關于***解的存在和特性，并非是學習或者近似方面。在經濟學和博弈論中，強化學習被用來解釋在有限理性的條件下如何出現平衡其實強化學習目前業界用的也比較多了，包括一些高價值領域，包括金融，下圍棋只是一個代表，包括一些控制論，節能方面都有很多領域比較好的應用范圍出來。
我們都知道在最近的幾年里面AI取得了***的重大突破，產生了很多明***的應用。為什么AI這個已經存在了幾十年的學科在最近的幾年會取得很大的突破?其中有兩個很關鍵的因素，***個是在機器學習領域，我們有了一些開源的機器學習庫，如說Tensorflow、MXNet、Caffe、CNTK等，使得用戶可以很容易地編寫機器學習模型。但是編寫了一個機器學習程序并不意味著你就能夠訓練到一個好模型，你需要大量高質量的數據來訓練這個模型。處理大規模高質量的數據需要一個機器學習的平臺，而且***這個平臺是基于云上的。業界基于云的機器學習平臺大幅度的降低了AI技術的使用門檻。
AI目前的進展和數據與計算密不可分。首先，我們要獲得好的機器學習模型，就必須要有大量高質量的數據。但是，在我們很多的企業AI應用里面缺乏大量高質量的數據，這是企業AI應用的一個重要的瓶頸。
如果我們大量的數據，我們可以訓練一個深度模型，我們需要對數以百萬計的參數進行調優，這需要巨大的計算資源。AI需要通用的計算資源,如CPU等，也需要一些專用的計算資源，如說PU、FPGA、TPU等。目前這些資源在體系結構上是排它的。一個子任務分給GPU去做了就會一直由GPU做。我認為，未來體系結構應該逐步走向融合，有靈活的調度。
基于云的AI平臺是處理AI所需要數據的關鍵中的關鍵。在企業環境當中有不同的機器學習的任務和應用，我們應該怎么樣去選取這個模型呢?一個原則是模型的復雜度一定要與問題和數據的復雜度匹配起來，否則我們要么出現過擬合或欠擬合的問題。不同的應用場景會往往有不同的復雜度和不同的計算量。要使企業的AI應用成功，不能夠只靠一個模型。我們需要一個豐富的平臺，提供豐富的AI模型和服務。
基于這樣一個考量，華為AI架設一個通向業務智能的橋。無論我們是做AI+或者是+AI，我們堅信業務的最終業務價值是AI的最終價值，一定要解決最終業務問題。AI只有使得業務產生價值，才能夠最終對用戶有真正的作用，否則的話，空談AI沒有任何的業務價值。企業的業務價值永遠是需要端到端的解決方案。從算法到算法對大部分的實際應用沒有意義， 需要把數據平臺、集成商、領域專家和業務用戶協同起來。在企業業務當中的AI是一個以技術和服務平臺作為基礎,連接數據、領域知識、應用和用戶，使各方面渾然一體、緊密結合、相互互動的解決方案。
基于這個理念其實華為AI推出了一個使能的框架，它分為三層，***層是它提供一個平臺層，提供一個AI基礎平臺層。能幫助企業、用戶如何做AI，做這些數據挖掘，做數據探索。第二層我們會基于平臺智能服務層，運用流行機器學習、深度學習平臺一樣的強大計算能力，來做出來的一些領域智能API。這些API提供一些視覺、語音、自然語言等感知認知的功能。用戶在這個層面上只需要調用這些API就可以了。
在這之上是我們的強項，領域和場景AI層，是我們理解行業、理解企業，提供行業領域的API，如我們面向智能、物流、風控、推薦問答、金融、制造等不同領域的API。對于一個行業來說，這層提供了一個Sandbox和一個工具集，可以用這些工具很容易搭建解決方案。另外，我們還提供解決方案的樣本。這是我們華為把已有的成功經驗拿出來跟業界分享。用戶你可以根據這些藍本很容易修改定制獲得企業需要的解決方案。
另外我們還提供一些解決方案的樣本，這是華為把已有的成就經驗拿出來跟業界分享的。用戶可以根據這些藍本和榮譽修改和定制這些企業需要的解決方案，我們后續會沿著這些服務框架逐步開放大量的服務，歡迎大家去使用，以及歡迎合作方在這個平臺上貢獻他的服務，共建華為共有云AI的生態。
6. 用AI架構如何解決企業問題
接下來我主要講一下用AI的架構如何解決一些企業的問題，包括我們拿的這些工具做的成功企業的實踐和案例，包括一些創新，希望能給大家一些啟發。
首先我介紹一下機器學習，剛剛說的機器學習是一個平臺，你企業要做企業有大量的數據，想做一些類似于比方說你要做一些推薦、預測，包括制造領域的預測性維護。那就需要根據自己的數據來做一些數據業務的理解，做一些數據挖掘，包括首先他需要一個平臺去承載，這個平臺就需要一些集成。比方說數據探索的能力，包括預測很多的一些算法，包括分類、推薦、文本類的算法。根據你自己企業的數據做一些探索，探索完以后基于自己的數據來測試自己的模型是否建的很好。
這里面我就講一個很有意思的案例，我們最早跟運營商做的比較多的案例，比如離網預測。大家經常用手機，最早的用手機的時候你會發現經常會收到一些短信，比方說經常不用手機的時候，經常會收到運營商的短信或者是電話回訪，給你推薦一個充值包、流量包，給你一些東西。這里面其實用到大量的機器學習，前幾年我們給運營商做的時候，根據你的行為分析包括你自己打電話的頻率、打電話的次數，來給你做一個客戶畫像，來預測你下個月是否不再用這個運營商，或要更換運營商了。
通過這個分析完以后，運營商會知道你即將有可能會離網，比方說從移動到聯通去了，根據你的通話記錄慢慢變少了，根據你的關系網絡，比方說你的親戚朋友、家庭里面全是用的移動都到聯通去了，你可能就有離網的風險，他會跟你推送一些套餐、優惠券，這就是典型的離網關懷預測分析的，它是通過一些機器學習來做的。
機器學習我們在制造領域用的比較多的，就是一些故障、預測，收集了很多傳感器。你知道傳感器信息來做一些統計，來預測哪些東西將會有一些故障。其實我們華為是制造企業，預測性維護這一系列我們是做的比較多的。這是機器學習大家可能理解比較多的事情，包括這里面還有一些我們給他做一些欺詐檢測這些都做了，包括關系分析，這里面有。包括原來我們給太保做的機器學習的東西，太保里面就是一些車險反欺詐檢測。憑借華為人工智能的能力，包括我們共有云圖計算的能力，來及時的鎖定可疑保安，并有效的串聯相關的案例，來挖掘犯罪團伙舉證，來做一些關系網絡分析挖掘。
在用機器學習還可以做一些精準營銷，大家如果是用的華為手機你們可以發現，其實手機里面有一些我們內部的電商，包括我們在手機APP應用的推薦，這里面有很多推薦的東西，我們做了好多的推薦模型。包括里面的猜你好玩一些模型，包括首頁、關聯、廣告、分類、新奇好玩、猜你喜歡、本地熱門，這塊***步就是要做一些客戶畫像，目前因為我們華為終端的畫像比較多，因為大家用的比較多。
這個畫像可能就是維度就比較高了，可能有百億維，然后基于這個畫像做一些水平擴張，隨著數據量大了以后。基于你的訓練要做一些模板的定制，支持一些推薦的業務，也要做一些模型更新，支持分鐘級和秒級的模型更新到你的手機、個人用戶上面去。目前的話這個搜索推薦下載率可以提升很高，比以前推薦的很高，包括我們每天轉化率也是很大的，這是終端很大的一個收入來源。
講完機器學習的話，我們再講一下深度學習能做什么，深度學習其實剛才說了，深度學習在哪幾個領域應用的比較好?就是圖像識別、語音、自然語言相關的，包括一些認知領域相關的，其實是用的比較好的。
我舉個例子，華為在用深度學習做了一個什么呢?我們全球技術服務是很大，我們華為每年要給很多的人做一些全球技術服務、維護，驗收。基站這類業務一般都是一些外包員工去做勘測與驗收，但這個時候你很難要求外包員工保質保量的幫你做驗收和勘測，會導致一個很大工程的浪費，他勘測的不準，我只有多做余量。
從前年開始我們就想能不能通過人工智能的方法，提升這種效率，所以我們當時就開始做用圖像識別的方法，幫助外包員工做勘測的準確性。類似于他在上站之前，他要穿一些安全帽，拍個照片你就知道他有沒有拍，要做審核。上站以后你發現光模塊有沒有擦好，線有沒有連接，拍個照片就知道，有沒有按照合規去做。
目前這塊勘測的準確率就很高了，原來靠人為。我們統計完以后覺得原來靠人的話只有50%的準確率，現在全部拿手機去拍，這種審核效率挺高，包括勘測有多少是公開的，這些完全能夠達到99%以上，所以整個的勘測效率至少提升了6-9倍，整個勘測的精度、誤差就會小很多。這樣的話我們省和很多的人力和物力和錢，這是一個用深度學習做圖像識別的比較典型的例子。
還有一些企業用深度學習做什么呢?比方說做環保的，環保局用智能學習，搞個攝像頭盯在那里，他希望能故障報警，排污排的冒黑煙了，不可能讓人去看，這時候深度學習就會發揮很大的優勢。深度學習把圖片收集起來做一個分類就可以做的很好，一旦冒出來的煙變黑了，就可以快速產生報警提醒。這是深度學習用的比較多的場景，其實這一類場景最主要還是要貼近業務去思考，業務在看有沒有方法這個領域里面有沒有可能用一些基于深度學習來做的一個事情。
深度學習講完以后我們介紹一下強化學習，強化學習其實大家知道最多的就是AlphaGo，能跟人下圍棋。那個強化學習商業價值不大，現在強化學習用的比較多的，我們做了幾個比較大的一個強化學習領域的探索和突破，包括我們現在給深圳交警做的信號燈控制。信號燈控制如果要做的好的話，大家可以想有一個交警站在那里指揮信號燈，那吞吐量是***的。但現在的信號燈控制都是一些定時的，設定多少秒就是多少秒。
強化學習的方法就是他會感知這個環境的變化，來不斷調整他的決策鏈，這就是強化學習最基本的理念。我們是通過攝像頭和傳感器收上來的車流信息，包括你等待空間有多少，不同地根據車流信息不同地調整，每10秒鐘調整一次信號燈的相位，信號燈等待時長。這樣的話就可以做到吞吐量提升，就類似于強化學習的訓練出來的智能體就好比一個交警站在那里去指揮交通一樣的。
但不同于交警，計算機的優勢是在于它不只是看一個路口，他可以多路口協同調度，那這就是強化學習可以做到很好的調度。目前我們試點的深圳交警整個流量吞吐率至少提升30%，多路口協同調度率的話可以提升10%以上。
還有一個強化學習大家可以理解的，就是高耗能領域里面做了一些，包括一些水污。類似你做污水治理的，每年在耗電量是全國的1%。他們現在的耗電量主要在鼓風機、攪拌池里面。如何根據環境因素自動的調節鼓風機或者含氧量去排放，來做到能耗***。其實這是一個強化學習能發揮的***領域，他會根據你目前的水質含量來自動調整他的進風口和鼓風機的轉速，來降低它整個耗電量。目前我們基于已經在驗證的情況下，我們可以把這個能耗直接節省10%，現在還在做測試。
這些收入是很可觀的，這是強化學習自動控制領域比較大的。在數據中心里面也是比較多的，數據中心領域每個機架發電量不一樣的，那如何調整整個空調的吹風和吹風方向和風速，來做到整個數據中心溫度保持在一定范圍?這樣的話其實可以降低15-45%的電，因為數據中心里面耗電量是空調制冷耗電量是很大，所以這一塊我們也跟數據中心在做類似的東西。 還有一些外界在做的一些，包括金融領域的交易，還有一些其他的領域。強化學習在人工智能里面最近一兩年會是一個比較大的方向。
講完平臺以后我們再講一下通用領域的AI，通用領域的AI大家可能都比較清楚了，包括一些文本識別。那文本識別就類似于你手上有很多的單據、文本，那怎么把這些文本快速錄入到你的系統中，這里面就有一些難度，包括純文本現在用的比較多的是你用的一些名片掃描、名片錄入，這是很簡單的，做的比較多了。但是有一些大量的表格文本就很麻煩了，現在基本上是不成熟的。
7. 華為的探索和實踐
華為在這塊我們也做了很多的探索和實踐，我們目前在共有云上已經提供了一個單據識別的服務。為什么要做這個事情?是來源于華為內部的一些需求，華為在物流里面每年有很大量的單據量。每年在海關報關的時候，他有很大的量需要做一些單據識別，我們在這個里面做的時候，原來靠人工輸入很復雜，也耗人力。當時物流部找到我們以后，希望我們通過人工智能能快的幫他錄入。
現在我們已經針對它的場景，他有復雜的單據、表格。我們經過一兩年的時間，我們基本上把這個功能都克服了，目前整個在一些推廣，中英文的基本上都覆蓋完了。每年十幾萬的單據都是通過一些自動錄入來做的。目前華為共有云也提供類似的API的服務，這個是單據的識別，這個是文本類的識別。
還有一些內容審核的服務，內容審核服務包括業務上傳，這是互聯網里面比較要有的。還有一個清晰度檢測，有些時候你會發現，舉個很典型的例子，你出事故了，大家都會開車，初事故的時候交警會過來拍攝一下圖片上傳，你車出現的問題是什么，然后拍一些圖片上傳。
有些時候你會發現上傳的質量不好怎么辦呢?那就重拍，這就會導致很多的事情。這地方就需要做一些事情，如果他上傳的過程中能夠自動告訴你這個上傳質量不好，上傳內容對不對，就會減少后面的一些問題。所以我們在內容審核里面我們業提供清晰度檢測的一些服務，包括我們現在給我們自己供應鏈也在做的，會有POD的單。收POD簽收的時候，他會拍照。拍完以后***步要檢測它是否是這個POD，第二步他拍的清不清楚，第三個要把一些POD要旋轉、拉正，然后再保存。基本上我們全自動化，有人工智能來做了。
這個在共有云上也有一個服務提供出來，這是圖像類的，還有一些圖像識別，以圖收圖、圖片標簽、圖片分類。這個是我們現在給我們自己終端做的，類似于手機相冊里面做分類，這個就是很簡單的圖片分類的模型。
還有一些人臉，人臉目前主要還是在做人臉識別，這個大家比我們都更清楚，因為網上宣傳的比較多了。還有智能問答類的，問答其實分三類，一個是我一問一答，我有固定的問題對。還有一個任務型問答，我要做一次任務，比方說你要給我做一些自動控制，比方說你關空調、開空調，或者是關門、關窗，類似于這樣的任務型問答，或者是你問他天氣怎么樣，這是類似于特殊任務型問答。還有一種是知識型問答，問什么他都能回答出來。
基于前面問答一問一答或者是任務型問答，這是在企業里面用的很多的。我們共有云上面我們也會提供任務型問答的東西，這里面會集成很多自然語言的一些東西進去，因為他要做一些語義意圖理解。我們現在正在給華為內部的一些智能客服應用，包括共有云SRE問答等，等他們集成完以后驗證通過以后在共有云上會開放出來。這是問答類的，就是語義、自然語言相關的。
還有一些我們會在華為共有云上做一些行業的解決方案，包括做一些物流相關的，我們提供一些物流解決方案有很多，包括智能裝車。物流解決方案源于哪個基礎有積累呢?華為的物流是很大的，每年耗10億美金在做物流，物流里面車都是承包商的。
這里面我們原來做了很多，幫他做一些優化，因為華為有很多箱子，一車貨的時候，他有好多的物料要裝。那怎么把車箱子的物料裝的更滿，這就減少很多的成本。這里面我們專門給我們的供應鏈做了一個優化的算法，這塊在工業云上業提供了。就是說，我們支持多點提貨，多個箱子、不同箱子多車的提貨，然后多車的編排這都有。
另外還有一些路徑的規劃，我們給一個醫藥企業在做的，他會派送和收單的方式，比方說他在武漢他有一車貨定單，要怎么送給各個藥店，然后從又從各個藥店進行收貨，那這個車的路徑規劃，怎么做?怎么去編排，規劃路徑等。目前我們做的效果是提升15-30%的效率，所以目前他們已經在集成在使用了，這是路徑規劃。另外包括倉儲的提貨的、減貨路徑的規劃，這都是圍繞物流相關的，這都是有很多的實踐。
另外我們還有一些其他領域應用也在做，這一塊包括一些提保險、金融行業我們做一些交易風控平臺，還包括一些推薦的平臺，也會開放出來。 推薦平臺會在共有云3月底開放給大家使用。基本上我們整個華為這些服務都會逐步的開放起來，我們后續會沿著這個服務框架會把這些發布大量的服務，歡迎大家使用，也歡迎合作方在這個平臺上貢獻他們的服務，共同來建設華為云企業智能應用生態。
***我總結一下不同場景的企業怎么去選，人工智能在哪里領域可以發揮優勢?其實在企業的話可能面向于幾個方面思想，***個是勞動密集型，比方說你在哪些領域是勞動力特別多的。第二個你在專家經驗和數據比較復雜的。第三個自動控制方面的，你就想你在這些方面怎么做效率提升，可以從這些角度想。
