深度 | 被冷落的 AI ，如何在 SaaS 领域“火”起来( 九 ) 关注牛透社

林松：
做人工智能（AI），数据是根本。
如果脱离了数据，很多东西其实做出来有一种“无米之炊”的感觉。

刚才谈到的两个场景，可以说一下所需要的数据。比如，在给客户推荐线索时候，包括给客户自己录入到系统里的数据进行打分，需要的数据是超出我们本身系统里用户使用产生的数据。还有，刚才谈到要给客户提供推荐的线索，很多推荐的线索并不是把 A 客户的数据推荐给 B 客户，而是需要全中国企业的工商数据，并加入更多企业经营的维度分析。

因此，当我们做数据产品时，第一件事就是要跟现在拥有工商数据的平台进行合作，像企查查、天眼查、启信宝等平台。通过这样平台，可以获得企业完整信息。同时，根据产品核心特色，针对所需要的特征值再去补充对应的企业所需要的细节信息。

在有了这些数据之后，才能根据平台上面的每一家客户自己形成成交企业的数据集，去进行对应的模型训练，才能产生最终针对企业比较有效的推荐。所以，真正最后的推荐其实是针对每一家企业，都有一个属于自己的推荐模型。

第二个场景是关于零售。在这方面，我们数据就更少了，现在每启动任何一家企业的智能货架识别，都有前期一个非常长期的数据学习语料的准备过程。

首先，需要这家企业先提供所有的商品产品，和对应的图象数据、包装、外观所有的图像数据。同时，我们需要在对应的场景下大量的货架拍摄数据，通过数据对比去进行对应的数据学习和训练，最终不断去调整模型。并将这样一个数据识别的准确度，或置信度达到95%以上。当客户觉得准确度达到业务平时要求时，最终才能够在业务上真正使用起来。

李一帆：
首先因为深度学习算法对数据需求很大，而且要求是标注的数据，所以其实不仅要原数据，还要有标注，这是两个维度。

先说标注。数据标注通常的解决办法就是先通过标注公司的人工来形成数据，先建一个基础的模型，再去标注AI ，最后就用AI来做。

第二个维度是原始数据
，原始数据最关键的是能够打通业务流程，业务接口能够有原始数据。

第三个维度是
当客户越来越多之后，如何守住客户合作过程中，或者通过其他渠道采集的数据。

这都需要一个非常好的数据管理平台。在我们内部，最近开发了一款产品，它的理念是帮助企业去整理公有库以及私有库。公有库是包括电商数据、线下一些行业的数据。私有库就是通过图形和相应的业务数据的管理，把数据存储下来，有一个内部明确数据陈列的地方。

另外一点是，如何将专业知识数字化。比如，最近正在做的建筑省图，每个省有七八本建筑规范，每一个专业又有好几本，每一本规范里有数万条，这种数据的整理还没有得到很好地解决。不过，相信在这块有很大发展空间，能够真正把大量的复杂业务规则数据化。

文章图片

话题四产品研发与落地中的瓶颈

李一帆：
瓶颈主要体现在数据、算法、算力三个方面。

首先数据不够，肯定是不行的。

其次，在算法上，我们的算法还没有到很强，所以有很多缺陷，如需要大量数据，需要算法调优，需要人工维护，算法本身也是一个数据。

最后说到算力，尤其当我们做线下结合场景时，算力不够。

这三个掣肘，其实可以通过产品手段去除。产品经理的理念是，通过设计功能去满足客户的需求，这里可以通过让客户妥协、让功能妥协，或者自己让一步，因此需要产品经理从三个维度留一些口子，留一些给员工去操作的开放空间。