十大場景案例詳解：人工智慧如何提升商業效益 | 硬創公開課
提到人工智慧，提到AI，很多在傳統行業打拼的朋友覺得是離自己很遙遠的事。事實上，人工智慧在傳統行業中有著非常廣闊的應用天地，它可以在金融、醫療、教育、零售、商業智慧等領域發揮作用，其最終達到的效果就是幫助提高公司業績。
但是，對很多傳統行業從業者，或者是AI應用開發者來說，更大的問題也許是難以摸清AI落地企業的著眼點和運用方式。本次雷鋒網公開課AI+商業智慧專場，我們邀請到了趨享智慧CEO柏曉樂博士來分享他的從業經驗，講解AI在傳統行業中有著怎樣的作用，以及在實戰中人工智慧怎麼落地，以及落地的關鍵問題。
嘉賓簡介：
柏曉樂，趨享智能CEO。 有10年以上的使用和開發人工智慧來解決實際問題的經驗。曾在美國多個著名公司帶領商業智慧，個性化銷售服務，顧客關係管理，定價策略，競爭智慧等多個團隊，以人工智慧作為平臺和方法依託，給眾多傳統行業如保險、銀行、百貨、信用卡、超市、線上線下零售等各種規模公司實現資料採擷，發現機遇，提升業績。美國俄亥俄州立大學電腦博士，著有頂級論文40多篇，全球引用超過2600次，獲傑出科研獎。
柏曉樂博士
以下是柏曉樂博士公開課演講實錄，雷鋒網做了不改變原意的編輯
：
大家晚上好。今天很高興有機會借雷鋒網AI掘金志這個平臺和大家做些分享。
我在這裡假設大家對人工智慧的概念還是有些瞭解的。關於什麼是人工智慧， 人工智慧的前沿研究和未來，還有相關的概念比如說機器學習，深度學習等等，這些都是很有趣的題目，但這裡就不多提了。這次公開課我們多花點時間說說在實戰中人工智慧如何落地，又如何幫助公司提升業績。
傳統行業公司都可借助AI成為贏家
提到人工智慧，很多在傳統行業打拼的朋友覺得是離自己很遙遠的事。我曾經和一個開加服裝加工廠的朋友聊到人工智慧，他第一個反應就是那玩意兒高科技高大上，自己廠小用不上。還有一個開餐館的朋友，聊到人工智慧，她第一個反應說：“機器人服務員，不好使，成本又高，不能用。”這些都是對人工智慧落地這件事瞭解得不夠，理解不全面造成的誤區。這種反應其實十分可以理解，因為很多人工智慧相關的新聞都和一些很先進的應用聯繫在一起，比如說無人駕駛汽車等等，這自然會給人一種錯覺，覺得人工智慧的是高科技行業的專屬品。
麥肯錫在2016年末的時候有個報告，它在國內做了個調查，結果是84%的調查對象認為人工智慧的大贏家是互聯網相關的公司和一些初創公司，所以認識不全面的這個現象還是有一定廣泛性。其實，人工智慧在傳統行業中同樣有非常廣闊的應用天地，人工智慧可以在各種傳統行業的公司裡的很多個方面發揮作用，最終達到的效果就是提高了公司業績，所以傳統行業每個公司都可以在人工智慧的平臺上成為大贏家。
AI助力提升業績的十大案例和解決方案
我對人工智慧在傳統行業中落地這件事的感受比較深。我們的資深資料科學家團隊在這個領域有超過十年的經驗，在美國服務過幾十家客戶，當中很多是傳統行業的客戶，有大有小，有線上，也有線下，積累了大量經驗。麥肯錫在一份2016年底的報告中也提到，目前國內人工智慧產業裡從事人工智慧的大概只有25%的人有10年以上的經驗。所以，今天我們就用一些實例為基礎，分享一下人工智慧在傳統行業發揮作用的這些實戰經驗。
這裡分享一些我們的解決方案，重點並不在於介紹什麼具體演算法，人工智慧實現一個目的可以有很多方法，重點而是在於分享運用演算法的場合和目的，也就是落地的角度。 今天我準備了十個點：
一、顧客關係管理（CRM）
顧客關係管理對傳統行業更是重要，但是，做得好做得壞差別很大。你在顧客生日的時候給個相關的打折券，顧客可能比較感動，你每天給她發十封郵件就變成騷擾了，效果會差別很大。
有個客戶，是一家總部位於加州的中高檔傢俱燈飾銷售公司。它在美國、加拿大、菲律賓、墨西哥和澳大利亞有超過200家分店。它面臨的問題是利潤下滑明顯。我們把資料拿過來分析以後，發現是它的顧客關係管理出現問題了。
它是基於傳統的顧客關係管理。從很多實際的接觸來看，我們發現傳統的顧客關係管理往往有以下幾個特點：
只基於歷史，不做預測沒有前瞻性。比較常見的方法就是RFM模型，即只看歷史消費額，消費頻率，和最近一次來是什麼時候，根據這三個來決定怎麼管理顧客關係。
維度單一。只著眼于顧客這個維度，只顧抓顧客的屬性，其它維度像商品的維度，支付管道的維度，購物壞境的維度等考慮不足。
沒有系統性，零敲碎打，頭痛醫頭腳痛醫腳，一個一個市場行為之間沒有太多聯繫。
那麼人工智慧怎樣在這裡起作用呢？ 主要有兩個方面：
第一個方面是，人工智慧有能把不同維度上的屬性考慮進去，進行先進的對顧客聚類的能力。有些顧客之間的相似性是隱形的，不明顯，這時聚類演算法，簡單的如分級聚類和近鄰參照聚類等，能把這種相似性給找出來。比如說，以前我們把顧客群體月消費1000元以上和以下分成兩類（明顯，單維），現在用人工智慧就可以把大概每隔20多天回來一次，喜歡產品有類似性，消費額度消費方式比較接近的顧客分成類（不明顯，多維）。
第二個方面，通過我們把顧客的行為特徵在不同的時間段作特徵提取和基於模式識別地交叉映射，我們可以得到一個全面的顧客生命週期模型並確定一個顧客現在處於哪個階段。比如說張三有潛力擴大消費，處於成長期，而李四的消費能力已經飽和。所以對張三的顧客關係管理的重點是幫助他成長，讓他再花的多些，對李四的顧客關係管理的重點是把他留住，想辦法讓他消費更多的利潤比更高的商品。對處於每個階段的顧客關係管理的重點是不一樣的，市場行為的設計和執行就不一樣。
目前，顧客關係管理的趨勢正在發生一些轉變——從單純的理解顧客向引導顧客改變行為轉變，從按組群管理向每個顧客可以得到不同的精細化管理轉變，從以顧客為中心的體系向顧客和企業多方位考慮的優化體系轉變，人工智慧提供了這種轉變的平臺。
二、忠誠策略設計 （Loyalty Program Design）
忠誠策略是指一種結構化的市場手段，用來獲得、培養、維持、獎勵顧客的忠誠度，目的是系統性的加強和顧客的紐帶，最終提高業績。 典型的忠誠策略的例子就是搞積分。很多地方在搞，有的有效果，有的效果就不明顯。
那麼在給公司量身定制重新設計的忠誠策略裡，利用人工智慧的點是什麼呢？在前面顧客關係管理中，我們提到了兩個點，一是先進的聚類，二是人工智慧挖掘出來顧客生命週期。這裡這兩點也用到了，還要加一點：人工智慧能引導我們挖掘出最大化的顧客價值主張 (Customer Value Proposition)，就是讓我們企業瞭解什麼對顧客來說是最有意義的，找到顧客最感興趣的點，找到他們的真實需求。
這裡需要基於人工智慧平臺做兩步工作，先是充分利用第一個點和第二個點的結果來設計調研，問一些有價值的，結果交叉以後能夠最大化信息量的問題，然後第二部用人工智慧對調研結果進行有目標的系統的資料採擷，如運用重點因素分析演算法，把最大化的顧客價值主張給找出來。比如張三說他喜歡點數，李四說他喜歡禮品，人工智慧就能找到都比較滿意的平衡。把發現的最大化的顧客價值主張貫徹到忠誠策略的設計中去。
這樣的設計理念，對各個行業（從珠寶銷售到餐飲）各種類型（B2C，B2B）處於各個階段的公司（有的公司要扭虧，有的公司要擴張）來說都是實用的，設計出來的忠誠策略會很成功。我們看到的結果往往是人氣旺了，顧客的回頭率大大提高，平均到每個顧客的消費額也會增加 。
再分享兩點，一是搞忠誠策略早比晚好，別人搞你不搞，要把顧客從別人那裡搶過來往往要花更多的資金和精力。二是忠誠策略要慎重，這個策略一旦實行了，經常換不好，有個持續性。
三、定價策略
說白了就是怎麼制定價格，東西賣多少錢。對傳統行業來說，尤其是零售業，是很關鍵的一環。定價過高，影響銷量；定價過低，影響利潤。
這裡很關鍵的一點是，人工智慧能挖掘聯繫，抓住關聯性，像著名的Apriori演算法。這種關聯性主要包括了顧客和產品之間的關聯性，產品和產品之間的關聯性，還有顧客和顧客之間的關聯性。人工智慧能挖掘出來這種關聯性是定價策略的關鍵。
在這個實例裡，我舉個場景：我們運用人工智慧發現有個牌子（Keurig）的自動咖啡機專用的一小杯一小杯的咖啡粉很能吸引顧客。那麼這個貨物的主要功能就可以定位成吸引顧客流量，我們就把它的價格定的低一些，犧牲一點利潤，但是把顧客給吸引到店裡來。這就是利用顧客和產品之間的關聯性。進一步，人工智慧可以告訴我們，顧客買這些小杯咖啡粉的常常喜歡買些零食啥的，我們就搞些零食類的和小杯咖啡粉捆綁在一起賣，作為一種選擇。顧客很高興，方便了，省錢了，商店也很高興，賣的多了，周轉也快。
顧客和顧客之間的聯繫可以從社交網路上拉資料，用半監督學習方法做分析，但問題是比較難和來店裡的顧客對應上，有這麼個資訊整合的屏障，所以在我做過的定價的實戰中並沒有怎麼用到，但是經常用來做市場。
對於線上的網店，我制定過動態的定價策略。這個背後的演算法比較複雜，但是主線不變，用人工智慧抓住關聯性的點還是一樣的，用關聯性來確定對於不同顧客群體的不同關鍵商品，這些商品的價格根據需要在不同的時間段裡浮動，來達到不同的目的。
四、業績評估
比如說你有好幾家在不同地方的分店，想評估它們員工的表現。單維的從銷售的角度是不能得到一個全方位的理解的，比如說是不是把潛力發揮出來了。單維的從銷售的角度而且也很容易讓員工覺得不公平，開在兩個不同地方的店，顧客群體就可能不同，消費能力很可能就不一樣，一個店賣的多些，一個店少些，你就比較難下結論說賣的少的店做的不好。
利用了人工智慧的評估體系方案主要體現在強大的綜合能力。每個店有很多特殊的客觀屬性，我們把這些客觀屬性放在不同的維度上，這些維度有商品、價格、競爭環境、周邊環境、交通狀況、店面屬性等，每個維度裡還有多個屬性。市場行為等雖然和商店業績相關，但是屬於被評估的物件，是主觀可以改變的，所以不在我們的維度裡。
利用人工智慧，可以找到一個合適的方法，簡單的像多元線性回歸，把每個店所有客觀維度的各個屬性和這個商店的業績聯繫上，得到一個量化的關係，再利用歷史資料把所有店的這種關係綜合起來，給出宏觀上的，一個有指導性意義的，關於客觀因素和業績關係的模型。這個模型就是參考體系。每個店的實際業績和這個人工智慧發現的參考體系給出的業績之間的關係，就是我們建立評估的基礎。
這個評估體系得到了各個管理層的認同，可以規範管理，提高士氣。實際上這個基於人工智慧的評估體系還有其它一些優點，比如說有效過濾掉大的經濟環境的影響，還能用來做預測，等等。
五、部門協調
很多時候一個公司的各個部門對一些事物看法，對一些結果的理解會很不一樣。常碰到的例子就是市場部和銷售部。比如說，市場部搞了個很成功的行銷宣傳活動，有很多潛在的客戶就出現了，然後市場部就把這些名字給銷售部門，要把這些潛在的客戶變成真正的客戶。當轉化率低的時候，就有可能部門間意見不一致，銷售部會覺得市場部的這些潛在客戶沒有挑好，市場部覺得是你銷售部能力不行。
我們給一個美國的專業的健康保險公司做了個項目。這個公司在其行業全美是排第二位，它的市場部和銷售部有這方面的需求，要對潛在顧客的優先順序有個大家認同的排序。
前面提到過，人工智慧有很多聚類的演算法，這個功能在這裡就用上了。具體來說，我們把每個潛在客戶的屬性先提取出來，這些屬性也是在多個維度上的，然後通過人工智慧把屬性接近的那些客戶歸為一類。因為人工智慧可以從資料的角度挖掘很多不明顯的相似性，所以我們在用人工智慧分完類以後會做一些描述性的分析，主要是把各個類別之間的差異從商業的角度來顯式化。然後我們用深度學習對每個類別裡的各個潛在客戶，都會做一個的關於投入（花多少時間精力才能把他變成真正的客戶）產出（成為真正的客戶後對公司的價值）的預測。這個預測的結果決定了潛在客戶優先順序。這樣就有效的統一了意見，提高了的市場部和銷售部的合作氛圍和合作效率。
在這個部門協調這個問題上，用人工智慧解決問題一定要瞭解每個部門關心的是什麼。在上面這個例子裡，客戶轉化就是兩個部門關心的關鍵問題。不同部門對事物理解不一致很多時候是由於該事物維度太多，對本質不好把握，或者說沒有一個系統的方法來把握。找到關鍵問題以後，人工智慧這時就能發揮作用，簡單的說就是能把眾多維度綜合，降低維度，最後收斂在一個比較好理解的層面上。
六、個性化戰略
個性化戰略是現在商業的一大趨勢。給一個顧客推薦怎樣的商品，提供怎樣的服務，一切都是圍繞這個顧客個體的特殊性來展開的，使得用戶的體驗迅速提升。精准銷售是這個戰略的通常體現之一。
我帶領資料科學家團隊給一家美國公司做過它的個性化核心引擎。這個公司是世界第五大零售商其在全美有超過3千家超市，年銷售額超過1千個億美元，2016 年Fortune排名在20左右。它經營範圍非常廣泛，從蔬菜、水果、零食、肉類到服裝、珠寶等都有包括。這個核心引擎的作用是，支援各種個性化的產品，包括了個性化的產品推薦、菜譜、打折卷、價格、宣傳等等。
具體的實現過程是：通過多層特徵提取和挖掘，我們可以把顧客消費的規律性給挖掘出來，簡單的規律像張三總是週末來購物，複雜一點像李四總是在某個階段只要有打折就會買某一類產品。進一步，我們把線上線下的資訊也結合進來，構成顧客的精准畫像。
人工智慧還能把一些購物背景給綜合到挖掘出來的規律裡，例如我們發現天冷的時候有一類人特別喜歡買罐裝的湯。天冷就是背景，還有其他的天氣因素，像下雨下雪。還有一些背景像住的地方的房價等等，因為房價通常和消費能力有關聯，都可以考慮進去。此外，我們還可以把產品之間的關係確定出來，比如說，哪些產品可以互相替代，哪些產品經常在一起被購買，哪些產品有很強的互斥性，等等。這三個方面都給挖掘出來以後，再通過隨機森林和排序學習等方法，給不同的個性化產品提供介面。
在顧客同意的情況下，我們還收集顧客的手機定位資訊，這樣我們不但能知道推薦什麼給顧客，而且通過深度學習等，知道什麼時候是相對比較好的時機把這個推薦資訊給發出去，比如當這個顧客在這個超市附近逛其他店的時候。
用人工智慧實現個性化戰略往往需要處理的資料量是巨大的，所以需要很好的平臺支援。
七、競爭智慧
我做過一個保險公司的項目。這個保險公司成員超過5千萬，在美國成長非常迅速。美國現在有一種購買保險的方式，對每個企業，讓4個不同的保險公司把產品和標價公開的放在一個平臺上，讓這個企業的員工自己選購。在這個平臺上公開之前，4個保險公司的保險價格相互是不知道的。所以要解決的是保險價格多少合適的問題。
基於人工智慧的方案框架包括三步：
第一步先從平臺的歷史資料中學習出對於不同的的企業類型，各保險公司的報價的規律性。比如製造業的企業，報價就會比IT為主的企業低些，小企業會比大企業高些，等等。
第二步是從自己的歷史資料中學習，得到對於不同的企業，不同的報價，購買我們這個保險公司的人數，這幾個方面和我們這個保險公司可以得到多少利潤率的這麼個聯繫的理解。深度學習在這第一第二部都可以用。
第三步是把前兩步的結果作為輸入，設計一個蒙地卡羅模擬過程，通過這個模擬過程來找到最佳的報價點。最佳的報價點的意思就是，一方面不能太高，太高了顧客不買，在這麼個合適的位置非常有效的爭取到了顧客的數量，另一方面不能太低，太低了公司虧錢，在合適的位置能保證公司的利潤。
八、欺詐檢測和預防
欺詐檢測和預防和風險控制是金融行業的重頭戲。人工智慧在這個領域的作用是非常突出的。今天我舉另一個例子，想說明欺詐檢測這個事不僅僅是金融行業獨有的事，人工智慧在其它行業也可以用來反欺詐。
在美國梅森市有個公司，其主要服務是通過和它簽約的人向顧客提供的。這些簽約的人再通過出示給顧客提供服務的憑據來公司報銷一定的開銷。公司長期知道有欺詐存在，但是由於業務的複雜性，預先有個大致的方向後最後需要人工去確定是否欺詐，美國人工很貴，人手有限，由於不能及時有效的檢測出不該報銷的要求，公司每年損失了大量的收入。而人工智慧的介入下，每年為公司減少損失超過2百萬美元。
解決欺詐檢測依靠模型，這樣的模型構建起來是：一是有監督的機器學習模型，從欺詐歷史資料中把眾多欺詐特徵都綜合考慮，做出檢測。二是無監督機器學習模型，主要是用來發現可疑的案例，這些案例沒有歷史或者特徵不明顯，有監督的機器學習模型比較難捕捉。三是基於規則的一些鎖定和分類。
上層是一個綜合化的模型，考慮下層的結果，學習在不同情況下如何綜合，輸出是欺詐的概率。通過概率排序以後，就成為了進一步調查的優先順序的重要查考。
九、資源配置優化
每個公司資源總是有限的，要做的事總是很多。有一種資源優化項目，我們經常碰到的，就是市場部只有一定的預算，市場活動有不同的管道，市場部想把這一定的錢最有效的分配到不同的管道做活動，來得到最大化的回報率。
事實上，利用歷史資料，我們能對每個顧客預測其對一個特定管道市場活動的反應程度，也可以預測顧客的對應于市場活動的花銷額度。我們基於這種預測，把所有的顧客進行排序。我們知道，不同管道的市場活動，平攤到每個顧客的成本是不一樣的，電子郵件很便宜，而寄給顧客一本購物宣傳冊就比較貴。把這種成本和人工智慧預測的收益的排序相結合，就能得到最佳的分配方式。
我還負責過一個總部位於德克薩斯州的公司的相關專案。這個公司的業務是為客戶提供私有品牌的信用卡支援，並説明執行以資料為依託的商業策略，2015年銷售額超55億美元。 這個公司有龐大的複雜的電話客服體系，要求在不同時期，對不同的客戶，對不同的產品都要達到不同電話客服的品質要求 （比如說，等候時間），但同時要節約成本，不想雇傭多餘的人，所以想要預測每個時間段有多少電話打進來。
我幫他們建立了基於人工智慧的預測模型。這個模型是分層結構的時間序列分析。最上層是預測到月，中間層是把月電話量分解到星期，下一層是把星期的電話量分解到天，最後一層分解到小時。 這個模型準確率是非常高的，這樣，客服中心預先就知道要在哪個時間段安排多少人，沒有必要雇傭多餘的人了，運營成本顯著降低了。
人工智慧在資源配置優化方面的角度是很多的。資源配置優化非常重要，它不是銷售額，他直接作用在成本上，給利潤上升有效提供空間。
十、新品開發和上市
人工智慧還能在新品開發和上市中起到指導作用。解決方案基本可以分為特徵挖掘，回饋設計，和結果分析這三步。具體來說：
首先是用人工智慧的方法來確定顧客最感興趣的產品特徵，和特徵水準的範圍。從顧客和產品的關聯度出發，檢查這些產品特徵和特徵水準是不是新產品理想中的目標人群。
然後設計聯合分析的問卷調查，在目標顧客群體中作調研，收集針對不同產品特徵和特徵水準的顧客的態度。
最後用人工智慧的方法在收集到的資料的基礎上作挖掘。這個挖掘的目標不局限於從收集的資訊中分離出消費者對每一特徵以及特徵水準的總體偏好值，就是我們常說的特徵的總體效用值，其它的目標還包括哪些特徵是對某些有特徵的顧客特別有吸引力等。 這個方案系統的給新品上市指明了方向，影響很大，效果很好。
以上這十點，遠遠不能涵蓋所有人工智慧在傳統行業的落地點。人工智慧在提高傳統企業業績方面還有很多其他應用，像物流、商店選址、網站優化等等。
AI在傳統行業落地的關鍵問題
下面說一下人工智慧在傳統行業中落地的最重要的因素和幾個關鍵問題是什麼。
對這個問題，不同人有不同的角度，有的人覺得資料最重要，有的人覺得演算法最重要，有的人覺得科學家人最重要，這些都是對的。我和種種公司打交道這麼多年，想從人工智慧落地，偏重落地，這個角度分享一下我的看法。
我覺得最重要的因素是開放思想（open mind）。
一方面，CEO們要開放思想，即不要自高自大覺得人工智慧不用我不也過的好好的，等等再說，看看再說，也不能妄自菲薄覺得自己公司比較小，或者條件不成熟，或者要處理的問題好像挺簡單的，人工智慧不會有用武之地。
另一方面，從事人工智慧的從業者也要開放思想，不要認為自己的人工智慧只能服務於高科技行業，需要擴寬思路來説明傳統行業。
這也是我這次分享的主要目的，從實戰的角度擴寬大家的思路。 多年的實戰，我也發現了落地的三大關鍵問題，這裡分享一下：
明確的商業目標。經常性的，我們發現客戶不知道需要解決什麼問題，或者有時，客戶覺得需要解決的問題的往往不是最主要的問題。這就需要深入理解客戶業務的流程，操作，和需求，並以此為基礎，梳理商業目標，建立一些解釋或假設，然後根據相關的資料來驗證調整這些解釋和假設，發現問題，把問題按不同的維度細化。人工智慧在這個階段也可以幫助分析，挖掘一些不容易注意到的問題。
好的人工智慧平臺。好的人工智慧平臺有三個特徵。一是靈活性。人工智慧落地的企業多種多樣，資料量有大有小，運算要求有高有低。好的人工智慧平臺能夠適應企業的要求，而不是讓企業去適應它。二是平臺的設計能夠比較好的滿足行業應用的需求。這裡經驗的積累就比較重要，會對設計有影響。 一個好的人工智慧平臺會把多年的經驗融合進去，高效的發現問題，很快的能抓住關鍵點，不但解決問題效率高，而且方案的思路也會比較實際可行。這樣人工智慧落地的效率就會比較高。三是平臺後面的團隊。既要有資深的領先的資料科學和工程團隊，也要有要有資深的領先的商業分析團隊，才能實際有效的幫助對接，讓平臺充分發揮作用。
結果的有效交流溝通。這裡的結果，不是指方案實施以後的結果，而是指人工智慧分析出來的結果，往往在有解決方案之前，很多客戶CEO，並不關心人工智慧的具體演算法，大多也沒有這方面的技術背景，怎樣的交流才能讓你用人工智慧得到的一些洞察得到他們的認同是很關鍵的。沒有達成一致的認同，就不會有方案，就算有方案，執行也是問題，落地就是問題。所以建議要瞭解你的聽眾是誰，用他們的語言而不是你的語言講問題，站在他們的角度思考。
人工智慧落地這件事和純搞科研有很大不同。一是本質上關心的東西不一樣，科研人員很多關心的是挖掘一些基礎性的東西，越是基礎方面的突破，貢獻成就就越大，因為到處都能用。可是在人工智慧在行業落地的時候，都是在殘酷競爭下的實戰，客戶關心的問題，也自然是我們關心的問題。
第二點是，經驗反復驗證，方案能不能實用化，實用化的ROI非常重要。科研的時侯提高1%，有的時候不到1%，就是很好的事，實戰的時候不但關心1%的提高，還關心為了得到1%公司要投入多少資源，1%的回報有多少。每個企業公司都有自己的限制，也有自己的規劃，這些都是落地時要考慮的。
很多科研的中心是演算法。演算法固然非常重要，但很多時候可能只是人工智慧落地諸多環節中的一環。人工智慧落地，提升業績，還要考慮很多實際的和商業對接的問題。
今天就講這些了，希望對擴寬大家對人工智慧在傳統行業中的落地的思路有幫助。
謝謝大家。