MBA同级声 | 大数据、AI产业应用实践

人 工智能发展到现在经历了三个阶段：首先是初级规则驱动的AI，实际上它不是真正的AI，只是形成自动化；在第二个阶段形成了数据驱动的简单AI，但是还不足够智能；第三阶段，也就是当下，随着云计算、 GPU等基础硬科技的发展，AI算法逐步成熟，此时各行各业开始探索它在产业实际的应用和赋能。

很多公司无论是传统型还是科技型，都在做数字化转型和赋能，总体而言有四大方面：

谈到数字化建设，大家通常会以为做了一些工具或软件、一个系统就能帮助到我们，其实并非如此，数字化建设包括最上层的顶端战略规划、中间层的运营规划、人力资源KPI的考核支持、运营底层的技术和产品、业务流程的标准化等等，只有上到下 所有的这些层次都已经贯穿数字化，才能够真正形成数字化建设，真正为业务赋能 。

从数字化角度，可以将企业划分为两类：

无论是哪种公司，都需要先将数字化的基础打好 ，因为数据会流失，所以在前期我们就要做好数字化的规划，储备数据资产 ，汇小溪成大河，以后可以为业务赋能。

相比其他行业而言，金融行业数据基础好，应用大数据和AI具备先天优势，在各个业务环节 （如：战略市场、客户营销、产品创新、销售渠道、风控合规以及流程管理运营） 均已有数字化或智能化的应用，也产生了实际的业务效果。

比如 金融反欺诈 的场景 ，分两类：一个是申请欺诈，冒充别人的身份做信贷贷款；另一个是交易反欺诈，在交易里混入一些异常的不合规、不合理的交易。AI可以找到人靠肉眼难以识别的异常交易，然后我们再通过人的人工决策来判断它是是否确实是异常交易，最后决定是否采取手段。

还有，比如 中小企业贷款 很困难。以前，银行对企业的信用评估主要是基于财务报表。但中小企业的财报信息是不准确的，而大数据和算法能够帮我们利用更多的维度来评估这些中小企业的信用，挖掘更准确的信贷评估结果，切实帮助到小企业，尤其是信用好的小企业，得到更好的信贷资金支撑。

另外，产业端的 供应链金融 问题。供应链上游是供应商，下游有经销商，中间是核心企业，信用状况比较好，还款能力也比较强，相对容易获得信贷资金支持。但是它上下游的小企业很难得到很好的贷款资金支持。在这种情况下，我们考察核心企业和它的一些商务往来关系，尤其是与上游供应商的业务往来，因为它的资金都是来自于核心企业的，所以它只要跟核心企业有持续的业务往来，就可以被认为是相对可信的，因为我们信任与它合作的核心企业。

而且，核心企业的管理水平和数字化建设能力一般都比较强，所以它跟上下游的一些往来订单发票、实际的交付款记录等都对上下游的企业有一些准入的把控，所以从核心企业这里，我们就可以得到很多的上下游小企业真实的信用状况，也就是商业信用。然后我们把商业信用转化成金融信用来评估小企业的信贷资质。

根据2019年的统计，国内医疗数字化建设的投资逐年增长。

首先， 医疗行业数字化建设的数据基础是医疗大数据。

医疗大数据，可以从两个大的维度来看 ：

一个维度是数据的深度，也就是从数据的产生、加工、应用，最终达到数据驱动和赋能业务决策。

另一个维度是数据覆盖的广度，患者全生命周期的数据留存与利用。

一个患者或潜在患者经历的过程，一开始是健康管理，现在有很多 IoT的设备，比如智能手表，可以收集很多的健康行为；然后是诊疗，患者生病去医院，在医院内部的一些仪器设备上留存的检查数据，医生写的病历，都是这个环节能产生的数据和信息；然后再有医生给的诊断，做过的一些诸如基因检测的具体的检测，包括一些病理检测，也有很多的数据；然后是随访，比如出院后的术后管理，比如吃药后的情况是什么样的，包括最终的临床结局都可以是医疗大数据的组成部分。

总结一下， 现阶段医疗数据在深度上，还处在数据基础搭建和数据加工处理层面，距离数据驱动和业务赋能还有一段路要走。另一方面，在数据的广度上，各个环节的数据相对分散，还没能形成系统的全流程数据，进而发挥价值。

其次，谈谈最近比较受关注的应用领域， AI制药 。

整个医疗行业中一个很重要的参与者是制药公司，对它们来说很重要的是药物的全生命周期管理：从药物研发，到上市前的临床实验，到上市之后的营销，再到患者的适应症情况追踪，这些共同形成一个完整的流程。这个流程也需要数据支撑，从最开始的科研文献，到科学研究的成果，再包括患者的数据、医疗的结果，每个环节用到的数据都不太一样。其中，药物研发相对，可能涉及到很多学科：包括化学、生物、医学等等。