隨著數(shù)字化的發(fā)展，越來越多的企業(yè)提出了“數(shù)智化”的概念。智能化成為越來越多企業(yè)在數(shù)字化轉(zhuǎn)型實踐中的關(guān)鍵業(yè)務(wù)能力要求。

盡管人工智能技術(shù)發(fā)展很快，形式逐漸成熟和多樣，近些年做AI的科技驅(qū)動型廠商也越來越多，但大多數(shù)企業(yè)客戶對于AI的理解仍處于懵懂的階段 ...

很多企業(yè)主認為AI技術(shù)離自己很遙遠，似乎是觸不可及的；再或者，認為AI只是噱頭，在業(yè)務(wù)中可有可無。

因此，企業(yè)主對于智能化的基本認知決定了業(yè)務(wù)中能否很好地融入技術(shù)。AI技術(shù)和傳統(tǒng)業(yè)務(wù)的隔閡與一般的IT開發(fā)技術(shù)和傳統(tǒng)企業(yè)的業(yè)務(wù)隔閡相比較更加明顯。

即便對于本來就從事IT工作的群體來說，也只有少部分的人懂得AI以及如何利用AI解決問題。甚至我們看到，在傳統(tǒng)的軟件系統(tǒng)交付周期中，幾乎都沒有考慮到如何將AI屬性融合到需求分析和系統(tǒng)設(shè)計的環(huán)節(jié)。

科技是科技，業(yè)務(wù)是業(yè)務(wù) ...

人們總是這樣習慣性認為，想把AI技術(shù)引入傳統(tǒng)行業(yè)，通常難以獲得比較愉快的交談。

智能化技術(shù)比傳統(tǒng)信息化技術(shù)成本更高，同時，帶來的收益又更抽象。這些特征無形當中大大地提高了業(yè)務(wù)方的決策門檻。

當我們關(guān)注傳統(tǒng)的數(shù)字化項目時，一切都要從流程出發(fā)。

畢竟，業(yè)務(wù)流程是需求落地時唯一看得到的核心抓手。也只有通過流程，業(yè)務(wù)方才能更好地把握數(shù)字化的實施路徑。

從流程看數(shù)字化和智能化，很清楚就看明白了彼此的距離和差異。

數(shù)字化關(guān)注的是流程的線。聚焦于從一個環(huán)節(jié)到另一個環(huán)節(jié)如何連接，以及連接的效率（主要以線上化的手段）。

而智能化關(guān)注的是流程上的點。需要實現(xiàn)利用先進的數(shù)字技術(shù)，通過數(shù)據(jù)分析、推理等技術(shù)策略實現(xiàn)對原有環(huán)節(jié)的自動化替代。

當關(guān)注具有智能化特征的數(shù)字化項目時，數(shù)字技術(shù)的價值不是體現(xiàn)在數(shù)據(jù)的流程驅(qū)動能力，而是體現(xiàn)在數(shù)據(jù)的知識驅(qū)動能力。

因此，如何高質(zhì)量地從數(shù)據(jù)中提煉業(yè)務(wù)知識，并將業(yè)務(wù)知識融入到系統(tǒng)和場景中，是業(yè)務(wù)走向智能化的關(guān)鍵。

對于任何想從數(shù)字化走向智能化的企業(yè)來說，都需要完成從數(shù)據(jù)到知識的信息價值鏈基礎(chǔ)模型搭建。主要完成以下任務(wù)：

1. 搭建知識體系。從業(yè)務(wù)架構(gòu)中提煉知識模型，識別主要的知識類型、知識主題、知識主題關(guān)系，以及各主題下的知識子類、知識屬性，和知識實體關(guān)系。

2. 結(jié)合業(yè)務(wù)目標和業(yè)務(wù)邏輯。研究知識應(yīng)用的數(shù)字化場景，設(shè)計各場景涉及的智能化數(shù)據(jù)處理邏輯，如算法、規(guī)則，機器學習的模型原型等。

3. 完成基礎(chǔ)算力和環(huán)境搭建。為支撐智能化應(yīng)用實現(xiàn)基礎(chǔ)算力升級；構(gòu)建AI中臺，外掛數(shù)據(jù)中臺或業(yè)務(wù)系統(tǒng)，以服務(wù)化的方式靈活實現(xiàn)AI賦能。

4. 逐漸關(guān)注多模態(tài)大數(shù)據(jù)的感知體系建設(shè)。分步驟納管非結(jié)構(gòu)化的數(shù)據(jù)資源進入公司的數(shù)據(jù)底座建設(shè)范圍，豐富數(shù)據(jù)表的上下文業(yè)務(wù)內(nèi)涵。

5. 將“模型化”作為數(shù)字化的重點工作。完成從數(shù)據(jù)、信息、知識，到模型“全鏈路”數(shù)據(jù)價值鏈的自動化大數(shù)據(jù)運營體系。