分析19个行业的400+用例盘点人工智能万亿美元级价值潜力

看点：麦肯锡AI Frontier Notes，分析19个行业400个用例，统计人工智能万亿美元价值潜力。

近日，麦肯锡发布研究报告指出，人工智能贡献了分析技术年价值的40%，两者加起来每年可创造3.5万亿至5.8万亿美元的潜在价值，相当于各行业年收入的1%至9%(2016)。

本期《智能内参》推荐这份麦肯锡AI前沿笔记，分析19个行业的400个用例，涵盖企业、物流、国防、出行到公共部门等。并统计人工智能的商业功能和经济效益。

以下为智能内参呈现的干货：

人工智能的万亿价值

目前已知人工智能最大的潜力在于分析技术，包括回归和分类。神经网络技术可以提供更高的功能或产生额外的见解和应用。

案例显示，人工智能(AI)被引入19个行业，包括旅行、交通、零售、汽车、高科技、能源、化工、娱乐媒体、基础材料、消费品、农业、银行、医疗系统和服务、公共部门、通信、医疗和制药、保险、先进电子设备/半导体、航空航天和国防。

这相当于总分析技术价值规模(9.5万亿至15.4万亿美元)的40%。对于每个行业来说，AI的潜在价值平均占行业总规模的1%到2%。即使应用潜力最低的航空航天和国防(不到500亿美元)也相当于黎巴嫩美国的GDP。

AI价值潜力：3.5万亿-580亿美元(行业年产值)

对于通信行业，运营商有大量结构化的客户数据，非常适合传统分析技术和AI分析技术。AI的潜在价值是行业的3%到6% 美国年收入超过1000亿美元。同样，对于公共部门来说，大量的数据和用例也使其成为AI成熟的应用领域，但数据隐私性和成功分析的可解释性/逻辑透明性限制了其潜在价值。尽管如此，公共部门仍然是人工智能技术的巨大潜在机会。

AI分析技术还将用于各行业的风险管理，如保险业更精确的风险评估和保费制定。制药公司将使用AI算法来降低临床试验的风险。矿业公司将预测生产中断的风险，并实现更有效的勘探、钻井和采矿规划。此外，AI还可以创造新的产品和商业模式，如欺诈检测，可以有效提高银行客户类型识别。

AI最大的价值机会是制造业的供应链管理和营销销售环节。对于公司来说，必须查看自己的部门投资组合，了解行业的价值驱动，寻找人工智能的布局机会，并且已经确定了合适的投资部署。此外，更多的AI营销和销售应用将出现在零售和高科技等消费行业。这是由于更频繁的数字交互，尤其是电子商务平台。基于AI分析做出实时促销、价格、产品动态，通过生成模型优化端到端供应链，将有效降低各种成本，提高运营效率，实现精准营销。

AI最大的价值机会是供应链管理和制造中的营销和销售环节。

人工智能简述

为了帮助读者建立一个更具体的AI技术框架，本节简要解释了与人工智能相关的重要概念。

人工智能是指人工机器智能，1956年在达特茅斯会议上正式提出。机器学习是实现人工智能的主流手段。它是一种基于数据训练的模型，即机器通过分析大量数据进行学习，不需要编程来归纳和识别特定目标，专注于发现数据之间的内在关联并做出预测。

19个领域各种分析技术的普及

1、神经网络

神经网络技术是一个马赫的概念

基于神经连接的计算模型从20世纪40年代开始受到关注，大量的训练数据(包括图像、文章和语音)被成功分析。深度学习发展之前，神经网络通常只有3到5层，几十个神经元/节点；深度学习后，神经网络扩展到7-10层甚至更多，模拟神经元数量增加到百万，从而实现对更复杂问题的更可靠处理。新兴的人工智能主要是大规模深度学习。

具体来说，有三种主要类型的神经网络：

1.1前馈神经网络

前馈神经网络是最常见的人工神经网络。在这种结构中，信息只沿一个方向(向前)移动，即通过隐藏层，没有环形网络。第一个单段神经网络是在1958年提出的。经过计算能力和训练算法的巨大发展，前馈神经网络表现出了更高的性能水平。

1.2循环神经网络

递归神经网络是指节点以定向方式连接成回路的人工神经网络，非常适合处理任意时间序列的输入序列(以手写、文本和语音的形式)。2016年11月，牛津研究报告显示，基于神经网络(和卷积神经网络)的系统在嘴唇识别应用中达到了95%的准确率(有经验的人类嘴唇说话者的准确率接近52%)。

1.3卷积神经网络

卷积神经网络是一种深度前馈人工神经网络。其逻辑结构受到动物视觉皮层的启发，对于大规模图像处理(视觉感知任务)具有优异的性能。

最好的AI系统的识别能力已经超过了人类。

2、其他机器学习概念

从学习的方式来说，机器学习可以分为有监督学习(训练数据集中的目标被人标注)、无监督学习(训练集不被人为标注)、半监督学习(训练集被部分标注)和强化学习(输入数据作为模型的反馈)。

根据算法类型，常见的机器学习算法有决策树算法(利用树形结构建立决策模型)、回归算法(预测连续值)、分类算法(预测离散值，事先知道分类)、聚类算法(预测离散值，事先不知道分类)、神经网络和集成算法(集成几种学习模型)。

为了帮助下面的理解，下面进一步解释两种在新业务中具有巨大潜力的机器学习技术：

不同用例中的数据类型(结构化程度、时序、文本或音频或文章或图片)

不同类型数据的AI值

2.1生成对抗网络/GANs

生成对抗网络是深度学习领域中一种重要的生成模型，即两个网络(生成器和鉴别器)同时接受训练，并在minimax算法中竞争。这种对抗方法避免了一些传统生成模型在实际应用中的一些困难，通过对抗学习巧妙地逼近一些无解的损失函数。它广泛应用于图像、文章、自然语言和音乐等数据的生成。

2.2强化学习

强化学习本质上是通过试错来优化模型。目前，强化学习已经被广泛采用，包括谷歌Deepmind和AlphaGo的文章游戏。

3、实际问题分析技术

分析技术：从经典到前沿(深度学习神经网络、迁移学习和强化学习被定义为AI技术)

分析技术可以解决不同业务类型中的许多实际问题，包括：

分类，即根据一组训练数据对新输入的数据进行分类的业务，其主要任务是识别特定实物的图形(如卡车、汽车、生产线上正在接受质量检验的产品等。);

连续估计，即根据训练数据评估新输入数据的序列值，常用于预测性任务，如根据销售数据、消费者态度、天气等数据预测消费者需求，或根据相关数据和建筑物照片猜测房地产价格；

聚类，即根据任务数据创建系统的单一群体类别，例如基于特殊数据的消费偏好；

其他所有优化，即系统根据任务生成一组有特定输出的函数优化结果。示例包括基于用户需求(时间、费用、偏好等)的最佳交通路线建议。);

异常检测，即根据训练数据与历史的相关性判断输入数据是否异常，本质上是分类函数的一个子类；

排序，是信息检索问题中常见的，是根据检索需求，按照一定的排序标准来呈现结果，比如提供产品购买推荐等。

推荐，即基于训练数据提供建议，比如推荐下一个产品根据个人购买历史；

数据生成是指根据训练数据生成合适的新数据。用例包括音乐创作等。即根据音乐素材创作特定风格的新音乐作品。

不同类型实际问题涉及的分析技术(柱状图代表AI技术在该问题中的价值和潜力)

从用例中寻找潜力

在解释了抽象的概念名词之后，它是时候关注具体的实际案例了。让说说人工智能算法相对于传统算法的性能优势(一般来说，AI分析技术可以带来超越传统的30%到128%的行业价值提升):

AI分析技术的价值潜力(左图为AI与传统分析技术的对比，右图为AI分析给19大行业带来的潜在价值增量)

预测维护

传统上，系统能够分析传感器时间序列数据，包括检测到的温度、振动状态等。并实现预测性异常检测和预测性维护(预测部件的剩余使用寿命)。但深度学习将这一功能带到了一个新的高度：数据可以分层，以分析海量和高维的传感器数据，包括图像、音频和其他形式。一些以前不适用的低质量数据(来自廉价的麦克风和摄像头)也可以使用。

在被调查的案例中，这种基于AI技术(远程机载诊断技术)的预测性维护，可以帮助企业减少停机时间，制定有计划的干预措施，提高产量，降低运营成本，对应的经济价值约为总销售额的1%至2%。

以货机为例，AI技术的预测性维护可以延长飞机的寿命。与传统模型相比，它可以更有效地结合飞机模型数据、维修历史和物联网传感器数据(包括发动机振动数据、发动机状况的图像和文章等。).

物流优化

面向AI的物流优化可以实时预测，降低成本，指导行为，提高燃油效率，减少交付时间。

以欧洲货运为例，基于AI技术进行车辆性能检测和驾驶员行为分析，驾驶员可以得到实时指导(适当的加速、减速等。)以优化燃料成本并降低维护成本。卡车公司节省15%的燃料成本。在一个航空案例中，航空公司基于人工智能预测了交通拥堵和天气相关问题，避免了昂贵的取消费用。对于每天有近10万条航线的公司来说，即使航班取消减少1%，也意味着很大的不同。

客户管理

人工智能正在成为客户服务管理和个性化营销的重要工具。

呼叫中心使用AI进行语音识别(不仅是语言内容，甚至是情感语调)和呼叫路径规划，可以更有效地为客户提供更无缝的体验；在销售领域(如亚马逊和网飞)，人工智能也被成功地用于个性化下一个产品推荐，大大提高了销售转化率；在保险领域，汽车保险费可以根据行驶数据(行驶方式和距离)进行调整；对于旅游公司来说，全方位的客户视图(额外的酒店、航班服务)将帮助增加10%至15%的收入，相当于总收入的7%至12%，价值是传统分析的两倍以上；在零售行业，SKU业绩数据可用于优化促销策略。

九项业务中各种分析技术的普及。

调查显示，69%的案例通过AI分析技术完成了传统分析技术的性能优化，16%的绿色空间案例必须是AI。"绿地案例主要存在于客户服务等商业领域，如疾病诊断和护理改进等。对应的数据丰富(大量的音频、文章、图像、文本)，还需要整合人的反应。

此外，还有15%的情况是AI分析，或者深度学习不适用的，比如医药和医疗产品，电信等领域。一方面受限于现有技术和该领域结构化数据不足(估计一个监督学习算法至少需要每类5000个标记数据才能达到可接受的性能)，另一方面受限于行业和监管问题。

除了利用深度学习提高分析性能，很多常见的消费产品，如Siri、Alexa和Cortana，甚至基于图像处理的自动驾驶也在发展中。对于这些AI系统来说，数据收集和再训练是必要的(它们需要至少一个月更新一次，有时甚至一天更新一次)。除了数据量和多样性，刷新训练数据也很重要，尤其是在销售、供应、管理和制造领域。

对于约三分之一的用例，AI分析模型需要频繁更新(四分之三的用例需要每月更新一次，近四分之一的用例需要至少每周更新一次)

未来的挑战

虽然人工智能有很大的未来，但它仍然面临着许多挑战和限制。

从数据的角度来看，难点可以归纳为五点：训练数据的标注往往需要人工完成，难以获得庞大而全面的训练数据集(尤其影响医疗用例)，模型的透明度有待提高(直接影响汽车、医疗认证等领域的应用)，学习缺乏泛化能力(难以从一个应用迁移到另一个类似的应用)，数据与算法存在偏差的风险(社会问题较多)。

此外，人工智能还存在恶意使用的问题，包括更复杂的黑客攻击、高度个性化的政治造谣活动、欺骗性文章和其他安全威胁。

考虑到数据的关键程度，企业和组织制定数字化战略、建立数据中心(或者更一般地说，选择云提供商)、争夺高级人才、思考获取和生成数据的方法是必不可少的。从技术上讲，组织必须开发强大的数据维护和治理流程，使软件现代化(如Agile和DevOps)，并确保人工智能分析被实例化以克服最后一英里(组织挑战)。

东西认为，AI作为当前信息技术创新的主要驱动力之一，指向巨大的经济和社会价值，正在团结所有参与者，包括(技术)创新者、公司和政策制定者，以创造充满活力的产业环境，确保更安全、更有效的经济和社会福利。现有案例表明，AI技术的引入不仅会深化传统技术的价值，还会拓展新的产品和商业形态。对于企业来说，迫切需要制定相关的数字化战略。

标签：数据AI技术

数据