记者：尊敬的各位ENI会员大家好，欢迎收看本期的零距离。今天做客ENI访谈的是明略数据的技术副总裁黄总，接下来有请他来给我们打个招呼。

黄代恒：大家好，我是黄代恒。很高兴和大家一起聊大数据和人工智能的话题。

记者：打开明略的网站，有一句话令人印象深刻，“明略是国内最专业的大数据的整体解决方案提供商。”您能解释一下这句话背后所覆盖的能力吗?

黄代恒：这句话本身比较大，我们可以从人才、产品、所服务得行业三个方面来谈一下明略的服务内容。明略是14年中旬初创的创新公司，核心技术团队来自于大数据分析互联网广告公司---秒针。而明略当初成立出来最大的情怀是把大数据的技术能力用于最关乎国计民生的领域，像公安、金融、高端工业制造等。所以，明略最宝贵的财富是技术人员，公司大概有30个左右的技术合伙人，并且都在大数据和核心技术架构领域有非常深的研究，完全可以胜任其他公司技术总监的职位。

除了人才，明略另一个积累是把知识落地成产品。目前主推三大产品线：MDP(安全、高效可用的数据资产管理平台)、DataInsight(知识构建与管理平台)和SCOPA(大数据图谱联机分析产品)。基于这三个平台之上，我们组合了非常多的解决方案来帮助很多的标杆客户来进行落地。对于大数据技术，之前大家往往是说得多，落地的少，真正能够为企业级客户提供大数据解决方案的公司并不多。明略的重点客户包括银联商务等金融领域客户，在公安领域明略去年共实施一个省七个地市一个县，今年至少落地大概二十个地市来进行情报分析、数据加工，极大程度的提升了底层支撑工作的效率。我个人最近负责在工业方面的大数据技术和数据挖掘方面的工作。

记者：黄总，您刚提到的客户，偏政府背景的客户好像比较多。

黄代恒：政府及大中型企业，明略做的工业和金融是服务于企业，公安和公共安全本来就是政府的。

记者：政府背景的服务，安全一定要考虑，而且政府对安全问题会更加敏感。为什么明略的客户会更偏向于政府?

黄代恒：是这样的，其实大家会注意到，金融对数据、安全是很敏感的，工业大家可能认为没那么敏感。但实际来讲，我们接触的核心的建基和制造等部门，他们的所有数据都涉及到金融安全。明略项目的特征是基于客户的数据来进行挖掘分析，项目结束后全部数据也都留在重要的行业客户手中。不像有些互联网的数据，可以进行二次加工，把数据再次服务于其他客户。明略服务的各企业、政府都把数据视作自己的核心，所以安全方面的工作是非常非常重要的。在数据的存储和使用的权限控制领域，明略甚至还拥有该领域的专业产品，对数据的使用权限进行控制。未经授权的客户，即使是登录状态，选择数据的时候也拿不到不符合权限的内容。

记者：黄总，在之前的大连软交会上，您分享了一个关于人工智能的主题，明略从大数据的解决方案开始聚焦人工智能的方向，您能介绍一下明略战略调整的初衷是什么，目前做了怎样的规划呢?

黄代恒：这并不是一个战略的变化。明略从最开始做大数据，使其成为自己的标签，到现在偏向人工智能，这并不是转型，而是顺理成章的推进。

我们把大数据当做一个工具或手段，通过大数据我们会发现，效率高了、以往分析不出来的现在可以了，这是大数据的价值。但实际上，从大数据本身来讲，我们为什么愿意付出很大的代价去琢磨它，就是希望通过大数据能够发现事物本身的规律和特征。比如在金融行业发现正常还款人和非正常还款人以及行业交易中的危险行为，也包括金融诈骗等，这些其实都是基于大数据的分析，本质并没有变化，但现在我们将其称之为行业的人工智能。明略希望在金融、工业、公安这三个垂直行业，结合专家智慧，将以往人工化的操作替换为机器操作，将产生的数据不断进行分析，后期慢慢脱离人的作用，形成基于大数据的行业智能，最终达到服务于人的目的。这个是明略一直在做的，所以不算是转型而是必然。

记者：明略聚焦三个行业，暂不提公安。就金融领域而言，由于它直接跟钱挂钩，对数字、安全是特别敏感的。如果是基于大数据分析而开发出一系列行业人工智能解决方案，在这个过程当中是如何进行风控的把握?在匹配各个行业不同的人工智能方案的时候，考虑到像金融行业，它会有保险、银行、网贷等细分的领域，这是不是牵扯到了人工智能的定制化?

黄代恒：是这样的，前面也提到了明略有三个基础的产品，但无论是人工智能还是大数据，都是伴随着客户的成长，因为每个客户的真实数据是不一样的。所以明略的30位数据专家不是在研究室里，也不是在办公室里面，而是都在一线，跟我们的客户去学习，做到真正的了解这个行业。在金融领域，明略的主要业务就是聚焦风险，进行一些数据及用户行为画像的分析。我认为金融实际上就是做风险的，主要分为三类：征信风险、行为风险和行业风险。而明略现在主要做的就是行为风险，已经很成熟了。包括为国内顶级银行实施的实时监控方案、银行审计部门的金融链条分析，甚至当下的金融诈骗等都可以妥善应对。以金融诈骗为例，这是一个很典型犯罪模式。犯罪分子如果骗了你的钱，他不会立刻取走，而是将其分散为数十个账户再进行转移。在这个过程中，我们会发现在整个犯罪链条中，会出现某一特定时段的特定规律，发现这个规律后，我们就可以提前将钱款冻结，避免相关部门在事后进行款项的追踪。除此之外，还可以将防范手段升级，当系统检测到某一账户存在问题的时候，让嫌疑人主动提供相关信息，并且锁定账户，更进一步的防止了诈骗行为的恶化。据明略客户案例的实际数据表示，这个方案在银行上线三个月后，成功拦截钱款300万，按年化收益计算的话，一年大概可以为银行拦截大概一千万以上的问题钱款。而产生的这些效益，都是利用大数据分析技术为行业真真正正带来的价值。

记者：黄总，您刚提到了一个数据，三个月是三百万左右，有一个问题，如果就是银行上线了你这个项目，它一年的年化率可能达到了一千万左右，对于银行来说，它在这个项目上的投入和产出是怎样的?

黄代恒：对于银行来讲，在这个项目上的投入是远远不及产出的，应该不到半年就可以全部收回。所以对于银行来讲，风控方面的内需是比较强烈的，所以推进程度也高于其他细分行业，而这也是明略进行金融细分领域选择的重要依据。

记者：除了金融，明略还聚焦工业。而工业大数据这个提法跟智能制造是息息相关的。有人说工业大数据分析是智能制造的基础，也是未来我国实现智能化的一个重要的基石。您能介绍一下工业大数据分析在中国推进智能制造的过程当中起到了怎样的作用?

黄代恒：大数据和人工智能是整个智能制造的基础，我认为稍微有点夸大，应该是重要的一部分。明略为什么要发展工业大数据?因为工业本身就是一个巨大的市场。有个著名的百分之一理论：如果上万亿的市场，你可以做到百分之一，那最终你就能得到一百万以上的市场。因为工业是一个十分广泛的领域，包括高端装备制造、航空、风力、发电、石油等，而且每时每刻都在产生巨大的数据。大家或许认为公安和金融的数据量是很大的，但实际上数据量最大的是工业。在这个领域，不管是轨道交通还是风力、发电，传感器每时每刻都在采集温度、湿度、转速等各方面的数据。原来这些数据只是作为过程中的数据被使用，但现在这些数据信息已经确确实实能够为“智造”带来一些非常实际的作用。

记者：黄总，之前在软交会的时候，听了您基于轨道交通的工业大数据分享，您能以这个轨道交通为例，跟我们详细介绍一下，如果将工业大数据分析的功能运用到交通上面，我们会具体产生哪些显性化的表现。

黄代恒：在轨交领域，实际上有很多的细分领域。但从大的层面来讲，大致分为感知和洞察两个方面。感知是可以灵敏的捕获到已经发生的事情，避免造成更大的问题;而洞察是可以发现隐藏在事件之后的东西。二者是不一样的。

先说一下感知，大家现在都已经是地铁的用户，早高峰的地铁非常挤，如果某一天大家等了半个小时，却被告知地铁故障无法按时发出，相信很多人是无法容忍的，因为这已经影响了我们的生活。但这个问题实际上是可以通过数据分析解决的，当一条地铁线的制动出现问题，可能一两站的时候影响不大，三四站的时候会有点影响，到了七八站的时候，他可能就跑不动了，这个时候影响就会很恶劣。而大数据在其中的作用是，虽然不能立刻把问题解决，但是可以在地铁刚刚出现问题的时候进行预警。因为当车上人员满载的时候，制动系统的压力是非常大的，如果出现问题，系统会提前一两站预警，让乘客下去换成另一趟列车，在空载的情况下，列车可以直接开回终点。虽然也对乘客造成了影响，但最终避免了整条线拥堵一上午的情况。在北京上海等大城市，每年发生地铁拥堵的情况都是有次数限制的，而这些情况都可以依靠感知来避免造成更坏的结果。

洞察就是发生了故障，但不清楚具体原因。传统采所取的办法是专家维修或者每天检修，以北京为例，地铁运维员工少则3000多则5000，但随着地铁线路的增加，以后可能会有上万人来做这件事，这对于国家来讲成本实在太大了。而大数据的洞察功能，可以对设备状态进行预测，使检修得以简化，系统可以对设备的健康状态进行打分，良好状态下是70分，如果出现40分，那就要进行维修，如果状态很好就不需要维修了。这样渐渐地把原来的按照计划去维修，变成按状态去维修，减轻人工成本的支出。

记者：工业大数据其实是基于大数据创新技术的应用，目前在制造业的应用成果如何?

黄代恒：工业大数据实际上是一个先导性研究，像风电、石油、轨交等行业，大概是在5、6年前就已经有很多独立的案例了。而且不光是企业还有学校，比如清华大学、国外著名学校等都做出了很多独立的案件。再如航空发展企业、最大的石油开采企业等顶级企业，享受到了数据基础带来的好处。但现在随着深度学习和开源等技术的不断改进，很多人包括供应商和企业都成为了受益者。未来，技术的更迭推进会越来越快，包括传感器技术。

所以当下我们说物联网的应用有三层：传感层、传输层、设计层，而这三层正在以永远向前的加速度发展，未来可能很多的中等企业，甚至一些小企业，也能够以一定的可负担的代价去实现对人工智能的应用。当然，类似AlphaGo可能会比较贵，训练一个可能就要上百万。所以明略现在不做强人工智能，而是做行业人工智能，期望在未来的发展中，让中型企业甚至年产值只有几千万的企业，也能够从快速实现数据对接和模型套用。而这个也是需要一个过程的，最初肯定是个别企业可以使用，然后是少量企业，最后才会惠及所有企业。

记者：黄总，您刚说到了制造业的智能化过程，之前跟一位嘉宾聊天的时候，他说智能制造的过程是分为几个阶段，先是设备的智能化，生产线的智能化，然后是车间的智能化，最后得到智能化的企业。如果应用人工智能化的方案的话，首先肯定是要进行设备的智能化，这其中的投入产出您怎么看?

黄代恒：你的观点基本是对的，我刚才说的三层要配合，如果设备不具备感知也无法上传，企业何谈数据洞察!当然，在实际操作中，设备的修改更换需要一大笔费用。所以明略一般会选择已经具备一定条件的企业，例如轨道交通。但如果汽车行业，想快速实现数据的洞察，就不那么现实，由于汽车的数据是没有回传的，所以汽车做不好了。而电车却可以，因为根据国家规定，电动车所有的数据是打包回传的，因此，汽车在实现数据洞察上就不如电车。

而感知与洞察数据的过程是相互促进的，传感器即便现阶段还比较贵，但如果我们确实可以扎扎实实的分析出结果，做一些预警和深度分析，能够帮到中小型企业的话，我想大部分企业也会同意的，不会说特别抗拒。所以这需要我们踏踏实实去将技术融入到行业，，从而推动行业发展方向，三层配合会越来越好，最终形成Dizygotic twins。一边是物理设备，一边是数字化反馈，这样一个数码的孪生兄弟就会完整的建立起来。

记者：黄总，您刚才提到中国智能制造进程的三个环节要配合发展。您认为当下的制造业推进智能制造的过程，到了哪个阶段?距离国家提出的中国制造2025战略，还剩八年的时间，我们还能做什么?

黄代恒：对，八年时间还是挺长的。很久以前就有一些孤症，国外的大公司也展开过一些先天性的研究。现在，我们国家也慢慢跟上来了，去发展市场，但是目前我们的起点并不高。估计目前市场上提供大型平台解决方案的先导企业可能还不足十分之一，而且还都是在很先进的行业，但整个过程一定是趋于稳健发展的态势。

有一句话是这样说的：对技术的学习越来越快，对行业的学习还保持不变。以明略为例，最初我们可能花了两三年的时间建立了一个坚实的国内领先的大数据解决方案;后来开始做知识图谱，这个我们可能用一年半、两年的时间就可以掌握得很不错了;随着开源的上升，到研究知识学习、自然语言解析，这个时候我们可能只要半年的时间就够了。所以我们发现知识、学习知识的速度在不断加快，在这八年的发展期间，在知识领域，我们一定是向上发展变化的。

那么在这个过程中，什么是没有变得?是对行业的学习，我们去了解这个行业，需要具备一定的素养，真的需要懂这个行业。我在接触工业领域的两年，依然感觉自己还是小学生。基本上懂这个行业的，都是一些老专家，为什么他们知识那么宝贵?他们只听声音就可以知道发动机是不是正常运作，而这种能力是在于对行业的理解。

所以我对工业企业的建议是，当下你可能认为做这个事情还不能立刻产生价值，但如果你提早开始，将来就能用更先进的手段、行业的技术去做更先进的事情。你不会直接吃第七个馒头就饱了，前面肯定是有第一个第二个的。所以目前我们还不算先进，还处于追赶阶段，比起欧美各国，不管是硬件还是软件，我们都还在加速发展，而且是以叠加的速度在加速，不是一点一点加速的，尤其在数据基础上，我们可能会实现弯道超车。

记者：明白了，黄总，那我们今天的访谈先到这里。尊敬的各位ENI会员，今天的零距离就到这里就结束了，我们下期再见。