人工智能(AI)產業是數字經濟的重要組成部分。企業在數字化轉型的早期實踐中，比較關心基礎類數據應用，比如基于查數、用數的管理支持或流程支持。

數據本身即產品，這是不少從事數字化工作者的直觀邏輯。當數據治理完成后，能夠看到這些數據并清楚地知道這些數據的真實業務含義，就已經相當不錯了。

人工智能的應用，是數字化轉型的未來趨勢。近期的大模型產業之流行，也將這個趨勢拉上了一個新的高度。

越來越多的企業開始認識到，人工智能技術正是數字化2.0的核心要義。

從數字化，到數智化，這是一個新賽道。很多傳統的軟件廠商都會面臨挑戰。傳統的SaaS邏輯，ERP邏輯，本質上是以流程為中心進行方案設計和IT實施。

而在智能化的浪潮下，無論是甲方單位還是軟件廠商，都應該關注數據本身的價值——從以流程為中心到以數據要素為中心。

數據的價值包含顯性價值和隱性價值。顯性價值，在“數據集成”和“數據貫通”完成的那一刻就已然實現了，而隱性價值則依賴于先進算法技術的加工和挖掘。

如果把數據比喻成食材。除了數據自身的質量很重要，加工數據的技術和手段同樣重要(好的廚師)。云算力的普惠化和“低代碼”的MaaS平臺，把AI的門檻逐漸降低。

當企業可以輕便地接入AI能力的同時，接下來是一件非常關鍵的步驟，即構建專門針對AI應用落地的數據治理工作——這是數據治理的新方向!

在AI數據治理活動，除了需要不斷完善基礎的數據質量提升工作，還需要構建高質量的AI數據集。

例如，基于特定的策略篩選出對模型提升有重要價值的代表性數據樣本，再或者，采用手動或半自動的方式構建符合訓練過程范式的規整化數據集。

那么問題來了，基于AI的數字化應用，一般都有哪些具體的落地思路方向呢?

其實很簡單，AI的本質，就是自動化，人工智能本身也是自動化技術的重要分支。

一是感知類應用。自動從多模態數據(圖片、文本、視頻、音頻等)中，提煉有價值的業務信息，回答what now的問題。發生了什么。

例如，文本智能分析、語音特征識別、圖像實時監控等。

二是認知類應用。利用上述信息，預測未知場景(當下不可知的場景或未來情況)，回答what future相關的問題。

例如，財務指標預測、自然災害預警、設備風險評估等。

三是決策類(生成類)應用。基于what now和what future的答案，告知人或者機器應該如何去做，回答how的問題。

例如，內容自動推薦、智能文檔生成、資源動態調度、檢修計劃制定等。

AI技術的智能屬性來自于數據資源本身蘊含的業務知識和專家經驗。

將數據要素以AI模型的方式進行構建和部署，可以快速復制業務產能，打造出高效率的知識型、智慧型組織!