随着AI在各行各业的落地,企业对于人工智能的价值认识也在持续深入,特别是金融、制造、零售等行业。

ElectrifAi中国区总经理、全球大数据分析副总裁、全球人工智能战略总裁孙娴告诉记者,增加营收、降低成本、控制风险是AI能够给企业带来的三大显著效果。自2004年成立以来,ElectrifAi一直专注于通过机器学习技术为金融、零售和制造业提供可落地的解决方案,打通从“数据”到“业务价值”的最后一公里。
ElectrifAi拥有超过1000个被市场充分验证过的预训练机器学习模型和AI驱动的SaaS产品,其中包括自研的一站式数据分析和建模平台Signal Hub。
加速AI落地
当前,AI落地企业并不是一帆风顺,比如企业需要花费非常长的时间才能实现从数据到商业价值的实现。ElectrifAi致力于打造实用的人工智能和机器学习的解决方案,这并不同于科研性的AI,而是需要行业专家与数据科学家一起协同创新。
孙娴表示,很多头部企业自建了AI团队,但是由于缺乏Domain knowledge(领域知识),在实现AI与业务融合方面并不是很顺利。
基于企业共通的痛点,ElectrifAi沉淀了基于SaaS服务的AI产品和算法的中台产品Signal Hub,借助预先训练好的机器学习模型的资产,可以实现快速部署,满足企业对于低风险和高回报AI应用场景的需求。“先进的人工智能和机器学习的模型算法一定要与具体的业务场景和痛点结合,才能带来实实在在的业务产出。”孙娴说。
企业对于AI给业务带来的推动作用很多时候并不明确。ElectrifAi可以帮助客户用量化的方法高投产比,降低企业的试错风险,拓展新的业务场景。
孙娴介绍说,首先通过定位客户的业务痛点,然后进行必要的数据清理和标准化。这个标准化并不是简单将数据整合到一起并进行标准化,而是融入了ElectrifAi将近20年的行业经验。“行业经验与算法模型的结合才会带来真正的价值。”
除了端到端的解决方案,ElectrifAi还提供了数字化转型的轻咨询,帮助客户实施具体可落地的业务场景。ElectrifAi并不是简单将算法模型或数据资产交给客户,而是帮助客户构建一个闭环的叠加优化实施方案,产生实实在在的业务价值。
量化AI效果
目前,ElectrifAi在金融、制造、零售等行业拥有了众多客户。
金融行业的数字化转型不断提速,同时金融行业也是一个高度合规的行业。数据平台化和科技智能化是一大趋势,ElectrifAi帮助客户打通数据孤岛,建立数据中台和360度洞察体系。基于此,ElectrifAi提供了两大核心能力——基于零售金融的风险管理和客户全生命周期管理。
ElectrifAi已经与头部金融机构打造了客户洞察平台,构建客户完整的行为轨迹,生成360度客户画像,从而定制营销策略,让企业看到AI和机器学习模型给它的业务带来的价值增长点。
“通过整个测试学习(Test & Learn)的机制,用户可以量化每一次营销活动它的投产比,同时根据客户的反馈来不断地做闭环优化迭代,优化整个营销活动的设计和发放,最后可以达到逼近最优解。”孙娴说。

制造与零售行业对于供应链管理提出了更高的要求。ElectrifAi中国区联席总经理、产品与解决方案副总裁杨海愿表示,在实现管理对象、管理工具数字化后,管理决策的数字化也成为刚需。
供应链的智能化决策体现为通过业务沉淀的数据,借助算法模型实现自主决策,从而成为智能供应链。通过AI实现精准预测、智能决策,优化供应链管理,包括库存和流通的优化。
杨海愿说,供应链和营销在零售领域越来越紧密地结合,而借助AI可以让企业的经营变得更加地自主化、精准化。“供应链很重要是节约成本,我们的模型能够将结果进行量化,帮助他们更好地决策。”
结语
在AI浪潮下,企业亟须实现数据驱动,让业务更智能,ElectrifAi提供预训练机器学习模型,让机器学习更易落地,从而推动企业业务的创新发展。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。