人機協同，云從科技的 AI 工程學方法論 丨 AI 安防峰會

2020年9月5日，由雷鋒網 & AI 掘金志主辦的「第三屆中國人工智能安防峰會」在杭州正式召開。

本屆峰會以「洗牌結束，格局重構」為主題，會上代表未來新十年的15家企業，為現場1000余位聽眾和線上幾十萬觀眾，分享迎接安防新十年的經營理念與技術應用方法論。

在下午場的演講環節上，云從科技智慧治理行業部總經理李夏風以「人機協同平臺，助推社會治理現代化升級」為主題，分享了云從在AI中的思考與應用。

云從認為人機協同有三部分：人機交互、人機融合、人機共創。

人機協同中，各個行業的專家、以機器代表的AI知識服務和用戶，三者形成一個閉環，首先專家把知識賦能給機器，機器轉換成智能化產品并提升客戶的體驗，用戶從中反饋出個性化的需求，后續提升專家的效率并反哺到產品或服務中。

云從人機協的落地通過三部分實現：智能化終端設備收集數據，同時也是人機交互的入口，云端大腦是整個數據的匯集、分析、提煉的中樞，當數據大腦經過分析，形成相關的服務后，通過嵌入式的模塊，即AI平臺，實現人機協同在各個場景落地。

而AI訓練平臺融合數據智能標注、OCR訓練、圖像訓練、NLP訓練、視頻結構化訓練于一體，根據場景數據，生成符合行業需求的AI模型算法。云從的智能解析引擎具備軟硬解耦特性，可以適配國有自主芯片，還能實現效率和使用維度的極大地性能提升。

基于云從的數據分析引擎，提供面向數據全生命周期的分析、挖掘及應用服務，完成數據到知識的價值轉換，賦能各業務場景應用。

具體來說，匯聚感知數據，打造數據挖掘基礎，融合業務數據，靈活定制生成各類標簽，拓展業務對象，并依托認知信息，形成各類專家的決策，為決策提供有力的支撐，最后，依托可視化專家建模，固化專家經驗模型，積累與傳承業務知識。

從數據到知識是數據價值挖掘的必經之路，目前大部分數據資源沒有得到充分利用，云從的知識生產與服務平臺KaaS，通過將標簽、機器學習等知識模型化、在線化，加上AI引擎， 變數據/經驗為在線知識。

通過數據智能模型為核心的知識體系構建實現從多維數據中挖掘隱形事件背后的關聯關系及規律現象，服務于風險防控、態勢預測、行為畫像、虛擬軌跡等各類實際業務決策。

以下是李夏風演講全文，雷鋒網AI掘金志作了不改變原意的整理與編輯：

云從科技智慧治理行業部總經理李夏風

大家好，我是李夏風，我首先簡要介紹一下云從科技。

云從科技孵化自中國科學院重慶研究院，受托參與了人工智能國標、行標制定，并成為第一個同時承擔國家發改委人工智能基礎平臺、應用平臺，工信部芯片平臺等國家重大項目建設任務的人工智能科技企業。致力圍繞人們生活的每個場景，以人工智能技術與人機協同平臺為基礎，以用戶為中心，定義出場景化、行業化、個性化的智能服務。

云從先后布局智慧金融、智慧治理、智慧交通及智慧商業等四大業務領域，助推各個行業從數字化到智慧化轉型升級，每天為全球3億人次用戶帶來智慧、便捷和人性化的AI生活體驗。

在發展過程當中，云從科技也受到了各級政府的廣泛支持，就在今年，我們和廣州市政府達成了戰略合作，共建國內首個人機協同的開放平臺，為人機協同平臺城市的落地打下了非常堅實的基礎。

云從提出的人機協同與人工智能有什么關系？我們可以回顧下汽車工業發展史。18世紀汽車已經誕生，當時的汽車屬于工藝品，需要頂尖工匠手工打造。到了19世紀20年代，通過生產線可將汽車標準化、大規模生產，汽車變成了一個工業產品，規模化、效率化的提升，使得汽車走進了千家萬戶。到了現在，工業4.0時代，汽車已經可以按照每個個體需求，自由地組合生產了。

人工智能的發展路徑是否也像汽車工業一樣是漸進式、階段式發展的呢？

我們總結出人工智能“三浪”發展趨勢。前幾年驅動了人工智能第一浪，抓住AI單點技術帶來的市場機遇期布局戰略性技術，尤其是人臉識別技術，驅動了AI廣泛應用、市場快速推廣的浪潮。

在這個浪潮中，市場從剛開始的不信任，到后來的盲目信任，最后在與AI企業合作過程中發現，對于提出的需求，有些AI公司很難快速響應或者響應效果不盡人意，這時候第一波浪潮有所下跌。

如何解決這個問題？我們認為需要提出一個新概念：AI工程學。

正如汽車工業中工業化、流水線生產的理念，我們需要用AI工程學的方法解決AI生產力快速提升的目標。利用AI工程學提升10倍效率，行業化、場景化后，實現行業價值閉環，人工智能會進入第二個浪潮。隨著與更多行業與AI深入的結合，我們有理由相信會進入第三波浪潮。彼時AI廣泛存在，將以人機協同的方式嵌入到所有業務流程中，就像現在的互聯網一樣。實際上，現在沒有純粹的互聯網行業，每個行業都必須與互聯網結合。人工智能發展到一定程度也會達到這個階段。這就是我們所理解的人工智能“三浪”發展規律。

人機協同在其中處于什么位置？我們認為人機協同分三個方式：

首先，人機交互。

通過視覺、聽覺、文字感知等感知技術，以及認知、決策技術實現與AI之間的基本交互。即，AI至少能聽得懂人在說什么，看得見人在做什么。

第二，人機融合。

通過智能技術幫助行業專家總結知識，讓人工智能能夠為行業用戶提供全天候、穩定的、全面的智能服務。即，人和機器共同完成一些事情。

第三，人機共創。

人工智能與行業專家共同探索，創造出新的產品、場景與服務，實現千人前面的個性化精準服務。即，除了完成一些既定的事情外，還可以共同創造出新的東西。

在人機協同這個過程中，也有三個主要角色：各個行業和場景的專家、以機器代表的人工智能的知識服務和用戶。

首先專家把他的知識賦能給機器，機器再通過知識服務的方式，通過智能化的產品提升用戶的體驗，用戶在這個過程中也會反饋出他們的個性化需求，然后反哺到機器，機器協助專家，提升其潛能與效率。這三者之間形成的閉環，就是我們所說的人機協同的概念。

而人機協同落地，需要三樣東西，云端大腦，整個數據匯集、分析和提煉的中樞；終端設備，智能設備是搜集數據，同時也是人機交互的入口；嵌入式模塊，即AI平臺，是智能化的中樞和核心載體，數據經過云端大腦 的處理后，形成的服務通過嵌入式模塊集成到各類業務當中，從而實現人機協同在各場景落地。

通過以上架構，云從科技在智慧金融、智慧交通、智慧治理、智慧零售等領域都實現了商業落地。

國家層面的治理現代化是除了之前的“四化”以外的第五個現代化，在國家治理現代化當中，智能化是非常關鍵的一部分。治理現代化或者說治理智能化大概包含以下幾點：第一，對治理場景的智能感知。第二，對治理要素的智能認知。第三，對治理動作或者治理行為、治理工作的智能決策。

對于實現智慧治理的方式，云從科技提出了“應用牽引，雙擎驅動，平臺賦能，終端延伸”的思路。

具體環節，我們提出了智慧治理“N-N”的業務架構。第一個N指的是N類場景，包括社會治理、公共安全等，第二個N是指N類數據源，包括各種邊緣設備、智能終端、業務系統等。視頻、音頻、人車物等N類數據源將進入一個數據匯聚中心。

兩大引擎：第一大引擎，智能解析引擎，是以視圖解析為核心的解析引擎，它將非結構化數據進行結構化。第二個引擎，數據分析引擎，基于結構化數據進行處理分析，將數據變成信息。

兩項平臺：一是知識服務平臺或者知識生成平臺，叫知識及服務。這個“知識”，是“信息”經過解析和分析后形成知識，在這個平臺，面向場景，通過這些知識去提供標準化的綜合性應用，包括全息檔案、態勢預測、圖上指揮等基礎性功能?；诖?，到達第二個綜合應用平臺，真正去賦能N類的專業化場景。這是一個完整的體系。

有人可能會質疑云從科技如何有能力去實現這個藍圖。

首先，N類數據源來自云從科技廣泛的合作伙伴。云從科技雖然有硬件產品，也具備硬件生產的能力，但我們只在一些小場景、專業化場景中提供少量設備，云從不是一個專業的、面向廣泛場景的硬件設備公司。正因為如此，我們具有開放的心態和生態，實現數據的匯聚。

另外，云從具備打造雙引擎和知識服務平臺、應用平臺的AI能力。第三，云從科技提出的人機協同理論中，核心是對人、對行業的敬畏，所以云從從戰略到體系，都結合專家，深入到各個業務環節，深刻地理解業務。

接下來，我介紹一下具體的板塊。

智能解析引擎。早期大家說的人工智能主要是人臉識別或者泛人臉識別，隨著技術演進，解析內容不斷增長，從人臉走向了人體，走向了車輛，也走向了文字和語言，AI的需求和場景極其多，不管我們可以走向多少內容，不可能窮盡，所以就需要開放的訓練平臺，針對長尾算法進行快速地生產。

視圖全結構化解析，在各類人車監控場景下，全結構化引擎是對視頻或圖片中的人臉、人體、機動車、非機動車以及人體行為進行目標抓拍、識別、屬性分析、實時聚類和分析檢索的智能視頻分析引擎。

其中行為識別是當前的技術熱點，在某些場景實現了落地應用，但我認為還遠未達到大面積推廣的階段，所以這是我們當前重點研發的課題。

從解析的效率和底層貫通角度看，多家算法對大量人車的關聯、人和非機動車的關聯以及行為識別等效率和數據利用上影響非常大，無法實現底層貫通，所以以上所有引擎的結構化算法都由云從提供。

OCR場景及產品種類。從卡證和票據的OCR到通用類型的OCR，到自然場景的文字識別，云從都已經有相應的產品落地。比如，在海關，云從識別船舶的集裝箱。

云從也做語音識別，因為我們人機協同的戰略中，人機交互是非常重要的一部分，而人機交互離不開語音，所以我們在語音上落地效果也非常好。只有語音遠遠不夠，還需要自然語言理解（NLP），如此，才能真正實現這些業務。

語音也好，NLP也好，都是面向場景形成專業化應用，而不是面向通用通常，這與其他友商不同。

AI訓練平臺。剛才提到，我們不可能窮盡所有的算法，所以我們必須要提供一個可再生產的平臺，于是AI訓練平臺誕生了，它可以實現快速的場景適配，快速的模型生成和便捷的部署，包括模型效果的評價。云從AI落地的行業中，很多是2G或者2B，他們都有自己獨立的網絡和安全策略，所以我們需要通過AI訓練平臺，盤活客戶的數據活。

現在我做一個總結。

智能解析引擎有四大特點。

首先，軟硬解耦，云從自主解析算法支持軟硬資源解耦，可以與各類解析中心硬件資源進行適配；其次，云從解析算法可以適配國產化芯片，同時，在底層實現解析算法相互融合，實現效率和使用維度的極大的性能提升。當然，模型訓練平臺融合智能算法訓練于一體，可以根據場景數據生產符合行業需求的模型算法，它是一個自我進化的算法。

數據分析引擎。云從基于此引擎，建設了數據全生命周期的接入、分析、治理、挖掘、認知與決策的體系。其中包括數據治理模塊、標簽工廠、數據資產、數據可視化等，這些模塊把數據變成信息，再通過專家的可視化建模，并利用平臺自動的生成，快速響應業務的需求，從而構建自己的業務模型。

機器學習訓練推理引擎，能夠基于歷史數據，找尋規律，通過挖掘，生產出判斷模型。知識圖譜，實現關系的廣泛連接和挖掘。

決策引擎，把基于專家的建模，把基于機器學習的模型，基于關系知識圖譜的推理等進行一個綜合的決策編排。

數據分析引擎的特點。匯聚感知數據，打造數據挖掘基礎；融合業務數據，靈活定制生成各類標簽，拓展業務對象；依托認知信息，形成各類專家的決策，為決策提供有力的支撐。最后，我們也可以依托可視化專家建模、固化經驗模型，積累與傳承業務知識。

知識生產與服務平臺KaaS。

這是一個變數據/經驗為在線知識的平臺。從數據到知識，是數據價值挖掘的必經之路，目前大部分數據資源還沒有得到充分利用。

云從定義的知識是廣義的，包含數據，描述事實的內容，如人口信息、快遞信息等；標簽，數據的進一步加工，如高齡老人、購物達人等；知識圖譜，進一步把數據加工，存入圖數據庫，形成關系網絡；機器學習模型，通過歷史數據沉淀和數據挖掘算法，建立趨勢預測、人群分類模型；決策模型，用來提供某種場景下的業務規則，如城市應用響應等；專家模型，用來從海量數據中發現需要的數據，建立數字人像檔案等。

將以上這些知識模型化、在線化，加上AI引擎（感知處理能力），就能提供智能服務，賦能應用智能化升級。

有了知識體系后，我們就能快速地支撐決策，當然，決策很多時候是沉淀在業務系統當中，我們可以快速地通過知識體系模式和強大的智能化手段賦能這些業務系統。

舉一個例子，這是我們在某個市級單位的應用，我們拉通了覆蓋幾十個機關，十個區和四個開發區的幾千個系統，其中有幾萬個數據項，形成了專業的數據集，把其中的對象、行為、標簽進行提煉，通過云從的算法、規則引擎模型的訓練、圖譜的構建對知識進行加工，最后形成了面向以“人、事、地、物、組、網”為核心要素的治理知識體系?；谶@個知識體系構建了一系列的大數據智能模型，最終實現決策支持、風險防控、治安防控、執法辦案、公共服務、市域治理等幾大場景的應用，這是一個真實的案例。

最后，在這里我們希望和更多的業內同仁們一起，基于人機協同平臺，以業務專家的向導為指引，以核心技術引擎為驅動，以大數據燃料為支撐，實現社會治理智能化。雷鋒網雷鋒網雷鋒網

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。