華為首發全生命周期知識計算解決方案讓鋼企一年省2000萬合金成分預測精準度超95

原創 徐丹 機器之心

機器之心原創

作者：徐丹

AI 如何才能參與到企業生產系統，發揮更大價值？華為全聯接 2020 給出瞭答案。

「AI 隻有進入企業核心生產系統才能真正創造價值。」

去年開始，AI 行業投資就有遇冷的趨勢，越來越多的觀點認為，並不是「AI 涼瞭」，而是「AI 行業」其實是一個偽概念，AI 未來的發展趨勢一定是「行業 + AI」，隻有進入行業中推動行業變革，AI 才能發揮自身價值。

根據預測，到 2025 年，全球 AI 空間市場將達到 3800 億美金，其中 90% 將來自於企業市場。

趨勢大傢都能看到，但問題就在於 AI 要如何與行業融合。

目前國內對 AI 的研究大多集中在芯片、算法等底層技術或者自動駕駛等頂層應用上。這樣的行業 + AI 其實是非常淺層的，撥開不明覺厲的技術外表，在落地場景上可能隻是人臉識別、語音 / 視頻識別、智能推薦、人機對話等。

對鋼鐵、醫療、汽車等復雜行業而言，簡單應用 AI 技術隻能解決一些邊緣的微痛點。真正賦能企業就必須融合行業知識，進入生產系統解決更關鍵的問題。

這對人工智能也提出瞭更高的要求。中國科學院院士張鈸在今年的世界人工智能大會上提到，深度學習面臨著許多瓶頸，我們即將要進入「第三代人工智能」時代。

第二代人工智能主要以神經網絡和深度學習為基礎，但它是一種通用工具，不需要領域知識，使用的技術門檻較低，並且在理解環境、AI 安全和推理決策方面會出現不安全、不可靠、不可解釋的情況。

正在到來的第三代人工智能目標就是完全解決計算機的智能性，讓計算機擁有大規模、高質量的形式化知識。

但在知識應用階段，國內市場仍然還是起步階段。

張鈸院士指出，在人工智能頂級國際會議 IJCAI 上，關於深度學習的論文隻占全部論文的 1/3，其中 60% 的論文來自中國；而另外 2/ 3 的關於知識表示、知識推理等的論文中，則幾乎沒有來自中國的論文。業界致力於知識計算的公司也是寥寥無幾。

但華為雲提前邁出瞭關鍵一步，2018 年就提出瞭行業 AI 的落地理念，致力於企業知識圖譜和知識計算平臺的構建。

9 月 24 日第五屆 HUAWEI CONNECT，華為雲發佈瞭基於 AI 開發平臺 ModeArts 打造的全生命周期知識計算解決方案，賦能企業打造企業級知識計算平臺，推動瞭 AI 進入企業核心業務系統。

一、「行業 + AI」之痛：AI 如何學習行業知識？

華為認為，很多傳統企業在知識利用方面都存在一定的問題。

大多數企業的核心的經驗方法分佈零散，會存在於歷史性的總結文檔，甚至是熟練員工和專傢的腦袋中。這會讓企業發展受限於核心員工水平，知識也很難傳承。分散的數據很難融會貫通或參與計算，相當於「行業死數據」。

另外原有行業知識應用也存在一定的瓶頸。一些企業生產需要機理模型，即根據對象、生產過程的內部機制或者物質流的傳遞機理建立起來的精確數學模型。但對於很多對象和過程人們很難寫出其數學表達式，導致機理模型無法考慮到現實中的所有場景，實際應用需要簡化。

簡化後的機理模型對現實流程控制或質量控制都無法達到最佳狀態，這也是為何一些行業生產的控制精度達到一定水平後就很難再提升，即便隻上漲一個百分點也都要投入大量的人力、物力。

知識圖譜是行業知識應用的主要技術方案，其本質是一種語義網絡，因為表達能力強，能同時兼顧人類認知與機器自動處理，在業界產生瞭廣泛關註。

不過當前業界提供的知識化解決方案大多還是靠人工構建知識圖譜和知識模型，這會涉及到很多問題，比如人力成本高、領域遷移困難、不能動態更新等。如何把行業中大量的非結構化數據進行結構化、知識化是業界普遍存在的困難。

但全面調動行業知識僅靠知識圖譜並不夠，還要面臨著數據整理、數據存儲等多方面的問題。

結構化後的數據普遍量級非常大，如何高效存儲和查詢是亟需解決的問題。業界普遍采用第三方或開源圖數據庫完成知識圖譜的存儲和查詢，這其中也會存在一些難題，如無法完成端到端優化，存取查詢效率低，資源開銷大等等。

此外，企業數據普遍是動態變化的，實踐過程中會不斷產生新的知識和經驗，如何將這些新的知識自動結構化、知識化，沉淀到平臺中，完成知識的增量持續更新也是難點之一。

針對這些痛點，華為雲知識計算解決方案可為客戶提供一站式全流程全周期的知識計算服務，提供從知識獲取到知識自動化流水線建模、管理及應用等能力。

二、從獲取到應用，AI 打通「行業知識應用」經脈

具體而言，華為雲知識計算解決方案結合瞭自然語言處理、深度學習、遷移學習、知識圖譜、聯邦學習等 AI 技術，可提供模塊化、全生命周期知識計算服務。

包括知識獲取、知識建模、知識管理、知識應用四個環節。

知識獲取：華為雲利用多模態知識抽取技術對多源異構數據（包括結構化、半結構化、非結構化數據文本，語音視頻圖像等多模態數據）進行快捷便利的知識抽取與處理。同時，為瞭減少模型對訓練樣本的依賴，減少人工標註工作量，華為雲小樣本學習技術能在少量訓練樣本情況下，生成模型效果接近業界最好水平，減少 60% 以上的人工。

在知識抽取技術方面，華為集成瞭業界領先的自然語言處理技術，包括實體鏈接算法、基於領域知識圖譜的情感分析和觀點提取、基於領域知識圖譜的文本自動生成 (Data2Text) 能力等，在業界有突破性的意義。

知識建模：使用領域前沿算法模型，探索知識圖譜流程中知識獲取、知識建模、知識融合以及知識推理的統一化構建算法。可為企業提供流水線式自動化構建知識圖譜的能力，使得圖譜構建時間由數星期縮短到數分鐘；同時可以實現知識圖譜的自動更新。

知識管理：華為雲圖引擎服務（GES）能夠支持百億節點千億邊規模的數據進行查詢與分析，並可以存儲從大規模異構數據中抽取的知識圖譜，提供高並發、秒級多跳的實時查詢能力。

知識應用：提供知識搜索、可視化分析、知識推薦等基礎能力，以及智能對話、預測分析、知識推理等高級能力，匹配企業多樣化的應用需求。

三、進入生產系統，打造「有用的 AI」

依靠全流程的知識吸收與管理，AI 可以進入企業核心系統解決業務問題。

在鋼鐵行業，以華新不銹鋼應用實踐為例，特種鋼煉制需要精確配置各種配料，稍有差錯就會對成本和質量產生很大影響。

傳統特種鋼原料配置大多依靠專傢和熟練員工經驗。一方面耗時長，需要反復多次調整配比才能實現最優；另一方面由於原料不同批次成分含量不同，每次配置的水平不一，無法每次都生產出達到最優狀態的特種鋼。

華為雲知識計算解決方案可以幫助合金配料工程師進行優化決策，找到符合鋼水質量和經濟效益的最優合金配料比例。它會吸取一年以上的配料數據、行業模型、專傢知識等數據，綜合起來作為算法訓練的輸入，構建標準化的配置模型。

以往人工配料合金成分預測精準度在 80% 波動，而 AI 模型合金成分預測準確率可達 95% 以上，由於合金配料節省每噸特種鋼可降低成本 100 元，每年節省成本 2000 萬元。

在醫療行業，食道癌一直是我國最為高發的惡性腫瘤之一，病人五年生存率僅 15%，如果能夠早期診斷並進行手術，患者術後五年生存率可以提高到 84.1%。

華為雲與中科院北京基因組所團隊合作，通過知識計算，將 DNA 羥甲基數據和經過大量研究實驗積累的基因知識圖譜進行整合計算，更加準確地識別出血液中的關鍵生物標記物，將早期診斷的準確性提升瞭 9 個百分點，有助於對食道癌患者的早診斷早治療，挽救患者生命。

在汽車行業，中國第一汽車集團有限公司（以下簡稱「中國一汽」）應用華為雲知識計算解決方案構建的一汽知識計算平臺，基於業務場景，將知識便捷地、以數字化的方式呈現在眼前，快速提升員工能力。

據介紹，今年中國一汽聯合華為雲專傢，設計瞭一款「維修智庫」手機應用，用於解決車輛維修過程中，技師經驗不足、故障分析效率低、維修周期長、用戶體驗差等問題。使用這個 APP，維修技師通過語音交互描述故障現象，系統即可智能推薦故障原因和維修方案、查看相關零件的拆裝圖紙等關鍵信息。

這個應用上線後，一汽紅旗某 4S 店的一次性修復率提升瞭 4%，用戶維修等待時間平均下降瞭 23%，提升瞭用戶體驗；同時，廠傢支持的介入率降低瞭 30%，技師的培養周期縮短瞭 30%，降本增效成果顯著。

下一步，中國一汽計劃面向汽車產業全價值鏈業務，持續不斷地豐富知識計算平臺的應用場景和功能，比如預測汽車零件故障，改善備件保障體系，產品的設計、生產和銷售環節等等。

除以上三個例子外，華為雲知識計算服務還已經在包括石油、化纖、煤焦化、鋼鐵等行業落地，賦能企業構建知識計算平臺，運用於研發、生產、運營、銷售、售後服務等企業核心流程。

「知識計算是具有劃時代意義的。」華為雲 AI 專傢表示。當 AI 與行業知識結合後，真正屬於「行業 + AI」的時代才會來臨。

本文為機器之心原創，轉載請聯系本公眾號獲得授權。

✄------------------------------------------------

加入機器之心（全職記者 / 實習生）：[email protected]

投稿或尋求報道：[email protected]

原標題：《華為首發全生命周期知識計算解決方案，讓鋼企一年省2000萬，合金成分預測精準度超 95%》