AI智能时代，商业的真相到底是怎样的?

本篇文章2201字，读完约6分钟

中国经济网北京6月27日电-在商业智能时代，定量决策势不可挡。如何从汹涌的人工智能泡沫中找到正确的方向？人工智能时代商业的真相是什么？

6月24日，首届深度人工智能系列论坛“人工智能大师圆桌系列”首次在北京开幕。斯坦福大学校长叶教授坐在镇，而佐治亚理工学院、明尼苏达大学、纽约大学和清华大学的年轻领导和学者们则从深层次学习中伸出援手。详细谈论空大数据分析在时间上的应用，剖析商业智能中的机器学习和深度学习，

王:“定价策略”是公司的“生命线”

山书科技首席技术官、明尼苏达大学助理教授王首先谈到了数据驱动的定价策略。他认为好的定价策略是公司的“生命线”。从更广泛的意义上说，一个好的定价策略需要在正确的时间、正确的地点、以正确的价格向正确的消费者出售正确的服务和商品。如何在价格和需求之间找到平衡，获得最大效益，要求企业充分利用数据进行智能决策。机器学习、人工智能技术和运筹学技术都是必不可少的。

不同的商业领域有许多不同的定价方案，具体的定价方案非常复杂。他将定价方案分为六类。

以标准定价为例，在山书科技与多家互联网公司的合作中，有必要刻画消费者的商品选择行为，从而利用消费者对不同商品需求的关联性，促使消费者在一次消费中购买多种商品，从而提高单次消费的单价，增加收入。因此，有必要综合考虑产销业务的需求或公司的战略需求、商品的历史销售和价格数据，以及在分析用户行为数据的基础上获得的消费关联特征，建立联合定价的商品池；在联合定价商品池的基础上，考虑友好价格、季节性、促销、替代品和互补产品的影响，构建需求函数模型，并以此需求函数的形式构建多sku联合定价方案，以实现全球销售收入最大化。产品数量达到数百万。

王博士指出:“以前，很多人认为销售量、利润和营业额可能是矛盾的指标，也可以说如果要增加销售量，就必须减少利润，但实际上情况并非如此。在这里优化组合后，我们可以发现每个sku的一些特性，并充分利用每个sku的一些特性，从而实现这些指标的整体提升。这也是我们认为这种由数据驱动的定价具有巨大潜力的原因。”

陈:机器学习应该怎样做决定

纽约大学助理教授陈介绍了尖端的机器学习应用，并回答了如何通过机器学习做出决策的问题——实际业务场景中的问题都是决策问题，好的预测并不等于好的决策。目前，人工智能在决策或逻辑推理方面相对薄弱。因此，虽然传统的机器学习发展迅速，但它迫切需要与运筹学和统计学相结合，使机器学习能够广泛应用于商业，用户生成的数据变得更有价值。

在他的演讲中，他生动地解释了多臂强盗问题(MAB):不同的老虎机有不同的收入反馈，但每次老虎机被拉，老虎机的反馈值是随机分布的。如何做出最少的尝试，并尽可能确定老虎机的总体收入反馈水平，反映了许多现实生活中的问题。多臂吃角子老虎机的Mab算法有着广泛的商业应用，例如，电子商务可以利用这种算法来认知和开发某个产品消费群体。

李健:空时报大数据分析处理复杂的业务场景

清华大学助理教授李健分享了《聚焦时代·空大数据分析》,并以5个深度学习应用实例阐述了深度学习应用的难点、重点和要点。众所周知的深度学习通常是图像识别、人脸识别、语音识别或自然语言处理。然而，将时间空大数据与深度学习结合起来并不常见。时间空大数据的特点是数据类型丰富，如gps、订单数据、天气数据、路况数据等。这不同于语音识别和图像识别，有必要将不同的定性数据结合起来进行学习和预测，以应对这一复杂业务场景带来的实际挑战。

通过对交通状况的预测，可以解决网络上车辆的供需匹配、交通部门对交通状况的辅助等问题。订单预测是在线租车车辆调度和物流网点资源匹配的必要条件。物流公司和其他相关行业的位置，无人驾驶的障碍预测等等也需要相关的帮助。时间空数据在各行各业大量产生。这些数据的合理挖掘和利用可以帮助生产者乃至整个社会提高生产效率。

蓝光辉:优化算法在机器学习和深度学习中的应用

佐治亚理工学院的终身教授兰广辉做了一次演讲，重点是(大规模)优化算法在机器学习和深度学习中的应用。近年来，机器学习和人工智能取得了突破性的发展，并被广泛应用于银行、保险、营销、通信、医疗等领域。他指出，在这些商业应用中，“除了使用机器学习进行预测，最重要的是做出决策。”建立模型和做出决策涉及优化的系统集成。无论是在机器学习过程中还是在决策过程中，都需要优化模型或算法。”系统集成优化算法，即优化求解器。问题的规模和难度越大，求解精度越高，对求解器的要求也越高。

叶:人工智能的发展趋势

斯坦福大学教授叶结合山书科技的实际案例，阐述了路径优化、库存管理和投资组合三种应用。他在1982年去了美国的斯坦福大学。他看到了今天的人工智能热潮，并有着独特的历史视角。关于人工智能的发展趋势，他提出了三点:

1.未来，数据量将呈几何级数增长，仿真规模将快速增长，因此需要超大规模的优化算法，如工业4.0的智能调度和生产，这就需要超大规模的线性非线性规划和优化算法；

2.从实用的角度来看，如何实现算法的大规模高效实现，特别是并行化和聚类，使其能够与软硬件充分结合，充分发挥其最大效率，例如，如何利用gpu实现一些复杂的二阶算法的并行操作，是当前研究的热点和难点。

3.在人工智能的应用中，我们应该考虑如何充分开发高效的算法，可以应用于特定的场景，如智能供应链、智能金融、健康管理等领域。

(编者:彭金梅)