安防『痼疾』繁多，這家AI初創公司是如何解決並將公安破案率提升20％的

相關數據統計，目前我國在編警察數量大約是兩百萬，也就是說每700人中只有一名警察，有限的警力面對日益增長的多樣化數據尚存挑戰。

在此背景下，公安部門迫切需要AI等技術幫助分類、挖掘數據中的核心價值，支撐偵查辦案、綜合研判等業務需求。

所幸的是，大數據作為一項無形資產越來越受到重視。智能科技的廣泛應用開始影響我們的生活，這幾年，無論是BAT等互聯網等巨頭，還是明略數據等AI初創公司都以大數據為點，橫縱發展，為推動公安信息化建設扎紮實實地做著努力。

明略數據的AI商業邏輯

明略數據成立於2014年，是一家行業人工智慧解決方案提供商，主要為公共安全、金融、工業與物聯網等行業提供大數據和人工智慧的技術服務。

在以往，大數據分析關心的是過去發生的事件的現象和來源，對已知數據積累的越豐富越好、越清楚越好。因為相關企業在利用大數據解決問題時需要進行兩個步驟：

1、需要將數據按照業務邏輯梳理清楚。

2、梳理完畢後，還需要挖掘數據的深度價值。

而這裡提到的第二點其實更多的是應用AI等技術去完成，它是對未知的事物反應速度越快越好。無奈的是，之前相關技術並沒有大範圍落地，很多企業在這方面也沒有足夠的技術能力，對數據的分析大多是無用的、不準的。

而這，也許正給了這家AI初創公司一次絕佳的市場機會。

明略數據副總裁Elva Liu告訴雷鋒網，他們現在正在做的事就是利用數據為企業打造知識圖譜，然後利用AI提升業務效率。

就拿最新發布的AI產品「明智系統」來說。「明智系統」由兩大部分組成：「蜂巢」是一個「知識圖譜資料庫」，可以在散落的數據中提取有效信息的同時，從紛繁複雜的信息進行關係連接和分類，織就龐大的關係網；「小明」則是企業級人工智慧統一入口，為「明智系統」以對話形式與人類進行交互並提供業務支持，用戶可以以對話的形式向「小明」下達指令，系統通過語義分析，識別用戶指令，迅速反應提供業務決策支持。

Elva Liu透露說，目前該系統已經在石家莊應用，為公安客戶實現5-20%的破案率的提升。

技術可用性及商業落地

從這來看，明略數據就是將企業數據構建成一個知識圖譜，然後通過AI去實現人機同行，找到其中的數據價值。

這件事並不新鮮。之前就有人提到，「未來的一萬家創業公司都將會做一件事：take X；add AI。」從明略數據這裡來看，的確也是這樣。

但這裡並非貶義。正如王陽明所說，從「格物致知」到「知行合一」，其實大數據與AI並非是鴻溝分明，從跟蹤靜態的數據，到結合動態數據參與數據變化，讓機器的深度學習猶如人的理論實踐一樣根據客觀環境變化而得出不同的結論並應用周而復始達到極致而已。

識別其中優劣，只需看該基於AI的大數據公司能否在獲取實時數據的同時與目標群體產生相應的互動來驗證自己的判斷並快速實現商業價值。

在Elva Liu看來，他們可以做到。

「我們過去幾年一直在相關細分領域深耕。明略數據目前擁有近400位員工，75% 左右為技術人員；另外，目前還有數十位行業頂尖的大數據及AI專家也加入或者幫助明略數據，他們為公安、金融、工業等業務場景進行了數據治理，已經積累了幾百條業務規則，其中包括為泰康人壽實施的基於知識圖譜資料庫的壽險營銷分析平台、為某公安部門實施的基於知識圖譜的關聯關係研判實戰平台、為中國中車實施的關鍵設備狀態故障監測與自動分析等等。基於這些業務規則形成的知識圖譜，如今被用於金融、公安和工業等三大「行業大腦」，成為機器大腦中的知識庫，而自動化的知識體系通過人工智慧交互介面「小明」輸出，就能形成撬動企業知識經濟的商業模式。」

至於商業落地，Elva Liu透露說，明略數據從一開始就將自己定位為一家產品公司並在各個領域深耕。目前公司已經盈利，公共安全佔一半，金融與工業各佔四分之一；從戰略優先順序來說，三個細分行業都在齊肩發展，配合推進。

對於當初為何選擇安防為突破口並獲得公司半數營收，Elva Liu認為，這符合哲學家托馬斯·庫恩在《科學革命的結構》中的理論，很多科學革命都具備範式轉移的特點，也就是新思想的認知和老思想會很不一樣；同理，AI也是一樣，過去的AI是模仿式的，未來的AI是預知式的，前提是有足夠多的數據去支持它去預知、去創新。這個數據的多少也意味著AI能在其中走多遠，很顯然，安防領域非常符合這一特點。

安防行業「痼疾」有望破解

如果說安防領域「油多人廣」，是各大傳統公司、AI公司『進擊』的最佳選擇，但從過往效果及經驗來看，這塊蛋糕並不是那麼容易吃到。安防領域會有很多比較複雜的結構化、非結構化數據，尤其在情報系統里需要接入百億數量級的數據。

在此情形下，明略數據如何解決？

對此，Elva Liu坦言，明略數據針對公安數據治理專門開發出工具集，其中包含大量領域數據規則，能夠解決特定領域內數據的匯總、清洗、轉換和融合。

她表示，面對數據量達千億級乃至萬億級的複雜的安防場景，明略數據的治理工具和NLP處理架構都是基於分散式框架運行，就拿剛剛發布的「明智系統」為例，其實是有一系列的解決方案來處理數據量大、結構複雜的問題。

首先對於數據存儲和整體平台運行，明略有企業級大數據分析整合平台MDP，承載系統運行。具體來說，可實現數據資產管理、元數據管理、數據知識管理、數據質量管理等數據管理與數據治理功能，通過自動化、智能化的數據識別、分類、標籤技術，發現、還原、構建和管理數據的數據字典、數據特徵、數據輪廓、數據關係、業務涵義等，從而更快、更好、更直觀的理解數據本質。

接下來是數據治理組件，明智系統通過數據治理技術將多元異構數據治理成信息；通過知識工程CONA完成知識抽取、知識融合、知識推理、知識驗證、知識構建等過程，將信息轉化為特定領域的知識；再通過知識圖譜資料庫「蜂巢」完成知識表示、知識存儲、知識索引，從而構建特定行業領域的知識圖譜。

對於行業知識的存儲，「蜂巢」是明略數據首個專門為人工智慧應用服務的知識圖譜資料庫。知識圖譜資料庫是使用基於圖資料庫的混合存儲技術實現大規模知識圖譜數據存儲，是機器大腦中的知識庫、人工智慧應用的基礎設施。傳統資料庫需要有程序員或DBA背景才可使用；且數據存儲以結構化為主，有數據量限制，不易擴展；存儲數據對象或陳述性知識，搜索代碼繁瑣、仍需人工推理，知識調取效率低。而知識圖譜資料庫「蜂巢」，通過分散式知識圖譜，存儲陳述性和程序性知識，不僅存儲多元異構的大規模數據，還存儲基於數據的規則與模型，除了解決「做什麼」的問題，還能提示人類「如何做」；系統自動推理輔助分析，有效節約知識調用的時間。自然語言的語義搜索降低使用難度，即便是非計算機專業的普通用戶也能應用自如。

當數據處理之後，就是如何計算的問題，明智系統中有一個知識構建與管理平台DataInsight。通過規則和機器學習等手段，用大數據分散式挖掘技術，快速從信息中提取和構建知識，並對知識進行固化和管理，支撐各行業大腦。DI可快速應用人工智慧技術構建業務模型，並在生產中快速部署和使用；同時提供規則、模型、工具等各種知識管理與分享功能，讓知識能夠在企業內部有效的積累和使用。

最後是交互輸出，通過簡單好用的企業級人工智慧入口「小明」實現新一代的人機交互，顯著提高企業決策的精度、速度、敏捷度，降低知識勞動力成本，真正將知識有效轉化為企業競爭力。

Elva Liu表示，MDP是底層的存儲能力，DI是底層的計算能力，CONA是知識圖譜的治理，蜂巢是知識圖譜的存儲，上面是「小明」做交互和應用。

對於AI及公司未來的思考

「我們治理數據、連接數據、存儲數據這一切都是基於AI來實現的。基於此，我們就要繼續思考，AI與之前提到的信息化、自動化到底有何區別。」

在她看來，自動化時代其實是將企業和政府的管理流程電子化。比如在公安行業，之前會有傳統的筆錄管理系統、檔案管理系統、戶籍管理系統，這些都是傳統的電子化、信息化的過程；而今天我們面對的是智能化，智能化是將以前很多警察腦海里的業務邏輯系統化。

信息化對應的是互聯網時代，那時候的行業都是靠著信息的不對稱去盈利；但今天的信息已經徹底對稱了，透明度非常高，更好地盈利模式應該是靠結構化的信息去賺錢。

明略數據現在及未來要做的事情就是將數據『深度』結構化。

「這個過程實際上就是在構建行業的知識體系，很多行業知識是之前行業專家沉澱出來的，我們要利用AI將這些數據變為知識經濟，這是我們未來要堅持走的路。」Elva Liu向雷鋒網透露說，「當然，在這個行進過程中肯定會遇到技術同質化的問題，AI演算法在上個世紀就已成熟，只是缺乏足夠的數據和計算資源來支持。明略數據認為，所有的程序都離不開數據模型，AI演算法更需要基於對數據的理解。基於此，明略數據將持續理解行業業務，構建領域知識圖譜，將知識圖譜與AI演算法相結合，構建企業AI大腦，從而完成人工智慧的可複製應用。」

除了專註自身領域，明略數據未來還會往哪些行業擴疆？對此，Elva Liu也坦露心聲，「明略數據非常看好機器學習及人機交互的發展，聚類、分類、預測、維數縮減、優化等都是值得研究的方向。只要有大的數據集、好的演算法和並行分散式計算，就能取得不錯的效果。基於此，目前明略數據也正與醫療等行業深度接觸。」

小結

Elva Liu坦言，以上所談都是各個公司的發展理念、技術積累及行業布局；從宏觀視角來看，對於AI初創公司來說，目前的大環境（創業環境）已不能再好。如今人們都積極擁抱AI，很多行業也都開始大規模採用AI來節約成本。

但隨著AI業務的不斷推進，相應的各級高端人才的匱乏也初見端倪。

未來，明略數據在積極招納人才的同時還將進一步完善個人層次能力、降低明智等AI系統的複雜性和成本、完善系列產品體系架構，提升產品模塊化率和開放性，更好地與客戶並肩實踐行業人工智慧應用。雷鋒網

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！