明略数据是谁?为何能拿下腾讯在行业AI的高额投资

明略数据,究竟是一家什么样的公司?

昨天,这个低调的AI独角兽官宣了一轮已于去年完成的10亿元融资,C轮,华兴新经济基金和腾讯领投。更早之前,红杉资本中国基金是明略数据B轮的领投方。

值得注意的是,这则简短融资消息背后,也隐含着巨头们对潮水方向的判断。

Why?

有两个人最适合回答该问题。一是腾讯投资董事总经理姚磊文(Levin Yao),他是腾讯投资在AI赛道上的“捕手”,也是腾讯投资明略的直接负责人。

二是明略数据创始人及董事长吴明辉,他是明略的掌舵者,也是最先感知春江水暖的行业先锋,实际上这也是吴明辉的二次创业,在明略之前,他发起创办了营销领域声名卓著的“秒针”。

So,开门见山,围绕本次风向标式的投资,量子位请他们分享下对行业AI、未来趋势和明略发展的看法。

腾讯的逻辑

姚磊文(Levin Yao),一个逻辑清晰、言语简练的投资人。在被问到此次投资的背后逻辑时,这位腾讯投资董事总经理径直以“3个3”回答。

第一个“3”,行业趋势,姚磊文表示在AI加持下,大数据和云计算意义被重估,价值也在得到史无前例地释放。

之前马化腾有金句:在云端利用AI处理大数据。

而姚磊文则对此有更具体的解释:

首先,大数据正在给各行各业带来效率提升的机会,这是大趋势;

其次,支撑这个大趋势的核心原因,是数据的价值在云计算和AI作用下实现了价值放大,表现为线上线下数据开始有效打通,可以更加精准地识别用户需求,给用户带来更好的服务和价值;

第三,越来越多的智能传感器,又在进一步完善数据规模和维度,伴随数据联网化、分析能力等技术提升,数据价值倍数级放大。

于是在很多垂直应用场景,比如金融、工业、安防等,AI带动的数据价值提升,带来了更大的势能作用。

第二个“3”,是在趋势和时间节点踩准的前提下,AI落地的3个重要维度。

首先是选到一个有海量数据的领域切入,以明略为例,最先迈入的公安安防领域,破案和反恐,都是涉及海量、多源,且数据动态更新的领域;

其次是刚需明显。社会各界对安防领域一直都有巨大投入,不仅商业上有价值,还有积极的社会价值,是一个极富潜力的价值创造领域;

最后是固有解决方案有缺陷。传统大数据服务提供商,在现有AI解决方案上留有空间,后入的创新者机会很好。

所以从这3个维度来看,明略目前选择的公安、金融和工业,都有很明显的结构性机会。腾讯在这个方向上综合考察多家公司后,认定明略会是战略和财务上都能有优质回报的标的。

姚磊文强调说,腾讯挑选投资标的非常谨慎,原则就是:选最好的公司,给最多的支持,让它快速成为赛道领头羊。

新美大、京东、滴滴和链家等,都是腾讯投资原则下诞生的优秀成绩单。

但对于明略这样的行业AI公司,也不是不存在挑战。

依然是3点。

第一,数据本身体量大,维度多元,数据治理原本就是一个很大的工作,需要一个标准化流程,将非结构化数据变成结构化数据,这其中涉及对技术和行业的深刻理解。很多情况下,可能会面临数据很多,但不可用,数据孤岛是行业AI的瓶颈之一。

第二,当前AI技术发展尚处于初期,可以提供的价值创造有限度,无论是视觉、语音,还是自然语言理解,都还有待技术实现更大突破。

第三,AI to B,就会涉及到B端客户的认知度,特别是对于政企,需要时间和接受过程,明略等行业AI的早期投入企业,一方面有技术落地的硬性需求,另一方面也有市场教育和认知普及的潜在任务。

“挑战有,然而都能在不远将来得到解决。” 腾讯投资董事总经理姚磊文总结道。

明略的AI

OK,趋势和行业逻辑已经很明确,但明略到底做的是什么的?

不妨先看一个直观的例子。

2017年,明略正式对外发布了用于公安研判的AI人机交互产品“小明”,并正式在一些省市公安机关入职上岗。

“小明”可以干什么?

他不仅能把潜在犯罪嫌疑人的历史图谱分析清楚,而且还能结合时间、地点和其他维度,最后为公安民警提供决策参考,可以说是民警的研判助理,但又因为具备AI的学习及计算分析能力,堪比富有经验的优秀老民警,甚至可以说是民警标配的“福尔摩斯”。

这差不多就是明略业务产品的缩影。选定一个行业,找到刚需痛点,基于大数据,结合AI在感知和认知方面的能力,给出行业性解决方案。

本质上是利用AI降低成本,提高效率。

而上述举例所说的“小明”,只是明略行业AI落地的人机交互产品。“小明”背后,还有基于知识图谱数据库产品“蜂巢”,以及AI大脑“明智系统”。

△明智系统产品体系

与火热的感知AI不同,明略要落地的,叫认知AI。

这套思路,3年前从公安安防开始,现在延伸拓展到金融、工业与物联网等行业中,选知识型劳动的现实痛点切入,提供AI解决方案,并以此营收。

这还只是开始,吴明辉说:这是一个前期投入大、起初方案打磨时间长,然而一旦开始合作,增长稳定,壁垒深厚,而且AI还会随着数据增长而巩固优势。

这位明略创始人还透露,如果保持每年2-3倍的增长速度,明略在1、2年后便会是一家盈利公司。

而这还未将认知AI可能到来的技术革新计算在内。

认知AI

北大AI实验室出身的吴明辉,将AI按照“感知AI”和“认知AI”划分。感知类于人的眼、耳、口等感官,认知则更偏大脑新皮层,其中有逻辑思考、想象力、语言能力、符号处理能力。

感知+认知,构成人类完整的智慧能力。

此前,伴随深度学习带来的突破,感知AI正在前所未见地变革行业,让万物有灵。

△明略数据创始人及董事长吴明辉

现在,吴明辉认为“连接点”已经出现,感知AI和认知AI,正在寻求更全面地对接。

吴明辉说,在公安安防的AI系统打造中,感知方面的智能摄像头、视频解析,正在与认知领域的知识图谱等对接,双方正在呈现出越来越强的合作连接趋势。

但吴明辉也强调,之前相互独立发展的二者,现在所处的发展阶段也不同。

他表示现在认知AI方面的进展,尚处于方兴未艾阶段——“相当于深度学习在2011年时所处的阶段。”

对于认知AI的发展,吴明辉也给出了3点看法,指需要分3步走。

第一步,实现数据在线,即腾讯姚磊文所说的数据网联化;

第二步,基于数据在线实现分析和挖掘;

最后,形成彻底的AI业务闭环,拥有完整的行业解决方案,从最直观的感知,到后端支撑的认知,完成完整闭环方案,且有源源不断的客户价值产生。

这也是目前明略40多个项目经理分布全国各地的原因,因为行业AI落地很难“拿来即用”。

所以当我们问“行业AI落地所需”时,吴明辉给出的答案是:AI产品经理——这也是他在明略内部的自我定位。

吴明辉说,目前需要的产品经理一样的角色,把AI技术能力和客户需求梳理打磨,完成闭环的业务产品。

他解释称,这是人工智能的第一性原理

最核心的环节是形成产品闭环,而且最重要的是这个闭环并非完全机器永动循环,而是打造用户体验良好的人机交互入口,让所有的客户源源不断参与到“数据标注”、模型训练中。

秉持这样的观点,实际也跟目前认知AI所面临的技术挑战相关。

在吴明辉看来,认知AI的终局就是一个无所不会的“问答系统”。

无论用户、客户用什么样的语言、表达方式,这个问答系统都能准确理解、准确回答。

然而以一线从业者身份发言,吴明辉觉得这个终局还“路漫漫其修远兮”,因为即便明略的AI产品现在就已经在发挥作用,但核心还回答不了“why”的问题。

“你问AI,这个嫌疑犯为什么犯罪?它现在只能是懵的,不可能直接回答你。”

但AI可以做的是帮你找到犯罪相关的线索、情报,并且提供一些基于数据的分析。吴明辉认为行业AI落地可以从这样的方式打开局面,更何况这也已经是很多深具经验的老刑警才能完成的工作。

值得一提的是,这也是吴明辉认为行业AI将会带来的新常态。

AI带来的并非是工作的冲击,而是人类的进一步解放。

一方面是把人类从枯燥重复的脑力劳动中解放出来;另一方面则是做哪些人很难搞定的任务,最终让更多人投身更加有价值的工作中。

沿着这个使命,以及围绕知识型劳动的AI打造逻辑,明略还会进军更多领域,还会选择“做重模式”,派驻大量科学家、技术人员在客户现场,通过构建行业知识图谱,实现从个体赋能到全局智能的产业转型升级。

吴明辉说小目标,就是巩固明略面向AI的数据融合、治理能力在业内的江湖地位。

而为了实现这一小目标,这位明略公司“首席产品经理”,也花大量精力在人才招募和前沿技术研究,这也是吴明辉兼顾天使投资的原因之一。

我问他成为AI产品经理的建议,他笑而不语,最后半真半假地说:“这是明略数据的核心秘笈,我不能公开,但欢迎有识之士尽管来试试。”

明略数据营销副总裁透露,吴明辉从2006年正式创业,北大结缘的师兄弟们,几乎都不曾离开过。

如今,刚刚庆祝四周年生日的明略数据,已有400多位员工。


关于明略是谁,这个问题,吴明辉说, “你的价值观是什么,决定了你是谁,明略开始的第一天就是客户第一,员工第二,股东第三。”


本文来自搜狐新闻


推荐文章

        数据清洗(Data cleaning)– 对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。        数据清洗的主要包括:纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量。        一般来说在人工智能行业数据清洗主要 是 将采集过来的语音、图片、视频、文本等数据挑选出来重复的、混乱的等等一些不符合项目要求的数据并把它给过滤掉,并使剩余部分数据达到符合项目需求的数据从而减少接下来标注工作中了出现无用的标注工作量。数据清理标准模型是将数据输入到数据清理处理器,通过一系列步骤“ 清理”数据,然后以期望的格式输出清理过的数据(如上图所示)。数据清理从数据的准确性、完整性、一致性、惟一性、适时性、有效性几个方面来处理数据的丢失值、越界值、不一致代码、重复数据等问题。数据清理一般针对具体的项目,因而难以归纳统一的方法和步骤,但是根据数据不同可以给出相应的数据清理方法。1.解决不完整数据( 即值缺失)的方法大多数情况下,缺失的值必须手工填入( 即手工清理)。当然,某些缺失值可以从本数据源或其它数据源推导出来,这就可以用平均值、最大值、最小值或更为复杂的概率估计代替缺失的值,从而达到清理的目的。2.错误值的检测及解决方法用统计分析的方法识别可能的错误值或异常值,如偏差分析、识别不遵守分布或回归方程的值,也可以用简单规则库( 常识性规则、业务特定规则等)检查数据值,或使用不同属性间的约束、外部的数据来检测和清理数据。3.重复记录的检测及消除方法数据库中属性值相同的记录被认为是重复记录,通过判断记录间的属性值是否相等来检测记录是否相等,相等的记录合并为一条记录(即合并/清除)。合并/清除是消重的基本方法。4.不一致性( 数据源内部及数据源之间)的检测及解决方法从多数据源集成的数据可能有语义冲突,可定义完整性约束用于检测不一致性,也可通过分析数据发现联系,从而使得数据保持一致。目前开发的数据清理工具大致可分为三类 

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。