中國建設銀行pos機api

網上有很多關于中國建設銀行pos機api,中國認知智能行業報告的知識，也有很多人為大家解答關于中國建設銀行pos機api的問題，今天pos機之家(www.www690aa.com)為大家整理了關于這方面的知識，讓我們一起來看下吧!

本文目錄一覽：

1、中國建設銀行pos機api

中國建設銀行pos機api

報告指導人

張 揚 愛分析 聯合創始人&首席分析師

李 喆 愛分析 合伙人&首席分析師

報告執筆人

姜凱燕 愛分析 分析師

特別鳴謝

目錄

一. 認知智能行業概覽

二. 認知智能的落地條件及挑戰

三. 認知智能的市場空間分析

四. 認知智能的重要場景應用分析

五. 認知智能的未來趨勢

六. 認知智能廠商競爭分析及典型廠商介紹

關于愛分析

法律聲明

1.1 AI行業圖譜及認知智能定位

人工智能（AI）是研究、開發用于模擬、延伸和擴展人智能的理論、方法、技術及應用系統的一門新技術科學。人工智能領域的研究包括機器人、機器學習、圖像識別、NLP和專家系統等。

人類基于視覺、觸覺、聽覺等具備對環境的感知，基于知識庫和邏輯理解形成對世界的認知，并在此基礎上展開相應的行動。人工智能對人的模擬也分為感知智能、認知智能 、以及行動智能三個層面，也是人工智能行業發展的三個階段 。

人工智能對人智能模擬的實現，建立在數據、知識及其算法之上，因此數據是人工智能領域最重要的生產資料。從感知、認知到行動的三大發展階段，也代表了數據處理的流程和深度。

感知智能主要是數據識別，只需要完成對大規模數據的采集，以及對圖像、視頻、聲音等類型的數據進行特征抽取，完成結構化處理。

認知智能則需要在數據結構化處理的基礎上，理解數據之間的關系和邏輯，并在理解的基礎上進行分析和決策，即認知智能包括理解、分析、決策三個環節。

行動智能是在認知智能基礎之上的執行，主要是人機協同。人機協同是在復雜的環境下，以知識（比如知識圖譜）為支撐，進行數據推理，合理調度資源，使人類智能、人工智能和組織智能有效結合，打通感知、認知和行動的智能系統。

比如在公安場景下，知識圖譜有16億實體，數據比較全，是人工智能展現能力的絕佳場景。在做人物關系的二度或三度搜索時，其搜索復雜度與數據量是指數級關系，如果單純靠機器來做，5個禮拜或者5個小時以后，才能做出空間的全景搜索，耗時相當長；如果人機協同，結合人類經驗和洞察，看到哪一個點有線索就瞄準這一個方向調查，判斷可能存在線索和可疑之處，進行深入探查，就能快速得出結論，高效解決問題。

1.1.1 感知智能—基于數據識別的場景應用

感知智能是指將物理世界的數據通過攝像頭、麥克風或者其他傳感器等方式進行采集，借助語音識別、圖像識別等技術，映射到數字世界，并做標準化、結構化處理，一方面實現在特定場景的應用落地；另一方面可將數據提升至可認知的層次，即將信息翻譯成及人類可理解、并用于分析和決策的數據，為認知智能提供數據基礎。

在感知智能階段，人工智能的核心價值在于進行數據的采集和處理，主要是圖像、語音、和文字的識別，分別對應計算機視覺、智能語音和NLP三大技術。

計算機視覺主要實現產業應用中對圖像或者視頻內物體/場景識別、分類、定位、檢測、圖像分割等功能的需求，目前已被廣泛應用于視頻監控、自動駕駛、車輛/人臉識別、醫學影像分析、機器人自主導航、工業自動化系統、航空以及遙感器測量等領域。

智能語音技術主要是指語音識別與合成、語音增強、聲紋識別等，人機語音交互和語音控制中的主要部分是NLP中的人機對話部分。當前已廣泛應用于智能音箱、語音助手等領域。2018年第一季度，谷歌和亞馬遜的智能音箱出貨量分別為320萬臺、和250萬臺，根據清華大學中國科技政策研究中心發布的《中國人工智能發展報告2018》，近幾年智能音箱的年復合增長率超過30%。

感知智能階段的NLP，主要是進行文本結構識別、關鍵詞匹配等，完成文本識別類任務并給出反饋，屬于NLP技術的初級應用。比如在檢索中提取關鍵字并按照相關度為用戶呈現檢索結果，此時的機器并無法理解詞語、以及句子所表達的意思。

而更高級階段的NLP則能夠基于詞性標注、實體命名識別、關系抽取等功能，從各類數據源中提取特定類型的信息，將非結構化文本轉化成結構化的文本，再通過語義分析掌握用戶需求，并基于與知識圖譜的融合，最終為用戶提供分析決策。

比如檢索“周杰倫的雙截棍”，基于知識圖譜的搜索引擎，背后有知識庫支撐，能夠自動將周杰倫識別為人名，將雙截棍識別為歌名，我們就能理解用戶的搜索意圖是—歌手周杰倫的歌曲《雙截棍》。

不管是從感知智能技術發展，還是行業應用普及來看，人工智能的第一階段——感知智能已經到了行業發展成熟期。

斯坦福百年研究（AI 100）發布的全球“2018年人工智能指數”（AI Index）報告指出，計算機視覺領域的人工智能性能正在不斷提升。

比如，通過測試廣泛使用的圖像訓練庫ImageNet的基準性能，啟動按照最新精度對圖片進行分類的模型的時間，已經從1小時下降至4分鐘，意味著訓練速度提升約15倍。MIT媒體實驗室的數據也顯示，在真笑和假笑的表情識別測試中，當前最優算法的成功率達到93%，表現大幅度優于人類。

在智能語音方面，百度、科大訊飛、搜狗等主流平臺識別準確率均在97%以上。科大訊飛擁有深度全序列卷積神經網絡語音識別框架，實驗條件下語音輸入法的識別準確率達到了 98%；阿里巴巴人工智能實驗室通過語音識別技術開發了聲紋購物功能的 人工智能產品。

感知智能的發展主要得益于計算機視覺和智能語音技術的滲透，以及硬件的進步，當前，感知智能應用已經在各行各業開始普及，實現多場景落地。

在各個場景應用中，智能安防是感知智能最大的場景應用，誕生了商湯、曠世、依圖、云從等獨角獸級別企業，此外，華為、?？低暤绕髽I也在智能安防領域布局。

安防主要是基于對大量圖像、視頻數據的標注，訓練出能夠識行人、車輛、建筑等的模型，應用于治安防控領域，包含警用和民用兩個方向。其中警用主要是實時分析圖像和視頻，及時從海量的視頻端識別人員、車輛信息、或者直接追蹤犯罪嫌疑人，極大的提升案件偵查、抓捕等工作的效率。民用領域主要是人臉門禁打卡、機場安檢、發現盜竊等場景。

感知智能進入行業成熟期的另一個重要標志是，已經開始在工業、農業等傳統領域滲透。

浙江正泰新能源是國內規模最大的民營光伏發電企業，企業在生產電池片過程中都是通過肉眼做產品質檢，成本高、效率低。有了以計算機視覺為主的感知智能滲透，質檢檢出率和效率得以雙雙提升。

通過阿里云AI圖像技術，企業可以通過深度學習與圖像處理技術進行自動產品缺陷判定，令碎片率（瑕疵品）下降50%。而且，從圖像拍攝到數據接收、處理，到數據上傳MES系統做缺陷判定，再到MES系統下達指令給機械手臂抓取缺陷產品，整個過程無需人工干預，且耗時不到一秒，僅為原先的一半。

1.1.2 認知智能—基于行業知識圖譜的深度應用

由于不同領域、不同場景應用的識別技術相差無幾，因此感知智能階段，可以提供各行業通用的識別解決方案。而認知智能則更注重與行業知識的融合，在各行各業的落地應用中需要有更細分的解決方案積累。

感知智能不具備理解和推理能力，從特征抽取和不斷的學習訓練中完成識別任務，機器解決的多是人類能夠解決的模式識別類的問題，重在提升效率。

認知智能是感知智能的進階，需要在感知智能的基礎上，結合行業知識，理解數據之間的邏輯關系以及代表的業務意義，并在此基礎上進行分析和決策。

在認知智能階段，機器能夠通過知識圖譜挖掘隱性關系，洞察“肉眼”無法發現的關系和邏輯，用于最終的業務決策，注重行業知識圖譜和關系挖掘，是AI在行業中更深層次的落地應用。

從數據處理流程和應用環節來看，認知智能可以分為連接、分析和決策三大環節。

連接環節完成業務數字化、以及數據結構化，即基于業務需要，將業務流程全部在線化、數字化，并加入行業知識和場景知識，完成實體、屬性、以及實體之間的關系梳理，將不同數據進行分類、統一和結構化，構建知識庫。

在人工智能第一階段——感知智能的發展中，計算機視覺和智能語音是核心驅動技術，NLP則是小何才露尖尖角，完成觸及的文本類數據標注和識別；當人工智能進入認知智能階段的發展，NLP和知識圖譜開始深度結合，在數據處理層面，其價值是將海量的、非結構化的、異構數據，轉換為機器能夠更好理解的數據，成為行業應用落地的技術支撐。

比如，在公安領域，連接打通跨警鐘數據，可以建立基于知識圖譜的一體化指揮作戰平臺，提升預警研判的準確度以及犯罪嫌疑人抓捕等行動效率。

其中，真正的“數據打通”并不是簡單的系統連接和數據對接、查詢等簡單應用，而是實現“數據為元、全息獲取”的公安大數據庫，建立“人、事、地、物、組織”等動態信息數字化，并分別對應到受害人、犯罪嫌疑人、作案工具、作案規模等維度，確定數據屬性及其相互之間的基礎關系，構建公安數據知識庫，實現業務數字化、數據結構化。

分析環節主要是根據提供的數據，基于行業知識圖譜尋找到合適的結果，發現各種潛在的、隱性關系。

明略科技基于某全國股份制銀行全行近十年全量數據構建成“企業、個人、機構、賬戶、交易以及行為數據”規模達十億點百億邊的知識圖譜數據庫。通過采用復雜網絡、圖計算等知識圖譜技術，實現海量數據和非結構化數據的分析和探索，加強對業務開展過程中的遠程風險管控能力，深入挖掘只靠人力所不能發現的問題，加強業務過程中的操作風險、員工道德風險管理，提升銀行整體風控能力和風控效率。

比如，基于生成的客戶關系網絡圖譜，可完整展現對公客戶“個人-企業-個人”的復雜關系，構建復雜的資金流轉全貌，通過圖挖掘技術，挖掘復雜的隱形關系和利益共同體，實現無死角的資金監控管理。

決策環節，主要是基于沉淀的行業Know-how和業務經驗，形成解決方案，從而為客戶解決具體問題提供輔助建議以及依據。

1.1.3 認知智能—基于知識圖譜的隱性關系挖掘和推理

從實際行業落地層面來看，認知智能與感知智能最大的區別有兩點。一是認知智能能夠基于行業知識圖譜，挖掘僅靠識別功能難以完成的隱性關系；另一方面，認知智能不僅能“知其然”，還能“知其所以然”，即具備推理功能。

這兩點的核心支撐都是知識圖譜。

比如，AI輔助診斷一般的模式為“理解病癥—評定醫學證據—選擇治療方案”三個步驟，分別對應認知智能連接、分析、決策三個環節。醫學知識圖譜是AI輔助診斷的基礎支撐。

第一步，病癥的獲取包括患者自 述、醫生檢查、化驗結果分析等，系統會提取其中關鍵的特征并結合患者的歷史健康信息，通過NLP讀取病歷。

第二步，AI基于已有醫學知識圖譜分析患者病情，除了對病歷上已有癥狀的分析，也注重可能的并發癥等隱性關系的排查。要求患者或醫生提供某方面的病癥補充，或提示需做的檢查、鑒別要點。

第三步，AI 結合從文獻、診療標準、臨床指南和臨床經驗等數據積累中學習的知識，通過知識圖譜和推理假設將獲取的病癥信息聯系起來，形成可能的結論、置信度及證據，并生成診斷結論和治療方案建議。

最終，醫生在權衡療效、副作用、疾病轉移及其他因素之后，給出診斷。

作為感知智能的進階版，伴隨認知智能而來的，是更高的技術要求、更廣闊的市場前景、以及更高的行業進入壁壘。

這對提供認知智能解決方案的廠商提出了兩個方面的要求。一是深耕細作，注重行業知識圖譜的打磨和積累；二是將垂直行業業務經驗，沉淀到平臺，并轉化為知識，服務于業務決策。

1.2 AI行業趨勢—從感知智能到認知智能

當前，隨著人工智能在安防、智能音箱等領域的大規模應用落地，整個人工智能行業已經走過感知智能階段，進入認知智能時代。

體現在兩個方面，一是人工智能行業的基礎設施——數據的標準化，已經趨于成熟；二是行業實際需求的牽引，行業亟需機器基于行業Know-how、業務經驗沉淀提供決策支持類應用。

在感知智能階段，智能語音和計算機視覺技術的成熟，以及NLP技術在文本識別等場景的大規模應用，使得大量的多源異構、非結構化數據，成為可應用于知識庫和知識圖譜構建的標準化、結構化數據，完善了認知智能發展的基礎設施。

比如，感知智能相關的機器視覺、語音識別、NLP領域，已有大量的通用數據庫，應用于視覺、語音、文本等各類數據的識別訓練。

感知智能在識別領域的行業應用也早已普及，比如語音識別、通用物體識別、人臉識別、目標跟蹤、姿態識別等。人工智能的下一場，將進入認知智能的戰場。

從行業應用角度來看，在感知智能解決數據采集和識別問題的基礎上，各行各業的業務部門開始對認知智能帶來的低運營成本（比如更高效節省時間成本、或者是直接的人力替代）、以及知識圖譜驅動的業務決策有了越來越明確的訴求。

以認知智能滲透較為領先的金融行業為例，當前金融行業面臨運營成本高，客戶服務壓力大；產品服務單一，無法很好的覆蓋長尾客戶；交易欺詐風險高等實際業務問題，這些都無法通過感知智能技術解決，而知識圖譜驅動的認知智能則能提供相應的解決方案。

基于語義理解的智能客服能夠與客戶就簡單問題進行人機交互，降低金融機構客戶服務的成本，而且效率和客戶體驗都能大大提升。人工客服培訓成本高、服務效果難以統一、而且流動性很大。智能客服能夠依靠知識圖譜回答簡答的、重復性的問題，減少人工客服使用，提升銀行等金融機構客服效率及效果。不僅僅是金融領域，全行業來看，根據德勤的數據，當前客服機器人已替代40%-50%的人工客服工作，預計到2020年，85%的客服工作將依靠人工智能完成。

在理財高端市場，理財規劃師能夠提供專屬服務，但在中產之下的長尾市場，付費能力有限，單靠理財師也很難覆蓋大眾的個性化需求。利用大數據、人工智能技術開發的智能投顧，能夠向更多客戶提供個性服務，助力零售銀行低成本覆蓋廣大長尾市場。比如，招商銀行推出的“摩羯智投”可提供投資理財咨詢，2016年戶均購買金額為3.69 萬元，機器在理財師很難覆蓋的領域大顯身手。

相比于人工信貸審核，人工智能不僅效率高，更重要的是能夠進行更多維度的關聯數據分析，將知識圖譜應用于風控環節。例如螞蟻金服推出的“蟻盾”、“芝麻信用”，網易金融推出的風控系統“北斗”，相比于比傳統銀行，這類解決方案能夠基于更多維度的用戶數據（知識圖譜可以關聯到用戶職業、行為、社交等各類數據），開展更高效的信貸業務，同時也能降低交易欺詐等信貸風險。

在公安領域，行業應用也已經從最初的人臉識別、車輛識別等感知層應用，向情報研判等認知智能應用發展。

近些年公安大數據建設、各垂直系統的縱向業務拉通，各單位橫向數據的融合和分層解耦奠定了公安業務數據規范化、標準化的基礎，同時感知智能的快速發展，基于人臉特征的聚類、分類，一人一檔、一車一檔，視圖庫的建設，圖像不僅能辨認人，更能連接人、管理人。視頻網和公安信息網的內容融合趨勢愈發強烈，構建全域感知圖譜，并在此基礎上構建公安知識圖譜，驅動更多上層應用的時機日益成熟。

在這樣大背景下，明略科技將海量感知數據納入知識構建與積累，打造了認知力更強、時效性更快、更具行動力的全域知識圖譜，讓機器更好的進行推理與規劃，從而從平臺服務、數據服務到應用服務構建了由感知到認知再到行動的完整閉環，形成了基于AI技術的警務支撐體系和安全保障體系，目前已經廣泛應用于專業研判、情指一體化、社區治安防控等場景中。

1.3 認知智能技術演進

知識圖譜和NLP是認知智能兩大關鍵性技術，兩者在認知智能中的融合日漸緊密。

知識圖譜既是一種語義網絡，是認知智能中知識表示的最重要方式；同時也是一種技術體系，完成知識推理，實現對人類認知活動的模擬，其發展經歷了三大階段。

第一階段（1955年—1977年），是知識圖譜起源階段，最先是從科學文獻索引應用中衍生出知識圖譜的概念。

第二階段（1977年-2012年），是知識圖譜發展階段，知識圖譜的前身——基于規則的專家系統登臺亮相；知識表示、知識組織等知識圖譜的關鍵技術開始發展；知識本體、知識推理等知識圖譜關鍵要素開始大規模普及。

第三階段（2012-至今），是知識圖譜的繁榮階段，知識圖譜強調語義檢索能力，關鍵技術包括從互聯網的網頁中抽取實體、屬性及關系，旨在解決自動問答、個性化推薦和智能信息檢索等方面的問題。

目前，知識圖譜技術正逐漸改變現有的信息檢索方式，如谷歌、百度等主流搜索引擎都在采用知識圖譜技術提供信息檢索。一方面通過推理實現概念檢索（相對于現有的字符串模糊匹配方式而言）；另一方面以圖形化方式向用戶展示經過分類整理的結構化知識，從而使人們從人工過濾網頁尋找答案的模式中解脫出來。

NLP是認知智能領域的關鍵技術，分為語音分析、詞法分析、句法分析、語義分析和語用分析五個層次。其中詞法分析、句法分析和語義分析是認知智能領域構建行業知識圖譜的重要性技術。

NLP的發展也經歷了三個階段。

第一階段（ 20 世紀 50 年代到 70 年代）：1950 年提出的“圖靈測試” 是NLP思想的開端， 當時的NLP主要采用基于規則的方法。但是由于硬件條件不足以支撐NLP的落地應用，因此并未得到充分的發展。

第二階段：70 年代以后互聯網高速發展，語料庫豐富、硬件不斷更新完善， NLP由理性主義向經驗主義過渡，基于統計的方法逐漸代替了基于規則的方法。NLP基于數學模型和統計的方法取得了實質性的突破，從實驗室走向實際應用。

第三階段：從 2008 開始，深度學習逐漸開始被引入做NLP研究，此后深度學習與NLP的結合一度被推向高潮，并在機器翻譯、問答系統、閱讀理解等領域取得了一定成功。

在認知智能實現的過程中，知識圖譜解決了兩大核心問題——一是基于實體、屬性及其實體間關系的顯性關系的構建，二是基于圖檢索和圖挖掘技術的隱性關系的挖掘。

其中，知識圖譜和NLP技術的融合必不可少。

行業知識圖譜的構建，是認知智能實現的前提，而在行業知識圖譜構建的過程中，NLP技術必不可少。

隨著大數據時代的到來，傳統手工的方式對于知識圖譜的構建可以說基本上是無法完成的任務，必須依賴NLP的技術在海量數據中自動化的抽取知識，有監督的構建知識體系以及可持續的補充完善知識圖譜。

1.4 認知智能行業圖譜

認知智能領域廠商可以分為兩大類。

第一類是由于自身業務需要，實現認知智能在業務流程中的滲透，甚至是基于認知智能技術提供服務。比如阿里、百度、騰訊、美團、滴滴、頭條等。

第二類是面向政府、金融、零售等行業客戶，提供認知智能解決方案的廠商。其中，一部分是從感知智能向認知智能延伸的廠商，比如商湯、曠世、云從、依圖等安防起家的廠商；還有一部分，是以認知智能應用為主的廠商，比如谷歌、今日頭條、明略科技等。

從底層數據治理，到上層行業場景應用，認知智能業務架構可分為數據中臺、AI中臺、業務中臺以及行業場景應用四層。

數據中臺不但要將大數據處理技術（流計算、批量計算、實時采集、離線采集）封裝起來，形成計算平臺；同時進入數據中臺的數據都將成為其核心資產——即按照規范的建模方法論將數據形成主題域模型、標簽模型或者算法模型。其功能在于打通固有多業務系統之間的數據壁壘，融合各個不同業務系統間所產生的數據，通過數字化的運營和驅動來支撐前端業務的快速變化，從而產生更大的價值。

明略科技將知識圖譜融入數據中臺，用包含概念、實體、關系、事件、標簽、指標的知識圖譜統一視圖來定義面向領域的數據模型，并將所有隱性的語義，全部以顯性的形式放到知識圖譜里進行呈現，將領域知識圖譜作為數據中臺的數據底座，從而實現面向業務領域數據組織方式的轉變，為企業打造真正具有行業 Know-How的新一代數據中臺。

AI中臺本質上是AI應用的全生命周期開發和管理平臺，用于數據分析與處理、模型訓練與評估、模型應用與監控。提供統一的數據存儲系統，和基于容器的異構計算資源管理系統、機器學習庫與模型訓練實驗管理系統以及模型部署與運行監控系統，采用分布式模型訓練，大幅提升數據和模型的性能、效果、目標。從實現功能角度來看，AI中臺以實現業務智能為目標，為數據科學家團隊提供服務，加速用戶畫像、推薦系統、圖像識別、智能客服等智能應用開發。

業務中臺多出現在認知智能應用相對比較成熟的領域，融合了行業或者特定場景的業務邏輯，其主要功能是實現業務能力的動態共享和服務復用。一般每個行業都能抽象出相應的業務中臺，某些通用的場景也能抽象出業務中臺，應用于各行各業。以明略科技構建的營銷中臺為例，抽象了約10個模塊，應用于快消、美妝、家電、汽車等零售相關領域。

行業場景應用則是在業務中臺的支持下，實現特定功能。比如金融領域，認知智能相關的場景應用有反欺詐、反洗錢等。

以明略科技在零售領域的具體落地實踐為例，其認知智能解決方案包括數據中臺、業務中臺和上層場景應用。

數據中臺由數據匯聚平臺、數據治理和開發平臺、數據存儲、數據分析和數據共享服務五層結構組成。數據中臺沉淀的數據源既包括業務系統中存儲的結構化數據（數據中臺與企業業務系統連接，可以通過網關中間件獲取線上的訂單、顧客等數據，以及線下的POS數據等，未來也將通過智能設備獲取顧客行為感知數據），也包括明略科技補充的DMP數據。

零售行業的業務中臺由組織中心、商品中心、庫存中心、財務中心、會員中心、營銷中心、訂單中心、配置中心八個子模塊構成。一般來說，業務中臺具體模塊的搭建往往是產生于客戶的需求，比如業務中臺下的訂單中心，通過打通客戶不同渠道的訂單系統，制定訂單處理規則，用API接口和前端對接或直接替代前端訂單系統。

目前的場景應用包括供應鏈側和營銷側，如供應鏈側可以進行銷量預測、存貨布局、自動補貨、自動調撥等，在營銷側可以對用戶畫像，對顧客進行個性化商品推薦，同時實現促銷評估、動態變價等功能。

在認知智能的四層基本業務架構中，數據中臺層的海量數據的治理、以及AI中臺層基于行業知識圖譜的關聯關系挖掘，是認知智能落地的兩大挑戰。

2.1 基于大數據平臺的海量數據治理

認知智能面對的是海量的數據，海量數據治理存在技術和業務兩個維度的挑戰。

技術維度的挑戰主要是數據量大、多源異構，造成治理難度大。要求平臺具備兩大能力，一是將多源異構數據治理成可供算法模型使用的標準化數據的能力，二是分布式存儲和計算能力。

數據源角度來看，認知智能解決需要處理的數據來自視頻、圖片、音頻等感知智能應用中采集的數據，業務系統已存儲的數據、以及業務運行中時刻產生的數據，還有第三方補充數據、公開數據等所有與業務相關的數據；從數據結構來看，既有結構化數據，比如視頻數據、金融系統的交易數據等，也有非結構化數據，比如各類文本數據，以及大量的半結構化數據。

多源數據的治理對認知智能業務架構（數據中臺）性能提出了高要求，需要通過可擴展的數據源適配程序，將多源數據匯聚到一個知識圖譜中，實現數據標準化、以及多源異構數據的關聯融合。

海量數據存儲層面，則要求數據中臺實現知識存儲和知識計算，以前的數據庫多為矩陣結構、立方結構存儲，認知智能時代需要圖狀結構的存儲。借助圖存儲、列式存儲等方式，以及Hadoop和Spark平臺的分布式并行計算框架，達到每分鐘導入和處理幾百萬數據量的數據庫性能，實現海量數據圖譜的高效存儲和查詢。

在實際的落地實踐中，業務維度需要考慮兩點，一是數據打通，涉及到系統互聯，以及具體執行過程中的組織配合；二是數據清洗，即實現基于場景理解的數據資產化，將數據按照“實體-關系-屬性”的三元架構進行分布式存儲，以便構建知識圖譜并實現關聯分析和挖掘應用。

數據打通問題更多需要高層重視并牽頭執行認知智能解決方案方案的落地，以“一把手工程”的思路引導業務、信息等部門積極參與，從數據采集和治理、業務邏輯梳理、以及場景應用落地等方面保證認知智能解決方案的順利落地。

數據清洗要求認知智能企業有對行業的深入理解、對業務邏輯的深刻洞察，才能以終為始，按照最終場景應用的需求，定義和儲存數據，使其成為能夠為AI中臺、業務中臺等直接應用的數據資產。

2.2 基于知識圖譜實現對關聯關系的快速挖掘

知識圖譜的構建分為兩步，第一步是定義實體、屬性及其實體之間的關聯關系。

比如公安領域的人、物、地、事、組織；醫療領域的疾病種類、疾病癥狀、檢查檢驗結果，都是各自領域知識圖譜常用的實體定義。

明略在2017年與光大銀行合作，幫助光大銀行構建用于審計的知識圖譜。在這次合作中，明略科技幫助光大銀行建立了全行級別的知識圖譜，僅支持審計的知識圖譜有1億個實體和10億條關系鏈，全行級別的知識圖譜會在其他領域帶來更多的產出。

關于實體的定義、實體屬性的歸類、以及實體之間的關系構建，一般來說有兩種方式，一是基于規則庫進行調整和學習，成本較低，但后期維護成本較高；二是以人工標注的方式讓機器來模擬和學習，成本相對較高，但因具備自適應能力，后期維護成本較低。實際操作過程中，一般是通過規則庫和人工標注相結合的方式。

第二是基于知識圖譜的關聯關系挖掘。

知識圖譜在實際業務落地中最大的價值，就是能夠基于知識圖譜實現隱性關聯關系的挖掘，挖掘僅靠人的業務經驗、或者一般數據分析模型難以發現的業務邏輯和線索。

比如，在公安日常工作中，主要面臨嫌疑人是誰，嫌疑人在哪里，嫌疑人和誰在一起以及嫌疑人將去哪里等四大類問題，公安人員開展工作多數都是依賴現在信息化系統收集的軌跡工具而展開的，通過對軌跡數據的分析，鎖定嫌疑人，發現嫌疑人行蹤及團伙。而通過軌跡發現人與人之間，車與車等之間隱性關系，就是基于公安知識圖譜圖挖掘技術實現的，能夠在公安破案的過程中為公安提供有力的線索。

隱性關系的挖掘主要是基于圖挖掘技術，當前面臨三大挑戰。

一是圖挖掘對數據查詢的要求較高，開源數據庫難以支撐，需要基于開源數據庫做優化。

二是關聯關系挖掘的最短路徑、聚類分析等經典算法，也需要做并行化、分布式化處理，才能達到圖挖掘技術的所需的性能要求。

三是以當前知識圖譜和圖挖掘技術所能找到的隱性關系，還存在很多無效的關聯關系，也就是對實際業務來說沒有任何意義和價值，需要結合業務經驗做校驗，找到真正能夠適用于業務的隱性關系。

比如，將阿里云工業大腦應用到攀鋼西昌鋼釩轉爐煉鋼工藝后，打通煉鋼全流程數據，通過建模分析獲得煉鋼工藝優化的關鍵因子，結合專家知識之后，成功定位提釩、脫硫和煉鋼三個關鍵工序。

通過對這三個工序的深入建模分析，聚焦在脫硫工序，依靠脫硫仿真模型與參數尋優模型尋找最優參數。根據實際測算，通過優化的參數推薦，每生產一噸鋼可以節省一公斤鐵，對于年產值400萬噸鋼的攀鋼來說，一年的成本節省就在700萬以上。

其中，在建模獲得關鍵因子的基礎上，需要結合專家知識找到最關鍵的脫硫工序，才能最終挖掘到真正適用和解決業務實際問題的關聯關系。

3.1 認知智能潛在市場規模

根據Gartner的預測，到2022年，中國對技術產品和服務的總支出會超過3.2萬億人民幣，除去通信服務1.5萬億，IT硬件、軟件、數據中心系統以及IT服務相關的總支出為1.7萬億。

愛分析認為，到2022年，認知智能相關的解決方案占比將達到5-7%，屆時認知智能市場規模約為850-1200億。

3.2 認知智能市場集中度分析

相對而言，認知智能行業市場集中度會高于信息化領域。主要是因為認知智能領域門檻較高，而且認知智能與行業、業務結合較緊密，頭部企業在服務客戶的過程中積累的模型會不斷完善，先發優勢明顯。

AI行業集中度普遍較高。根據曠視科技招股說明書披露， 2018年，曠視科技的設備解鎖與身份驗證解決方案，在中國制造的搭載人臉識別設備解鎖功能的安卓智能手機中，占據超過70%市場份額。信息化領域很少有單家供應商的某個產品或者解決方案能夠達到如此高的市占率。

但認知智能領域行業集中度會低于感知智能領域。人臉識別、語音識別等感知智能類解決方案，能夠跨行業、跨場景實現應用落地，即感知智能供應商更容易憑借技術優勢，實現在不同行業之間的快速復制，以通用解決方案占領市場，集中度相對較高。

而認知智能解決方案在跨行業和跨場景層面則更具挑戰，主要是由于行業知識圖譜的構建和積累需要深耕細作，未來認知智能的落地將是行業性解決方案的輸出，很難像通用類解決方案在不同行業快速復制，各個行業都有機會成長出小巨頭。

因此，認知智能行業集中度不會太高。長期來看，會呈現百花齊放的競爭格局。

3.3 認知智能重要場景應用的市場規模

基于愛分析對各個行業技術滲透情況的了解和判斷，認知智能滲透的核心行業包含智慧城市、自動駕駛、零售、公安、金融、工業、醫療和教育。其中，智慧城市和自動駕駛領域認知智能潛在市場規模較大，零售、公安和金融次之，工業、醫療和教育滲透空間最小。

智慧城市領域的市場內規模最大，僅住建部制定的十三五期間對智慧城市的投入就超過5000億人民幣。智慧城市整體規劃中，業務架構也涵蓋數據中臺和業務場景應用，其中，數據治理和各類場景應用，認知智能滲透的空間極大。比如交通調度指揮與管理輔助決策、分布式能源調度中心等場景應用背后都是基于知識圖譜的分析決策做背后支撐。

自動駕駛潛在市場規模較大，其產業鏈市場空間近千億，未來考慮出行類服務，幾近萬億市場。環境感知、路徑規劃和車輛自主決策是智能駕駛L5級要實現的目標，其中路徑規劃和自主決策均是認知智能能夠深度滲透的領域。

零售、公安和金融也是認知智能重點滲透的領域，市場規模均在百億級別。工業、醫療和教育領域也有部分滲透，相對而言，市場規模較小，約在幾十億級別。

滲透率與政策、行業ROI、以及技術應用成熟度密切相關。

其中智慧城市、公安和醫療領域，主要是政策驅動，比如公安領域，自2015年開始，公安部就陸續出臺《關于大力推進基礎信息建設的意見》、《公安科技創新“十三五”專項規劃》，國務院發布《新一代人工智能發展規劃》，不斷推薦大數據以及人工智能在公安中的深度應用，為知識圖譜驅動的認知智能解決方案在公安領域的滲透打下了基礎。

而金融、零售、工業和教育領域認知智能滲透的驅動力是ROI，在技術成熟的條件下，行業以業務降本提效為出發點，采購并應用認知智能解決方案。

自動駕駛當前滲透率較低的核心原因是技術成熟度有限，行業距離L5級別的自動駕駛還很遠，環境感知還有很多尚待解決的問題，認知智能應用的技術基礎尚未實現。

市場集中度與行業本身的行業集中度、以及行業信息化市場集中度有關。

行業本身集中度越高，該行業認知智能市場集中度越高。比如自動駕駛行業集中度高，決定了自動駕駛領域認知智能市場大的集中度也會很高；零售、金融和教育本身行業集中度很低，因此零售、金融和教育領域認知智能市場集中度也很低。

行業信息化集中度越高，認知智能行業集中度也越高。根據IDC統計，2014年公共安全領域前五名解決方案供應商的市場份額為51.6%，而2017年，醫療領域前八家信息化上市公司的市場占有率僅有約14%。因此可以判斷，公安領域認識智能市場集中度會大大高于醫療領域。對于認知智能供應商而言，市場集中度高、且滲透率高的領域，是當前值得重點投入的領域，比如公安、智慧城市。而金融、零售領域雖然市場集中度較低，但是市場規模可觀，因此也是值得重點深耕的行業。

本章將以具體落地案例來介紹認知智能相關解決方案在各個行業的滲透。

4.1 公安

目前食藥領域制假售假呈現網絡化的發展趨勢，包括通過在網絡上發布信息，通過QQ、微信等聊天工具和網絡支付平臺交易，通過快遞等方式送貨等。由于網上、網下犯罪交織，傳統、新型犯罪手段疊加，打擊食藥環領域犯罪已成為專業程度高、經營和偵破難度大的系統工程。

其中，線索核查是食藥環支隊日常的基礎工作之一，主要是對全國范圍內已破獲案件涉及本地的購買人群進行核查。過去由于對物流數據沒有有效的手段進行研判，且警力有限，很難在大量的普通核查線索中確定核查重點，核查工作往往收效甚微。

明略科技智慧警務模型應用平臺能夠很好的應對這些問題。

該平臺主要實現兩大功能。一是精準研判，提升核查效率。

某市局食藥環支隊通過積分模型運算相關線索數據，挖掘出高危人員、其關系網絡及高危程度等重要線索，指導辦案民警進行精準偵察，從而大幅度提升核查效率，快速精準鎖定高危人員和高危團伙。

二是擴展經營，以點帶面，大范圍打擊犯罪。

破獲現行案件后，民警在對嫌疑人進一步深入偵查，發現該嫌疑人的大部分違禁產品均通過某一商戶進行購買，民警立即對該商戶進行偵查，發現該商戶極可能是連接各大銷售點與貨源地的中間商。

運用明略科技智慧警務模型應用平臺，某市局食藥環支隊通過數據分析和標簽、模型綜合研判，推演出疑似假藥來源地和銷售網絡，后經過民警連續多日多地的深入偵查，發現了存放假藥的倉庫地點，并成功鎖定嫌疑人，一舉打掉該團伙。

最終取得成效較為明顯，先后在全國多地共抓獲涉嫌銷售假藥嫌疑人20余人，當場查獲涉案假藥1000余件，涉案價值5000余萬元，顯示了假藥模型應用平臺在精準研判、擴線經營中發揮的作用。

4.2 金融

明略科技為某全國大型股份制銀行基于全行全量數據構建成“企業、個人、機構、賬戶、交易、以及行為數據”規模達十億點百億邊的知識圖譜數據庫。并通過采用復雜網絡、圖計算等大數據算法，實現海量結構化數據和非結構化數據的分析和探索，搭建遠程監控體系下復雜計算及非結構化模型建設的框架。

該項目中的知識圖譜應用取得效果如下。

一是展現完整的客戶關系網及資金流轉全貌。生成客戶關系網絡圖譜，完整展現對公客戶“個人-企業-個人”的復雜關系，構建復雜的資金流轉全貌，通過圖挖掘技術，挖掘復雜的隱形關系和利益共同體，實現無死角的資金監控管理。

二是基于多元異構數據處理能力提升風控水平。通過搭建模型管理框架，引入圖像識別、自然語言處理、情感分析等技術，具備多種非結構化數據處理能力，有效提高遠程風控技術水平。

三是實現業務應用模型。建設監控預警、追蹤查證為主的業務應用模型，體現大數據模型項目業務價值，提升非現場審計效率和能力。

四是為銀行打下更多業務應用的基礎。未來可以圍繞基礎能力對上輸出的能力，建設更多在遠程監控體系下的業務應用。

4.3 零售

近年來，線上購物場景隨著新零售、多語態、線上線下相結合，顯得愈加復雜。線上購物場景中，搜索體驗是決定用戶購物體驗的關鍵。由于普通客戶難以對想購買的商品具備清晰地了解和認知，故對搜索和推薦產生了一定程度的依賴。

但大部分搜索引擎難以有效認知客戶的意圖，難以快速地響應客戶的需求。原因在于：眼下電商搜索需要的互聯網數據超出了過往文本范圍，同時互聯網數據大多屬于非結構化文本數據，且分散在各個源頭難以統一。導致數據呈現多噪聲、多模態、數據源分散、深度認知的缺乏等特質。

為了提升客戶搜索體驗，阿里基于認知智能技術打造電商認知圖譜，以數據中臺支撐KG Enigne，再通過阡陌數據管理平臺，和圖靈業務對接平臺來優化用戶搜索體驗。

阿里推出的電商認知圖譜在數據治理和認知層面的投入，最終在用戶體驗上得到了明確的收益。

首先，通過場景數據結構化，分散數據得以統一表示。

阿里內部大多是query、title、評論、攻略等，這些數據由于用戶習慣和商家訴求，會存在非常不同于普通文本的語法結構，也會由于利益原因存在大量噪聲和臟數據。

阿里首先對數據進行清洗，然后通過短語挖掘，信息抽取等方法把有效數據抓取出來，最后進行數據的結構化和層次劃分。對于結構化后的數據，采用標準化的schema表示和存儲方法進行概念數據融合，屬性的挖掘和發現。

其次，通過提升數據認知度，獲取客戶關聯需求

搜索引擎難以快速的響應客戶的關鍵在于對于客戶意圖認知不明確，難以推薦合乎客戶要求的商品以及關聯需求的挖掘。

阿里依托電商認知圖譜可以通過行為和商品本身的信息認知到用戶購買商品的意圖，再通過外部數據的輸入和摘要得到常識類和商品體系之外的用戶需求的關聯，再經由圖靈業務平臺投放合適的商品，以達到精準營銷和額智能推薦的目的。

最終效果斐然，阿里自2017年6月推進電商認知圖譜的構造后，截至2018年9月已經完成pv top70的類目審核，增加了12W+的cpv對，實現能夠被全識別的query占比從30%提升到60%。

4.4 餐飲

明略科技為某知名餐飲品牌該餐飲企業提供了基于認知智能的店長通解決方案。

該餐飲企業最初面臨的主要問題有三個。

一是隨著業務的不斷發展和新店的持續擴張，水餃出品的品質管理難度持續增高，而餃子出品的品質又是決定門店經營狀況和品牌形象的關鍵，所以客戶希望通過創新的AI手段對各門店的出品品質做高頻的持續的客觀的評判，并形成統計報告，以實現對餃子出品品質的嚴格管控。

二是該餐飲企業有一套標準話術體系，覆蓋到門店客戶服務的各個環節。但日常服務人員的話術執行情況和服務的工作量都難以量化評估，所以管理者希望能夠通過語音識別技術，量化評估每個服務人員的話術執行情況，用以評判每個人的服務積極性和工作量。

三是該餐飲企業門店店長每天面對繁重的管理任務，稍有不慎就會有疏漏，并且總部的各種管理制度要求都需要及時有效的推行和監管，如果執行不到位，可能被稽查巡店的監察員扣分罰款，甚至降級。所以需要一款智能高效的管理工具，能夠幫助店長規劃每日的管理任務，支持高效的客觀準確的任務描述，并且可以自動化的匯總任務執行情況，提升門店管理的效率。

基于該餐飲企業的需求，明略科技針對性提供了店長通出品識別、服務評估和運用管理三大解決方案。

店長通解決方案實現的主要功能如下。

一是AI提升餃子出品品質。

店長通出品識別解決方案，在客戶的出餐口部署安裝集成的出品圖像采集設備，自動抓取出品照片，通過云端的AI重點自動識別每個餃子的品質并量化打分，最終對每盤餃子做整體打分評判，并自動化的形成品質統計報告。對餃子出品的品質做全面的實時的管控。出品識別的模型會根據日常的判斷結果，持續做訓練優化，不斷的自我完善。對餃子出品的品質做全面的實時的管控。

并且，出品識別的模型會根據日常的判斷結果，持續做訓練優化，不斷的自我完善。

二是基于語音識別的服務積極性評估。

通過軟硬件一體化的設計思路，為服務員提供可隨身佩戴的智能語音識別設備，實時采集服務員話術，并將話術上傳到云端的AI中臺，對話術量，有效話術執行情況，菜品推薦情況做統計匯總，并沉淀有效的推薦話術，幫助該餐飲企業沉淀和優化服務話術知識。

三是提供門店管理輔助工具。

基于PDCA閉環管理模式，實現量自動的創建計劃任務，智能描述式的任務交互，實時的結果檢查匯總，以及自動化的問題跟進追蹤，內置智能識別和判定AI，對每日任務的進展和描述做智能的分析和判定。幫助店長構建高效、實時、靈活、閉環的管理能力。

5.1 5G、邊緣計算與認知智能

認知智能時代，數據是核心資產，在數據產生、傳輸、存儲、計算、分析和應用的過程中，5G、邊緣計算等技術將和認知智能相互融合，形成從終端、邊緣到中央云的一體化數據處理流程和解決方案。

其中，爆炸式的終端增長將產生海量的數據；5G負責高效的數據傳輸；邊緣節點和中心節點將共同協同完成數據的存儲和計算；認知智能則在此基礎上實現各類數據分析和應用。

邊緣節點的存在，不管是在計算資源層面，還是本地化模型調用層面，都彌補了中心節點在反應速度上的不足，雖然有5G的加持可以更提供高速、穩定的數據傳輸，但邊端計算類似于本地化計算和固化模型，其優勢依然無可比擬。

其中，5G的價值在于，能夠促進認知智能的滲透和落地。

5G有三大特性：大帶寬高速率、低時延高可靠和海量連接。

網絡速度要求很高的業務能在 5G 時代被推廣，例如，目前由于4G速度不足以支撐云 VR 對視頻傳輸和即時交互的要求，用戶需要依靠昂貴的本地設備進行處理。依托于5G 的高速率，云 VR 將能夠獲得長足發展。

5G 超低時延的特性可以支持敏感業務的調度，為車聯網、工業控制、智能電網、遠程醫療等垂直行業提供更安全、更可靠的網絡連接，促進認知智能在這些領域的落地。

5G 網絡每平方公里百萬級的海量連接數使萬物互聯成為可能。5G 網絡面向的不僅僅是個人用戶，還有企業用戶和工業智能設備，5G 將為 C 端和 B 端的用戶或智能設備提供網絡切片、邊緣計算等服務，從而直接促進認知智能在當前滲透率尚在低位的領域實現應用落地。

比如，自動駕駛、智慧城市等已經發展了一段時間，但是當前尚未取得突破性進展，其中一大原因就是網絡連接，自動駕駛和智慧城市真正實現落地的前提是萬物互聯，而當前階段，由于功耗高、可用頻段少和高時延等限制，硬件設備之間只是單獨獲得了連接能力，很難將所有硬件設備連接在一起，并沒有實現真正的連動。5G的成熟將改變這一現狀，未來，5G將成為認知智能在自動駕駛、智慧城市等大規模落地的基礎設施。

邊緣計算與云計算的協同，將優化認知智能解決方案的落地機制。

邊緣計算是指在用戶或數據源的物理位置或附近進行的計算。從云計算與邊緣計算的關系來看，邊緣計算是云計算概念的延伸，是云計算向終端和用戶側延伸。

邊緣計算和云計算的協作，能夠優化認知智能解決方案的更新和應用機制，在實際的落地過程中，同時顧及反應速度和模型更新。

邊緣節點存儲了認知智能模型，直接應用于終端設備；邊緣節點和中心云之間存在交互，各個邊緣節點處的認知智能模型在應用過程中的處理的數據結果會回傳至中心云端，匯聚至中心云處的認知智能初始模型，并基于大量的數據和結果做模型更新，再將最新的認知智能模型下發至邊緣節點。

整個過程類似于云邊協同在華為IEF平臺中實現方式。在該平臺中，人臉檢測、人流監測等模型就是以邊緣計算和云計算之間的協作實現優化落地的。

5.2 認知智能的下一站—人機協同

人工智能分為感知智能、認知智能和行動智能三個階段。當前正處于認知智能的起步階段，展望未來，人工智能必然走向行動智能，這個過程需要人機協同來完成。

在感知智能和認知智能階段，機器能夠自主完成特定的任務，但有很多知識和管理復雜度高的領域，機器很難獨立完成工作，人機協同是新一代AI技術在知識和管理復雜度高的行業中的落地，也是人類與機器和諧共處的開端。簡單來說，人機協同的業務邏輯就是，在復雜任務中充分發揮機器和人的各自優勢，創造性的完成特定任務。

人機協同可分人機互補交互、人機冗余交互和人機混合交互三種情況。其中，人機互補交互主要是人將機器能夠完成的特定任務安排給機器來做；人機冗余交互強調人機在特定任務中的分工與配合，由機器完成能夠完成的部分，其余由人來完成；人機混合交互的難度最高，要求機器基于動態知識圖譜推演出相關線索和結論等，并且人相機介入，以求達到最好的效果。

比如，通過社交洞察分析解決方案，明略科技可以幫助公司評估廣告投放的效果。具體操作流程是，需要基于小文章、評論、圖片、以及視頻等多元、海量、異構的輿情數據中，通過知識圖譜的方式，為廣告內容本身或者某個廣告平臺做畫像，最終告訴客戶廣告效益到底如何，這中間就涉及到人機協同。

6.1 認知智能公司核心競爭力分析

認知智能廠商競爭力主要體現在以下四個方面：技術能力、產品能力、獲客能力、以及場景應用理解。

技術能力主要體現在數據治理能力、知識圖譜構建能力、以及項目實施中的工程化能力方面。

產品能力主要是產品完整性，廠商需要具備從底層數據采集、治理、知識圖譜構建、到上層應用構建的整體能力。產品能力不僅影響項目交付周期，而且也影響認知智能廠商的利潤率。

獲客能力方面，由于認知智能在行業的滲透尚處于早期階段，而早期階段也是廠商打磨解決方案、積累競爭優勢的重要階段，獲客能力既是先發優勢的重要體現，也將決定認知智能廠商長期的競爭力。

場景理解能力決定了廠商是否有能力服務于行業頭部客戶，并在此基礎上打磨知識圖譜。

6.2 認知智能國內廠商代表——明略科技

明略科技是國內最早大規模布局認知智能的廠商之一，致力于探索認知智能技術在知識和管理復雜度高的行業中的落地。

基于多年的數據積累、數據治理經驗積累、場景應用理解能力積累，明略科技將打通感知與認知智能，通過多模態人工智能和大數據技術，連接人、機器、組織的智慧，實現具有分析決策能力的高階人工智能應用——即認知智能的大規模落地。

不同于傳統軟件解決方案，認知智能應用是具有反饋機制的動態解決方案，因此只有形成從業務數據化、到數據業務化的業務閉環，才能真正為生產和組織帶來效率提升、價值創造等收益。其中，業務閉環的過程是——通過監管體系持續采集數據，自上而下產生數據；匯聚數據之后形成智能化解決方案，自下而上提供服務。

從認知智能廠商競爭力層面來看，明略科技在技術、產品、獲客和場景理解方面都具備相當的優勢。

知識圖譜領域先發優勢明顯，具備服務省市公安局、長沙市大數據局、寶潔等標桿客戶的技術能力，擁有約400人的數據科學家團隊。產品能力主要體現在具備整體解決方案的能力。且通過數據治理和知識圖譜產品，能夠幫助提升項目中產品化率。但在實際的落地過程中，當前大型企業個性化需求較多，服務客戶時需要提供必要的咨詢服務。

明略科技獲客能力較強，在各個領域已有行業標桿客戶，公安領域已經服務了超過100個客戶、金融領域服務人民銀行、建設銀行、光大銀行、太平洋保險，軌交領域已服務上海地鐵。

場景理解能力方面，頭部標桿客戶的數據治理能力積累和業務場景梳理將成為明略科技行業知識圖譜構建和優化的長期競爭力。

6.3 認知智能國外廠商代表——Palantir

成立于2004年的Palantir是國外認知智能廠商的代表。Plantir起家于大數據分析，最初服務于CIA等美國政府機構，做情報人員提供輔助分析，通過幾年與CIA的合作，Palantir的技術逐漸成熟，最后形成產品Gotham，這款產品也是Plantir的兩大核心產品之一，主要面向政府，用于描述、探究、查詢信息以及信息之間的聯系，找到事物背后的關系，實際上其核心就是基于知識圖譜的隱性關系挖掘。

從2010年開始，Palantir開始涉足商業領域，推出另一款產品Metropolis，為銀行、對沖基金的分析師提供輔助量化分析，JP摩根是其第一個商業領域客戶，將Palantir的技術用于反欺詐，尋找那些試圖盜取他人賬戶的人。這款產品也是認知智能技術在金融反欺詐領域落地的典型代表。

從認知智能廠商競爭力維度來看，Palantir在技術、獲客和場景應用理解方面都比較擅長，產品能力相對較弱。

技術能力主要體現基于知識圖譜的隱性關系挖掘方面，技術優勢明顯。

產品能力一般，主要是Palantir基本做大客戶的定制化項目，產品化能力較弱。且產品功能較為局限，覆蓋場景比較有限。

Palantir能夠順利切入政府和銀行大型客戶領域，獲客能力較強。

場景應用理解能力很強，公司起家于大數據分析，最初服務于CIA等美國政府機構，后服務于大型金融機構，以及可口可樂等大型企業，場景理解能力強。

關于愛分析

愛分析是中國領先的產業數字化研究與咨詢機構，成立于中國數字化興起之時，致力于成為決策者最值得信任的數字化智囊。憑借對新興技術和應用的系統研究，對行業和場景的深刻洞見，愛分析為產業數字化大潮中的企業用戶、廠商和投資機構，提供專業、客觀、可靠的第三方研究與咨詢服務，助力決策者洞察數字化趨勢，擁抱數字化機會，引領中國產業數字化升級。

研究咨詢服務

法律聲明

此報告為愛分析制作，報告中文字、圖片、表格著作權為愛分析所有，部分文字、圖片、表格采集于公開信息，著作權為原著者所有。未經愛分析事先書面明文批準，任何組織和個人不得更改或以任何方式傳送、復印或派發此報告的材料、內容及其復印本予任何其它人。

此報告所載資料的來源及觀點的出處皆被愛分析認為可靠，但愛分析不能擔保其準確性或完整性，報告中的信息或所表達觀點不構成投資建議，報告內容僅供參考。愛分析不對因使用此報告的材料而引致的損失而負上任何責任，除非法律法規有明確規定。客戶并不能僅依靠此報告而取代行使獨立判斷。

北京愛分析科技有限公司2020版權所有。保留一切權利。

以上就是關于中國建設銀行pos機api,中國認知智能行業報告的知識，后面我們會繼續為大家整理關于中國建設銀行pos機api的知識，希望能夠幫助到大家！