决策AI已经在互联网行业证明具备显著的商业价值，是互联网巨头智能化转型的底层推动力，但在传统行业中仍处在商业落地初期，尚有较大渗透潜力。本文认为，决策AI是传统企业数字化转型的底层推动力，能够在数据积累成熟的银行、零售等行业率先落地，完成职业增强或替代从而实现降本增效。在AI研发成本高企、人才稀缺的背景下，以平台为中心的决策AI是落地趋势，有望降低企业的AI应用门槛，助力智能化转型。
摘要
决策AI是数字化转型的重要支撑，也是数据爆发的必然结果。数字化转型经历“信息化数据积累-基于大数据决策”两大阶段，银行及能源等传统行业具备较好的大数据积累，基于数据的决策AI应用是帮助企业实现数字化转型的主要推动力。中国决策AI市场坡长雪厚，根据灼识咨询，2021年决策AI市场规模约460亿元，预计2025年达1,850亿元，CAGR达47%，有望成为增速最快的AI细分赛道。
以平台为中心的决策AI是降低AI应用门槛的核心，也是未来落地趋势，核心技术包括AutoML、强化学习、迁移学习等。决策AI算法生产目前已经入“工业革命”阶段，其底层支撑技术包括AutoML、强化学习、环境学习、迁移学习、无监督学习、联邦学习等，其中AutoML能够实现建模流程自动化，是降低AI应用门槛的核心，强化学习+环境学习能够较好解决应用中高试错成本痛点，迁移学习在小数据场景具备明显优势，无监督学习则可以在无标注前提下冷启动建立高精度模型。企业落地AI具备认知、数据、技术人才三道门槛，因此以平台为中心的决策AI是落地趋势。
落地层面，决策AI已经在互联网行业创造了显著价值，逐渐在银行、零售、自动驾驶等领域百花齐放。C端，字节跳动在互联网下半场突围，核心在于决策AI个性化推荐算法驱动的商业模式创新，随后推广至多互联网公司。B端，决策AI基于海量数据挖掘规则，率先在金融、零售等结构化数据成熟的行业落地，银行反欺诈/反洗钱、APP精准营销和零售供应链管理、制造业质检和运营优化以及药物研发均有成熟落地案例，头部厂商在决策AI领域积极布局寻求智能化转型。G端，决策AI也已在交通控制、医保欺诈风控等领域发挥重要价值。
风险
国内技术进步不及预期，AI落地节奏慢，行业竞争加剧。
正文
决策AI是数字化转型的重要支撑
从感知AI到决策AI，人工智能发展重心演变
AI技术正经历从感知AI到决策AI演变的关键节点。感知AI与决策AI是通用人工智能的两大基石，感知AI是自环境中获取信息，完成提取要素、分析、得出结果的过程，是对环境的静态感知，计算机视觉是典型代表，目前发展相对成熟；决策AI则泛指动作控制、风险管理、运营规划、营销等复杂的决策，即获取来自环境的信息后，行为和环境产生动态交互，因此行为具有一定不确定性且更为复杂。在大量的实际应用场景中，以强化学习为主的决策AI能力能够突破大规模落地的瓶颈，因此，AI技术正进入从感知到决策AI的重心演变。
与技术发展阶段对应，企业数字化转型经历两大阶段，阶段二决策AI技术是关键。传统企业数字化转型经历两大阶段：阶段一，企业进行业务数字化、流程线上化的迁移，数据逐步积累，此阶段感知AI是关键，以视觉AI为典型代表，已在零售、银行等领域较大规模落地；阶段二，企业基于成熟的数据积累，利用决策AI模型通过大数据提取规律，代替业务专家做决策，例如，互联网巨头基于用户点击、购买行为刻画人物画像并进行精准营销。数字化转型过程中，决策环节所能创造的商业价值巨大。
受益于深度学习，感知AI自2012年起算法泛化能力明显提升，AI在视觉领域已能突破人眼水平。2012年，在Hinton团队设计的AlexNet广泛应用下，简单特定任务闭集得以实现；随后2014-2016年，DeepID和FaceNet等算法取得突破，计算机视觉能够实现一定复杂任务，并在特定领域突破人眼水平；2017-2020年，AutoML等半自动模型训练技术逐渐推广，一定程度上替代了复杂的人工调参；2020年起，以商汤科技为代表的大模型路径（即通用预训练模型）帮助解决现实中大量长尾问题，大模型路径也在谷歌、Facebook、特斯拉、华为等国内外巨头之间得到认可。
决策AI的数据收集成本更高，因此算法落地尚处于早期，也在深度学习兴起后迎来高速发展。2012年GoogleDeepMind团队推出强化学习DQN以来，决策AI进入发展新阶段；2016年，AlphaGo战胜世界围棋冠军李世石，决策AI在中等特定环境中已能够实现超过人脑，但其核心是基于仿真环境或已知模型的闭集，在现实世界中收集数据成本过高，决策AI的泛化能力受到限制，突破的重要因素是环境和算法的革新，并实现标准化。
在应用层面，决策AI难点在于会改变环境反馈的状态和环境本身，动作具有不唯一性。在实际应用中，1）AI动作产生后，相对于环境所处的位置发生变化，从而改变环境反馈的状态；2）决策AI动作可能会改变环境本身，比如交通场景中，单车的遵守或违背规则的决策会直接影响交通环境，改变整体环境的状态，动态交互的过程对决策AI技术提出了极其严格的要求；3）鉴于环境的动态性和复杂性，决策AI的动作很多情况下不唯一，不同结果差别悬殊。
我国人工智能市场中，决策AI增速最快。决策AI市场规模仅次于视觉AI，2025年市场规模有望达到1,847亿元。据灼识咨询，2016-2020年决策AI市场规模CAGR高达83.5%，预计2021-2025年CAGR达47.1%，决策AI有望成为人工智能增速最快的赛道。
决策AI市场集中度较高，CR5超50%，头部AI厂商与互联网巨头卡位。根据灼识咨询，AI解决方案分为以平台为中心的解决方案和单点解决方案两种，其中以平台为中心的决策AI解决方案除提供应用外，也提供AI开发平台，包括统一的开发标准、高兼容性和灵活拓展应用。我国以平台为中心的决策AI为未来趋势，以2020年收入口径测算，第四范式在国内以平台为中心的决策AI市场份额排名第一，市占率18.1%，互联网巨头百度、阿里、华为、腾讯则依托于头部技术与资源，占据2-5名卡位，CR5超过50%，决策AI市场集中度较高。
科技发展进入第四范式，数据智能为数字化转型的核心驱动力
科技发展进入第四范式，数据驱动科学规律的发现，决策AI是实现数据智能的关键技术。图灵奖得主JimGray于2007年提出，科学的发展在经历了数据规律探索后已经进入第四范式，即数据密集型科学研究范式。在这一区间内，科学家沿着探索规律的主线，逐渐以更高效的机器代替人脑，并通过海量数据和算力来探索前沿。深度学习具备数据-模型反馈优化机制，我国市场广大、应用场景丰富，互联网、银行业数据资源领先世界，AI在国内落地具备天然优渥土壤与良好条件。在成熟数据基础驱动的第四范式阶段，决策AI基于大数据提取规律，代替传统专家规则做出决策，是实现数据智能的关键技术。
中国企业有望在新的技术发展范式阶段，依靠数据优势率先实现基于决策AI的数字化转型。据IDC测算，随着通讯设备、IoT设备接入数量与应用丰富度增加，中国的数据量有望在2025年达到48.6ZB，2018-25年数据量增速CAGR约30%，高于全球3ppt，此外，2025年，仅中国智能互联设备有望达800亿，数据优势为数字化转型打下良好基础。
企业数字化转型，决策AI是关键驱动力
从“工业时代”到“乌卡时代”，以数据驱动的决策模式是企业管理升级的关键。“乌卡时代”在商界率先由宝洁公司CEO罗伯特提出，在2020年疫情后更为高频，用于形容我们所处环境的易变、不确定和复杂性。从“工业时代”到“乌卡时代”，企业面临供需关系的飞速变化，企业管理更具挑战性，因此以数据驱动实现智能化转型是企业管理升级的关键。
机器参与的环节已从执行上升到策略制定。企业的内部角色大体分成：高层战略制定、中层策略制定、基层策略执行。深度学习赋能前的AI多用于替代人工重复性的工作，即执行环节，随着决策AI的技术成熟和落地，非战略制定层面的决策可以由AI完成，且决策AI在营销、风控、运营决策甚至具备超越人脑的优势。
AI助力企业数字化转型价值显著，但企业落地AI需跨越认知、数据、算法三道门槛。
认知门槛：企业落地AI的认知门槛可大体分为两类，1）高管团队对AI创造增量价值的认知和推广意识不足，根据灼识咨询，国内72%企业处在AI落地的单点试验和局部推广阶段，AI厂商的早期推广核心在于增加公司核心管理层对于AI应用的认知，即从0至1过程；2）业务部分与技术部门的认知结合不充分，深度学习具有较高技术门槛，业务人员也具有自身深刻的业务积淀，传统模式下技术人员难以高效地将AI技术服务于业务，因此，通过平台将技术与业务的认知相结合是亟待解决的问题。
数据门槛：大数据分为BI和AI大数据，传统意义下大数据多为BI所设计，旨在帮助IT工程师实现数据查询、统计和展示功能，丧失了数据的原始完整、实时和闭环特征，因此，部分具备初步结构化数据库的企业仍难以有效落地AI，BI大数据甚至成为AI落地的阻碍。
技术及人才门槛：AI模型生产过程中，耗时的环节之一是调参，其要求的顶尖的AI技术人才在全球范围内较为稀缺，且即使是顶级调参师也需要耗费数月完成一个AI模型的参数设置，过分强调了调参师的能力，不能满足AI模型工业化生产的需求。AutoML技术能够使得无技术背景的业务人员开发AI模型，将AI模型开发周期缩短为几天，得以降低AI在企业落地的门槛。
相较于企业自主开发AI系统，以平台为中心的决策AI能更好地解决三大门槛痛点，是未来落地趋势。在企业数字化转型进程中，自建AI对于大部分企业来说高门槛带来高试错成本。尽管不乏互联网巨头的开源框架，但自由调度使用发挥作用依旧比较困难。相比于自建，借助外力引入成熟的AI平台则会更为高效，只需要拥有数据并明确业务目标，即可拥有先进AI能力，助力企业智能化转型。
决策AI率先在互联网行业落地并创造显著商业价值，目前逐步向银行金融及各行业具备完善信息化基础的行业龙头渗透。以银行为代表的金融行业是次于互联网、政府的数字化转型先锋行业。银行业资产规模大，有充足的数字化研发投入资本，在金融领域数字化转型最早，拥有丰厚的技术储备与IT人员，且商业流程基于数据，具备良好的数据储备。此外，零售、餐饮行业的数字化程度也较高，具备决策AI落地的潜力。
决策AI底层技术：推动AI算法生产步入工业革命
AutoML：降低AI应用门槛的核心方法论
传统企业数字化转型过程中经历人工阶段、基于专家规则的人工智能阶段和基于机器的人工智能阶段。
阶段一：人工阶段。依靠业务人员经验，提炼业务中的规律并推广到更多实际操作中，但数量有限，依赖专家技能和经验，且远不能覆盖长尾情况。
阶段三：基于机器的人工智能。随着AutoML技术诞生，企业进入基于机器的人工智能阶段，涉及的维度和效果进一步提升，但技术门槛大幅降低，大部分传统企业在数字化转型中“用得起”AI。
AutoML本质上并不指具体AI技术，而是降低AI门槛的方法论、技术发展方向。AutoML技术框架中包含多项子框架：自动特征处理、自动算法选择和匹配、自动传统机器学习、自动深度学习等。使用AutoML之前，传统企业引入AI能力需要3-6个月，AutoML可以将该过程缩短至几小时。AutoML作为思想贯穿在多类机器学习过程中，降低AI在企业落地的门槛。
AutoML替代生产AI模型的科学家，带来AI模型生产的工业革命。AutoML减少人类专家在机器学习全过程中的参与度，核心在于由企业的数据自动提取规律、建立模型，大幅降低AI的应用门槛，解决了AI人才短缺、成本高昂和无法规模化推广应用的痛点。AutoML将技术与业务强耦合，使得业务人员也能成为AI使用者，帮助企业在数字化转型中创造更多价值。
企业数字化转型层面，AutoML通过机器学习流程自动化，算法自动挖掘大数据中的新规律，降低对于AI科学家的依赖，从而降低AI落地门槛。在AutoML的支持下，AI模型可以根据数据自动提取特征，进行学习、调参，降低AI模型的实施成本、人力工作量和调参等环节复杂程度，同时，摆脱人力即可不断进行AI模型的自动更新迭代，降低AI在企业的落地门槛。
从落地效果看，AutoML已具备在诸多场景替代AI科学家的潜力，能自动执行AI流程中的大部分工程性任务。开发人员在AutoML的帮助下可以聚焦于客户业务需求，AI落地过程也不再依赖高成本的AI科学家，目前的决策AI龙头厂商和百度、阿里、华为等互联网头部厂商积极布局AutoML能力。基于Kaggle机器学习竞赛结果，GoogleCloudAutoML、第四范式AutoML已分别能超过46%、98%的AI科学家，在违约风险预测、二手车风险预测、社交网络预测等认知领域具备替代AI专家的技术水平。此外，以商汤布局的机器视觉大模型领域为例，AutoML可以解决半自动视觉超大模型设计与优化问题，进一步提高AI模型的生成效率、降低行业落地门槛。
强化学习：解决大规模连续精准决策问题
强化学习是决策AI核心技术，擅长制定动态策略，应用典例包括围棋程序AlphaGo和电竞AlphaStar，近年来在工业控制、自动驾驶等领域取得良好进展。强化学习是通过决策主体与决策环境不断交互，以分数为导向，获得得分反馈，从而在多次试错中寻求最优分数的过程。
AlphaGo围棋程序基于深层神经网络，经历AI科学家16万局监督学习和3千万局计算机自博弈训练的强化学习过程，先后击败李世石、柯洁等世界冠军。其中，强化学习的意义在于将策略目标确定为赢取比赛，训练出强化学习的落子策略，通过优化自我博弈的终局来提升有监督学习训练中的策略网络。
AlphaStar是首个在没有游戏限制的条件下进入电竞顶级联赛的AI，在《星际争霸》中与大师级别玩家对战。制定策略是《星际争霸》中的关键挑战之一，每一步中，一个代理可能对应1,026种操作的可能，且代理需要学习在终局之前的数千种操作，基于强化学习、模仿学习等技术，AlphaStar在自我游戏中基于人的策略开展偏见性的探索，允许从旧的游戏策略中有效更新为新策略，最终在Battle.net上玩家排名超99.8%。
实际决策场景往往需要大规模连续实施决策问题。基于专家或传统机器学习的优化方式难以解决现实场景中的复杂问题：1）实际决策场景中影响因素庞杂无序；2）实际场景中通常更重视长期回报，需要连续而非单次决策，效果具有滞后性；3）现代商业中决策需要精细化，决策量大且部分依赖毫秒级响应机制。
强化学习适用于大规模连续实施精准决策问题等复杂场景。1）深度强化学习借助深度学习，使得决策策略可以将复杂场景的大量因素考虑进来；2）结合分数分配（creditassignment），可量化连续决策的长期结果；3）在决策链中，可以实现不同决策层级的自主决策，因此，强化学习得到的策略可具备实时响应能力。
实际应用层面，高试错成本是限制强化学习落地的重要因素。强化学习技术依托于试错后的反馈做出最优决策，在真实环境中的试错代价很高且不可逆，例如无人驾驶事故、排产调整、疫情下是否封城等，因此，目前典型场景下的试错成本限制了强化学习在实际场景中的大规模落地。
环境学习：强化学习的最佳帮手，基于数字孪生和仿真模拟的技术革新
环境学习是指利用模拟器来辅助人的判断。过去，辅助决策依赖数字孪生和仿真模拟等技术。数字孪生是指利用传感器等系统收集的数据，来打造与物理世界相一致的全生命周期的数字化系统，核心在于帮助企业完成决策流程中的“观察”环节。
环境学习能够较好地结合“观察”与“判断”，弥补数字孪生、仿真模拟的缺陷。环境学习融合了基于大数据的机器学习和专家驱动的模型，构建更接近复杂实际业务的虚拟环境。在疫情防控中，AI厂商采用环境学习推演方案，相比于传统的传染病SEIR模型误差降低超90%。
数据方面，环境学习融合打通专家经验与大数据，解决数据孤岛问题；
定量分析方面，专家难以基于大数据做出判断，环境学习则由机器学习及非梯度类优化技术补足虚拟环境的细节，并通过机器自学习循环迭代，快速追踪变化，并及时反馈到模型中，解决what-if及预测类问题；
推演决策方面，融合了专家与大数据的优势，环境学习能够基于更精准的虚拟环境，提供精准的辅助判断，推演不同决策结果下的业务进展。
强化学习+环境学习可以解决试错成本高的痛点。环境学习加速了强化学习落地，通过环境学习构建虚拟环境，为强化学习提供低成本试错和迭代的环境模型，很大程度上减少真实环境中试错的采样，大幅降低试错成本。二者的融合方案构建了机器的自主决策能力，打通“观察”、“判断”、“决策”和“行动”四大环节。基于环境学习+强化学习的解决方案已在业内广泛推广，落地于产品研发、派工排产、精准营销等场景中，供应链成本得以大幅降低。
迁移学习：解决AI在小数据层面的应用问题
迁移学习（Transformerlearning）旨在发现共性，实现知识迁移复用，帮助AI在数据敏感或稀缺领域落地应用。迁移学习本质是把源领域的知识迁移到新目标领域，通常情况下，源领域的数据量充足，能够训练出精度性能较为优越的模型，而目标领域数据量不足，因此基于源领域的模型在新目标领域的小数据中迭代，目标领域往往能够达到更好的学习效果。在通用人工智能的大背景下，迁移学习重要性凸显。Transformer大规模预训练模型已成为学界与国内外互联网巨头一致认可的路线，迁移学习是底层技术基础。
迁移学习具备小数据、可靠性、个性化三大优点：
小数据：现实生活中小数据居多，在小数据中实现人工智能才是达到通用智能。人脸识别场景中人脸数量规模上亿，训练过程中可以充分挖掘规律，准确率达到99%已具备充分的技术实力实现。但在工业领域，产线差异较大，单产品的缺陷、形态类别数据不足一百个，而工业零部件的精度要求则高达99.9%，在智能制造等各类数据短缺的领域，迁移学习对于AI落地十分必要。
可靠性：建造通用的AI系统可以在不同领域之间进行知识迁移、“举一反三”，在底层模拟人脑的学习过程，具备可靠的知识迁移效果。
个性化：基于个体的个性化数据往往由通用系统中叠加个人的小数据得来，迁移学习是其中发展个性化的有效工具。
无监督学习：无标注情况下的机器学习
无监督学习是在无标注情况下，探索数据机构来提取信息。从是否有标注的层面上看，机器学习为监督学习、无监督学习和强化学习。监督学习是指在标签规则已知的情况下进行学习，强化学习则是依据和环境的多轮反馈进行策略决策，无监督学习则是在缺少标签、规则的情况下，自主探索数据结构来提取有价值的信息，弱监督或半监督学习介于有监督和无监督之间，常用于标签不确定、少量标签情况自主挖掘和使用规则。
无监督机器学习具备三个显著优势：
不依赖历史标签：无监督学习不依赖数据标签，因此能够更灵活高效地发现未知的“特殊”行为，例如银行欺诈。
在生命周期中较早期也常用：相比于监督学习适用于成熟数据场景，无监督学习在生命周期中早期场景中也适用，比如对于银行异常账户，开户申请过程中的异常行为也可以被识别。
可解释性强：深度学习在多场景应用中因AutoML的助力更为高效，但同时存在解释性差的“黑箱”弊端，相比之下，无监督学习能够识别银行欺诈中的具体异常行为聚集点，具备决策判断依据，具备较高的可解释性。
联邦学习：保护隐私的前提下，实现多方数据联合训练
联邦学习作为分布式机器学习方法，解决隐私安全及数据孤岛问题，是下一代AI算法协同协作的基础。联邦学习是新兴的AI基础技术，最早由谷歌在2016年提出，本意是解决安卓手机终端用户在本地进行模型更新的问题，目标是能够在不共享本地数据的情况下，对多主体的数据联合建模，技术上保护数据安全，同时解决数据孤岛问题。
联邦学习是新兴突破性质的AI底层技术，具备无可比拟的优势。多个参与方能够参与协作，共同训练高精度AI模型，各参与方地位平等，且具备完备的数据隐私保护机制，模型信息以加密方式进行传输，能够在不牺牲数据安全的前提下实现AI模型“共赢”。
决策AI应用：C端互联网先行，B端百花齐放
C端：决策AI率先落地，为互联网巨头创造显著价值
字节跳动在互联网下半场突围，核心在于决策AI驱动的商业模式创新
C端算法推荐诞生于海外互联网平台，字节跳动标志着国内互联网应用开端。1998年，亚马逊平台基于协同过滤算法为用户个性化推荐商品，这是算法推荐第一次成功的商业化实践，助力亚马逊销售额增长百倍；随后Netflix和YouTube基于个性化信息流将算法拓展至视频平台。算法推荐在国内的落地开端是2012年今日头条APP上线，3个月内今日头条APP即获得了超1,000万注册量，随后在字节其他业务线和美团、滴滴等其他互联网公司迅速推广。
字节跳动在互联网下半场突围，本质在于决策AI驱动的商业模式创新。今日头条为字节跳动建立了原始的数据积累并培育了个性化推荐系统，上线3个月后日活即突破100万，2015年成为仅次于腾讯新闻的国内第二大新闻类APP，积累大量原始用户数据。今日头条率先为个性化推荐技术完成打磨并做好大规模应用的铺垫，将推荐模型推广到字节旗下西瓜视频、火山小视频、抖音等应用。推荐系统对于字节跳动本质上是借助决策AI在大数据中积累上亿条规律，实现商业模式的创新。
B端：在金融、零售、能源、制造、医疗等行业多点开花
决策AI始于互联网行业，逐步推动传统行业数字化转型。决策AI可以在海量数据中学习，在分秒之间打通决策环全流程，我们认为未来决策体系有望从“人为决策中心”向“人机协同”演进。传统企业不具备与互联网巨头匹敌的研发人才与资金投入，决策AI厂商及互联网AI平台通过将技术产品化、平台化，降低AI使用门槛，推动传统行业数字化转型，帮助企业享受AI带来的价值增益。决策AI率先在结构化数据成熟的金融业落地，再向零售、制造业等信息化基础较好的龙头渗透。
决策AI在营销推荐、预警及运营预测等职能中可以实现职业增强或替代，助力传统企业智能化转型。根据灼识咨询，以平台为中心的决策AI解决方案前五大供应商主要为金融、零售、能源、制造等行业客户提供平台型解决方案，聚焦营销推荐、预警和运营预测功能。
决策AI+金融：基于成熟数据积累，营销推荐与风控预警已大规模落地
银行、券商所在的金融行业具备较为成熟的数据积累，领跑数字化转型进程。头部银行每年百亿元IT预算中，近年来多用于大数据、人工智能布局，借贷风控、理财产品营销推荐等领域已在金融行业具备成熟落地应用。
营销推荐领域：将海量客户和庞大的营销产品体系快速精准匹配，在减少营销打扰的前提下最大化营销收益。
决策AI帮助银行精准营销，降本增效。决策AI能够基于海量非结构化数据，实现基金产品推荐模型效果验证，替代信用卡、理财经理角色向潜在客户定向投放产品。以全球龙头商业银行为例，通过业务部门和AI科技团队配合，搭建决策AI营销数据自迭代平台，对目标客户群外呼营销形成产品购买的成功率提升约200%，响应率提升且有效优化了客户体验。
决策AI助力证券公司发掘潜在用户，精准营销。券商借助决策AI技术对用户投顾行为建模并得出打分，将分数高于阈值的用户定义为潜在用户，进行线上/线下营销。对比AI规则和专家规则，AI规则营销准确率提升4.03%，并发现线下营销成功率是线上的三倍。基于这一结论大力推广线下营销力度，营销成功率最高可及线上的12.8倍。在证券公司历史客户激活场景中，决策AI助力下激活率为专家规则模型下的4.5倍，整体营销策略匹配度高达72.3%。
风控预警领域：精准刻画每一笔交易背后的欺诈风险、洗钱等违法行为风险，并在毫秒之间做出决策，提升效率的同时尽量避免违法违规交易。
决策AI挖掘反欺诈规则，帮助银行降低风险。决策AI可以实现自获客至放贷前中后期的全线管理，替代人工审核员识别并阻断可疑交易。借助决策AI与传统专家规则相结合的方式，头部决策AI厂商已助力国有大行推行智能反欺诈服务，线上测试结果中，控制48%召回率不变，模型的准确率可达83%，较原有规则提升了316%。兴业银行信用卡中心处理单笔交易仅需20ms，99.9%的交易可在50ms内完成，同召回率下准确率提升5倍。
决策AI助力银行识别反洗钱交易，大幅节约人力成本。决策AI助力快速识别高风险洗钱案宗，头部30%的案宗召回率可达90%，前70%的案宗召回率达99.6%，在无明显遗漏情况下，可抛弃尾部案宗，大幅节约人工成本。
决策AI+零售：头部零售企业采用决策AI助力精准营销和精细化运营
零售行业中头部厂商数据积累充分，供应链较为成熟，适合决策AI落地。在私域流量运营大趋势下，对于现有客户的适时激活和潜在客户的精准营销是获客端经营重点，此外，生产运营端，自选址至供应链全链条管理均存在精细化运营降本增效的需求，决策AI提供技术助力。
营销推荐领域：借鉴互联网推荐算法，决策AI将推荐原理迁移至线上零售。
百胜中国旗下品牌APP借助决策AI，实现精准营销。公司构建决策AI平台，在数据资产整合、餐厅人货场管理、物料追踪方面持续优化运营，同时精细化运营旗下餐饮连锁品牌APP的私域流量客户，决策AI技术通过提取用户个性化特征（浏览、下单行为等）和社会性特征（性别、收入水平等），将规则从几十条拓展至2,000万条，实现精准推荐，为客户带来营收增量。
运营预测领域：基于打通供应链全链条数据，进行销量预测和运营动态调整。
决策AI在线上运营、门店选址、智慧供应链等领域助力企业精细化运营。零食品牌来伊份在全国拥有超3,000家门店及3,000余万会员，已完成信息化布局。2021年，来伊份与华为云及决策AI厂商开展战略合作，将运营思维从“商品运营”切换至“消费者运营”，从“今天进店多少人”转换至“今天进店的是什么人”，盘活供应链体系。此外，打造智慧供应链体系，形成“门店选址——个性化营销——消费趋势预测——物品布局——优化选品策略——货架监测及补库存”的智能决策闭环，将运营效率提升约20%。与之类似，良品铺子、周黑鸭等知名零售企业与华为云展开合作，打造全渠道智能零售管理平台，实现数字化转型。
展望未来，决策AI技术在零售行业有望“由点及面”向全业务全流程渗透，面向多业态铺开。决策AI在精准营销和运营管理领域已有成熟落地方案，但在无人零售、消费者行为洞察等领域还处于打磨初期，对于不具备互联网基因、缺乏原始数据积累的零售企业，将AI与业务有机结合起来仍需探索。我们预计，随着AI算法不断优化、新一代人工智能基础设施完善和应用场景打磨催化，AI+零售将“由点及面”逐步渗透。
决策AI+能源：携手头部企业强化能源预警和运营预测
能源产业具备重资产属性，具有较为成熟的数据积累，但大数据分析及AI应用发展较为早期。能源行业正从传统生产型业务，加速向综合能源服务、能源数字化等方向转型，加速数字化成为行业共识，以国家电网、中国石油、中国石化为代表的龙头公司率先探索能源行业预警及营运智能化，为产业结构转型做出示范。
预警领域：准确定位故障信号，完成端到端安全预警。
中国石油借力决策AI实现管道光纤安全预警。中国石油借助决策AI平台，搭建从光纤信号采集、存储、实时检测与分析，到管道异常信号报警的端到端安全预警应用，大大提升管道破坏事件预警的及时性、准确性，替代了人工检测员的职能，保障油气长输管道平稳运行。
龙头电网公司以决策AI算法协助风机设备故障预警。电网公司通过AI算法构建故障诊断模型，判断机组隐含或现存的故障信息，并智能化分析故障模式、产生原因。在200余次齿轮箱故障检测中，决策AI算法模型下故障检测准确率大幅提升，保证召回率达100%，两个月内预测准确率在81%以上。
运营预测领域：预测石化产品价格，打造智慧能源服务平台。
国内龙头石油化工企业基于GBRT等AI算法提升化工品价格预测与油层识别准确率。基于市场供求关系、化工产品成本、销售体系及金融形势等多重影响，决策AI对化工品价格预测的平均准确率从97%提升至99.33%，1-7天预测的最高准确率达到99.99%。此外，国内龙头石油化工企业依托AI技术完善检测系统、诊断系统、运营系统和监管平台，形成闭环的油田智能服务平台，油层识别率提升96%。同领域，中海油与阿里云合作，打通天然气气井、生产平台、运输管网、上岸加工全链条，为复杂地质环境加上“AI决策大脑”；中石油全资子公司大庆油田与华为云合作，利用工区数据对地质结构进行分析，进而调整油田开发方案，助力油田精细开发和增储上产。
决策AI+制造：生产线精度要求高，质量检测与运营优化率先落地
我国制造业正处在自传统生产模式向数字化、智能化发展的新阶段，生产线追求高精度，对算法定制化要求高，以AutoML为主的决策AI能力起到关键作用。制造业具备丰富的场景、规模化的生产线和海量数据，但工业验收对精度要求较高。以手机为例，一部智能手机有几百个零件，以200个作为假设，如果要实现整机良品率99.9%以上，单零件的良品率至少达到5个9的准确率，人工调参难以满足复杂算法的需求，AutoML为主的决策AI能力可以在销售线索评级、排产派工、异常和缺陷检测等流程发挥重要作用，实现职业替代，大幅提高效率。
宁德时代的电池生产线中，决策AI助力产品研发、产线质检、排程优化等环节。公司电池生产的核心目标之一是降低研发缺陷率，2020年提出动力电池缺陷率从ppm（百万分之一）级别向ppb（十亿分之一）级别提升，决策AI基于研发-生产的全链条智能化检测助力目标实现。在涂布工序质检场景中，决策AI模型对运行状况、任务调度实行实时监控管理，实现高速推理预估服务能力和系统稳定性。此外，电池在不同温度、不同驾驶员使用习惯下，故障率差别较大，决策AI基于环境学习与强化学习测试电池故障率，并提出解决方案提升良品率。与之类似，创新奇智在面板缺陷检测中将视觉与决策AI结合，降低研发缺陷率。
展望未来，决策AI技术辅助提升模型准确度，运筹优化与决策AI相辅相成指导制造业落地，逐步规模化。AI技术在工业制造业领域落地尚处于早期阶段，我们预计未来五年将逐步渗透早期使用者，走向规模化。针对现阶段工业制造业领域对精度要求较高、需要动态连续建模的痛点，决策AI的强化学习、环境学习等技术能够促进不断提升模型精度，同时，工业领域的运筹优化算法有望和强化学习相辅相成，提升具体问题落地的稳健性和决策AI的场景泛化能力，我们认为技术层面将有望做到满足更多复杂需求。
决策AI+医药：药物研发和慢病筛查是早期落地方向
医疗行业数据化较为完善，但存在数据孤岛、群体性地域差异、数据链条不完整和数据隐私保护等痛点，目前AI仅在早期落地试验阶段。在现有的AI+医疗落地案例中，糖尿病等慢病筛查、术后生存分析，以及新药研发过程中寻找靶点、临床测试过程为早期落地方向。
药物研发：AI+医药具备高技术壁垒，AI赋能药物研发处早期阶段。
晶泰科技基于AI算法寻找并测试靶点，大大缩短药物研发周期。在类药的1060化学空间分子中，靠专家经验寻找治疗疾病的药物需要漫长的试验期。通过AI和量子物理算法，可以将发现先导化合物的速度从12个月缩短至3个月，药物发现的合成分子数从上千减小至200，仅需14天即可得到常规研发过程1年的成果。
展望未来5-10年，AI助力疾病筛查有望在医疗体系中普及，AI制药会成为医药企业的标准配置。强化学习有望在生物合成的设计和预测领域延展出更多解决方案，助力AI+生物医药的场景拓展。药物研发方面，有望将AI赋能药物研发自动化作为基建过程，自机理研究药物设计至临床研究扩展，从局部优化逐渐走向全局优化，大幅提升药物研发关键环节的效率，进一步缩短研发周期，降低药物成本。
慢病筛查和生存分析：已在头部医院推广，落地空间广阔。
瑞金医院与决策AI厂商合作研发糖尿病筛查模型。瑞金医院的决策AI早期筛查干预技术在健康阶段即开始介入，通过决策AI可解释模型，基于人体基础指标即可获得糖尿病精准风险评估、危险因素分析、个性化干预方案建议和健康管理全流程服务，预测模型准确率超过美国、芬兰糖尿病预防标准。慢病的早期介入准确率提升依托于健康人群的更大体量数据，早期介入的意义远大于后期治疗，为尽早采取预防手段、降低患病率做出切实贡献。