• <ruby id="zyfed"></ruby>
  • <video id="zyfed"><mark id="zyfed"></mark></video>

  • <source id="zyfed"><mark id="zyfed"></mark></source>
    <rp id="zyfed"><menuitem id="zyfed"><em id="zyfed"></em></menuitem></rp>

    <wbr id="zyfed"><input id="zyfed"></input></wbr>

    <b id="zyfed"></b>
    展會信息港展會大全

    2023愛分析 · 認知智能廠商全景報告 | 愛分析報告
    來源:愛分析   發布日期:2023-04-06 18:07:03   瀏覽:6403次  

    導讀:報告編委 黃勇 愛分析合伙人首席分析師 李進寶 愛分析高級分析師 陳元新 愛分析分析師 目錄 1.研究范圍定義 2. 市場洞察 3. 廠商全景地圖 4. 市場分析與廠商評估 5. 入選廠商列表 1.研究范圍定義 研究范圍 人工智能的發展分為三個階段計算智能、感知智能和認...

    報告編委

    黃勇

    愛分析合伙人&首席分析師

    李進寶

    愛分析高級分析師

    陳元新

    愛分析分析師

    目錄

    1.研究范圍定義

    2. 市場洞察

    3. 廠商全景地圖

    4. 市場分析與廠商評估

    5. 入選廠商列表

    1.研究范圍定義

    研究范圍

    人工智能的發展分為三個階段——計算智能、感知智能和認知智能。簡要來講,計算智能即快速計算、記憶和存儲能力,可以應用于空間搜索、數值優化和數字模擬;感知智能即視覺、聽覺等感知能力,當下熱門的語音識別、圖像識別、視頻處理便屬于感知智能的典型應用,商湯科技、云從科技等AI四小龍是視覺領域的頭部玩家;認知智能是指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,認知智能包括理解、分析、決策三個環節。

    如今,人工智能正由感知智能向認知智能邁進。認知智能是人工智能發展的高級階段,致力于對人類特有的自然語言、知識表達、邏輯推理、自主學習等能力進行深入的機理研究與計算機模擬,讓機器具備“能理解、會思考”的能力,把人類從重復體力勞動和簡單腦力勞動中解放出來。認知智能價值得到市場認可,發展前景廣闊。認知智能已在多個領域實現落地應用,包含零售、金融、工業、醫療和教育等。

    如今,ChatGPT爆火,短短數月影響力便輻射全球。ChatGPT強大的自然語言生成能力讓人們看到了獲得通用人工智能的可能性,這將對人們的生產生活帶來顛覆性變革。以ChatGPT為代表的大語言模型屬于認知智能范疇,這位重量級新成員的加入,顯著擴張了認知智能的應用潛力和價值邊界,令認知智能的未來充滿想象。

    基于以上背景,愛分析希望通過認知智能廠商全景和最佳實踐案例研究,為企業探索認知智能的應用價值,助力企業決策者精準選擇合適廠商以及成功實施認知智能項目。

    從技術架構角度,認知智能市場可以劃分為平臺層和應用層兩部分市常平臺層提供支撐認知智能算法、模型和應用開發及運行的賦能工具。應用層重點包括通用認知智能應用和行業認知智能應用兩部分,前者涵蓋對話機器人、智能文檔處理、知識管理等特定市場,后者涵蓋智能風控、智能融媒體、智能診療等特定市常

    本報告重點選取知識圖譜平臺、NLP平臺、會話智能和智能診療四個市場作為重點研究對象,對認知智能進行研究。

    廠商入選標準

    本次入選報告的廠商需同時符合以下條件:

    廠商的產品服務滿足各市場分析的廠商能力要求;

    近一年廠商具備一定數量以上的企業付費客戶(參考第4章各市場分析部分);

    近一年廠商在特定市場的營業收入達到指標要求(參考第4章各市場分析部分)。

    (注:“近一年”指2022年Q1至2022年Q4)

    2. 市場洞察

    認知智能市場規模超400億元

    愛分析推算,2023年中國認知智能市場規模為418.4億元人民幣,年增速為48.5%。市場保持較高增速主要得益于認知智能應用廣度和深度持續增加、利好政策以及由ChatGPT引發的大語言模型熱潮等三個方面的因素。

    圖 1:中國認知智能市場規模預測

    知識圖譜平臺:“海量非結構化數據利用難”是構建好用知識圖譜的攔路虎,企業應與具備豐富項目積淀廠商合作以便解決數據難題

    企業在經營中會積累起海量多源異構數據,非結構化數據是甲方企業數據的主要組成部分。知識圖譜要納入非結構化數據,必須借助NLP等認知智能技術從中提取出結構化信息。當下主流的信息抽取方式是定制有監督機器學習模型,先標記數據,再訓練模型。但有監督機器模型訓練意味著大量人工標注工作,會帶來較高的人力成本和較長的項目周期。

    一種解決方法是使用無監督機器學習技術,但大模型訓練成本高、方法論不成熟,因此短期內落地可行性較低。頭部廠商通常采用另外一種解決方法。他們在使用有監督機器學習的過程中,從公開資料和過往項目經驗中積累語料、預訓練模型和解析器,在項目中快速復用,通過產品化、系統化的方式降低成本、縮短項目周期。

    NLP平臺:以NLP平臺為載體,企業可便捷搭乘“ChatGPT快車”

    ChatGPT讓產業界看到了以它為代表的大模型的巨大價值。大量企業希望深度引入大模型,成為其IT技術底座之一,賦能上層應用和業務。

    NLP分成自然語言理解和自然語言生成兩個部分。自然語言生成門檻較高,因此NLP廠商涉足較少,大多聚焦自然語言理解部分。大模型捅破了自然語言生成的“窗戶紙”,以海量訓練數據、GPU和強大的模型能力重構企業對自然語言生成的認知。相比于傳統模型的自然語言生成能力,大模型應用于文字生成、文本理解、自動問答等下游任務時,生成的文本更加流暢,且內容訴實性得到顯著改善,并因此逐漸成為企業關注焦點。大模型讓NLP平臺補全了孱弱的自然語言生成能力,二者天然契合。如今,NLP平臺頭部廠商的相關產品已經蓄勢待發。

    會話智能:會話數據多多益善,企業需要尋找“強聚合”廠商

    會話數據分布在多個會話場域,例如微信、企微、釘釘、飛書、短信、呼叫中心、線下溝通等,碎片化特征明顯。廠商的能力往往體現在匯聚線上數據方面,而面對線下溝通數據則缺乏有效應對手段,導致數據匯聚不夠全面,造成數據資源浪費。同時,多數廠商對非結構化數據利用程度較低,也會造成數據資源浪費。

    企業需要尋找具備線上線上一體化解決方案以及在非結構化數據利用方面具有技術積累的廠商,實現全量會話數據價值釋放。

    3. 廠商全景地圖

    愛分析基于對甲方企業和典型廠商的調研以及桌面研究,遴選出在認知智能市場中具備成熟解決方案和落地能力的入選廠商。

     

    4. 市場分析與廠商評估

    愛分析對本次認知智能項目重點研究的特定市場定義如下。同時,針對參與此次報告的部分代表廠商,愛分析撰寫了廠商能力評估。

    4.1知識圖譜平臺

    市場定義:

    知識圖譜平臺是面向企業打造業務場景應用、挖掘數據價值的需求,構建基于自然語言處理和知識圖譜技術,集知識建模、抽娶融合、存儲、計算、推理以及應用為一體的知識全生命周期的管理平臺,其核心要素包括知識圖譜構建、知識圖譜管理。

    甲方終端用戶:

    IT部門,研發、質量、營銷、售后等業務部門

    甲方核心需求:

    甲方對知識圖譜平臺的需求體現在定制化、高性能和及時更新三方面。定制化方面,甲方需要結合經營模式和行業Know-how構建知識圖譜本體,并基于業務特點定制知識圖譜上層應用,迅速賦能企業業務;性能方面,甲方需要知識圖譜平臺準確、高效抽取非結構化數據,打造高性能、高可用的知識圖譜產品;此外,甲方需要知識圖譜具備及時增量更新能力。

    甲方需要定制化構建知識圖譜本體。知識圖譜的結構可分為模式層(Schema)和數據層(Data)。模式層由本體(即廣義的數據模型,用于定義事物類型以及可用于描述它們的屬性)組成,用來描述概念、關系和屬性,起到規范知識圖譜描述的對象、管理數據庫的作用。數據層由一系列實體、關系和屬性組成,存儲具體的數據信息,由模式層管理。甲方企業往往具備獨特的經營模式和行業Know-how,可用于構建知識圖譜模式層,進而管理企業知識,因此對模式層構建有高度定制化需求。

    甲方需要從非結構化數據中準確、高效抽取結構化信息。甲方企業在經營中會積累起海量多源異構數據,非結構化數據是甲方企業數據的主要組成部分。知識圖譜要納入非結構化數據,必須借助NLP等認知智能技術從中提取出結構化信息。當下主流的信息抽取方式是定制有監督機器學習模型,先標記數據,再訓練模型。但有監督機器模型訓練意味著大量人工標注工作,會帶來較高的人力成本和較長的項目周期。

    甲方需要打造高性能、高可用的知識圖譜。隨著數智化轉型的推進,甲方企業的數據規模也會呈幾何式上升。如今,有構建知識圖譜需求的企業其三元組數據規模普遍達到數十億量級,對知識圖譜性能提出了較大挑戰。以知識圖譜查詢速度為例,電商營銷場景下的智能推薦服務,要求商家在幾十毫秒內篩選出與顧客瀏覽記錄相似的產品;政務系統的數字大屏,需要智能問答系統在一秒內調用并可視化展示圖譜數據。如何在大規模存儲數據的基礎上保證圖譜使用性能,成了甲方越來越關注的問題。

    甲方需要知識圖譜迅速賦能業務。知識圖譜的核心價值在于對多源異構數據和多維復雜關系的處理與可視化展示,讓大數據和AI任務形成有效連接,為流程優化、輔助決策、預測分析等上層應用提供基礎服務。但知識圖譜不能直接發揮數據價值,而是要與認知智能應用結合,覆蓋到具體的業務場景,從而為企業降本增效。這意味著甲方需要基于對業務的理解,針對自身需求開發知識圖譜上層應用。

    但甲方自研應用會遇到多重困難。一方面,多數甲方缺乏專業的開發工具和IT人才,不具備定制化開發知識圖譜應用的能力。浙江大學中國科教戰略研究院與百度聯合發布的《中國人工智能人才培養報告》顯示,我國人工智能人才缺口高達500萬。另一方面,即使能克服人才阻礙,甲方企業內部的應用開發工作也耗時耗力,如果甲方的知識圖譜和上層應用沒有打通或者從零開始開發應用,往往需要數月時間,知識圖譜的價值難以快速落地。

    甲方需要知識圖譜及時增量更新,適應業務變化。隨著外部市場環境迅速變化,甲方自身業務也在快速迭代。為了滿足甲方最新的業務需求,知識圖譜中的知識也要經常更新。不更新意味著知識圖譜缺乏生命力,沒有時效性的知識會對業務產生負面影響,知識圖譜構建項目更是變成了“一錘子買賣”。

    知識圖譜有全量和增量兩種更新方式。全量更新是指以更新后的全部數據為輸入,從零開始構建知識圖譜,在技術實現難度低,但“推倒重建”式的構建方式會消耗大量資源。增量更新是指以當前新增數據為輸入,向現有知識圖譜中添加新增知識。相較于全量更新,增量更新資源消耗孝更新速度快。

    廠商能力要求:

    知識圖譜平臺的甲方核心需求對廠商能力提出多項要求,分別是定制化本體建模、過往項目積累快速復用、依據使用場景選擇數據存儲方式、基于企業業務提供定制化知識圖譜解決方案和知識圖譜快速更新。

    廠商需要具備定制化本體建模的能力,支持企業按需構建知識圖譜模式層。知識圖譜模式層的構建有五個環節:①確定專業領域和業務范疇;②在此范圍內收集多模態數據;③使用文本聚類、詞頻分析、聚類、統計分析等,統計出領域高頻特征詞、術語;④模式層初步開發,劃分并定義高頻概念集合;⑤基于業務實際優化迭代模式層。在此過程中,廠商專家要與甲方業務專家合作,定制化構建知識框架、定義知識抽取粒度和多模態數據的抽取范圍。在此過程中,廠商還需要為業務專家賦能代碼能力。近年來,無代碼被引入到知識圖譜構建過程中,部分廠商在知識圖譜平臺上內置無代碼平臺,為甲方業務專家構建一套無代碼通用流程,以可視化方式實現對實體、屬性、關系的定義和管理。

    圖 2:知識圖譜模式層構建的五個環節

    廠商需要積累語料、預訓練模型和解析器,在項目中快速復用。如何發揮非結構化信息的價值是甲方非常關注的問題,但傳統的有監督學習方法成本過高。一種解決方法是使用無監督機器學習技術,通過大數據訓練出大模型,再用少量行業數據二次訓練,能夠在特定場景下達到很好的抽取效果。但無監督機器學習的抽取準確率不如有監督機器學習,且具有較強隨機性。同時,大模型訓練成本高、方法論不成熟。無監督機器學習需要學界和業界共同探索,逐步優化。無監督機器學習技術在知識圖譜平臺市場的前景雖好,但短期內落地可行性較低。

    頭部廠商通常采用另外一種解決方法。他們在使用有監督機器學習的過程中,從公開資料和過往項目經驗中積累語料、預訓練模型和解析器,在項目中快速復用,通過產品化、系統化的方式降低成本、縮短周期。

    廠商需要能依據數據的使用場景選擇數據存儲結構。企業儲存在知識圖譜里的數據具有豐富的使用場景,對知識圖譜的使用性能有很高要求。不同的存儲方式會顯著影響到知識圖譜的性能,例如圖數據庫更適合儲存具有關聯關系的數據,因為其使用圖的遍歷算法在關系查詢時的計算量遠小于關系型數據庫;而關系型數據庫并發性能更好,在處理并發讀寫問題時效率更高。因此,知識圖譜平臺廠商需要依據數據的使用場景設計數據存儲結構,靈活使用不同的數據存儲方式。

    廠商需要提供基于知識圖譜的上層應用和完整解決方案,使知識圖譜能直接賦能業務?紤]到企業自研知識圖譜上層應用的時間成本,甲方需要使用知識圖譜平臺打造具有實用價值的知識圖譜,能直接賦能業務。因此,在項目實踐中,廠商需要為知識圖譜配備豐富的上層應用組件,包括認知搜索、智能問答、智能推薦等,并以此為基礎提供標準化的行業解決方案。同時,知識圖譜平臺需要具備基于標準解決方案進行二次開發以及通過API接口把知識圖譜應用嵌入甲方業務系統的能力。

    廠商需要具備知識圖譜及時增量更新能力,適應行業與業務變化。相比于資源消耗大、更新周期長的全量更新,甲方更需要及時增量更新知識圖譜。在增量更新環節,廠商需要針對非結構化數據建立抽取模型,知識圖譜平臺使用增量數據重新訓練模型后,通過對接企業數據源的工具定期將數據同步到知識圖譜,及時自動知識更新。以金融行業為例,證券和基金廠商的知識圖譜實現及時更新后,能夠快速將最新市場信息導入知識圖譜,為智能查詢等業務賦能。

    入選標準:

    1. 符合知識圖譜平臺市場分析的廠商能力要求;

    2. 近一年廠商在該市場的營收不低于1000萬元;

    3. 近一年廠商在該市場的付費客戶不低于5個。

    代表廠商評估:

    竹間智能

    廠商介紹:

    竹間智能創辦于2015年,致力于以自然語言處理、大語言模型,生成式AI,情感計算、深度學習、知識工程等人工智能技術為基礎,將AI應用落地各行業。過去8年來,竹間智能服務合作伙伴達500多家大型企業客戶,以標準化產品和行業解決方案賦能企業,達到降本增效與提高收入的目標,已在金融、制造、零售、醫藥、政企等多個領域落地,應用在營銷、銷售、運營等業務前-中-后臺全場景,助力企業數智化轉型。

    產品服務介紹:

    竹間智能擁有對話式AI平臺、知識工程平臺、機器學習平臺等多款標準化的平臺級產品,其中Gemini KG知識圖譜平臺是Gemini知識工程平臺的知識圖譜產品。Gemini KG可針對結構化和非結構化數據進行知識圖譜構建,包括模式層構建、管理以及端到端的知識圖譜應用,如智能搜索、文本分析、機器閱讀理解、異常監控、風險控制等。此外,Gemini KG可以與竹間在認知智能領域的其他產品相結合,針對營銷、客戶服務、運營管理、產品質量、根源分析等不同業務場景,基于知識圖譜技術的智能化應用需求提供完整解決方案。

    廠商評估:

    竹間智能在自動構建知識圖譜、知識圖譜上層應用與整體解決方案能力、制定產業級知識圖譜的實踐方法論等四個方面展現了顯著優勢。Gemini KG知識圖譜平臺整合了竹間智能眾多NLP算法和語義解析技術,并借助大型語言模型準確提煉文檔和非結構化數據的有效信息,深入挖掘信息間的關聯性,迅速自動構建知識圖譜。在知識圖譜構建能力之上,Gemini KG平臺通過多種應用提供用戶便捷的可視化工具和豐富的API接口,實現與企業業務系統的無縫對接,與竹間的產品組合相結合,為企業呈現從知識生成、知識應用到業務優化的全鏈條閉環解決方案。

    此外,竹間智能能為企業客戶提供多種附加價值服務,包括針對業務問題的咨詢與分析,設計基于知識工程的合適解決方案,并涵蓋應用開發與交付等環節,使企業能以更安全、更低成本、更高效的方式將認知能力賦能于實際業務。

    Gemini KG具備信息挖掘和分類的NLP能力,能自動化構建知識,生成精確的知識圖譜。傳統知識圖譜構建方法的特點是“重流程”與“靠人力”,即從構建模式層到數據審核,都要求甲方專家全程參與或開發專門的處理程序,并需要數據人員手動建立知識,人力成本高昂,項目耗時長而且錯誤率高。Gemini KG的NLP與大語言模型采取“先模型、后人工干預“的Artificial Intelligence + Human Intelligence” 非常有效的Human-In-The-Loop的AI工程方式。Gemini KG的知識平臺也是一個低代碼開發平臺,提供了眾多好用的NLP能力API與工作流編輯器,以及可調用的NLP預訓練模型,用戶在平臺上用可視化的拖拉拽方式設計和定義流程與配置模型參數,立即可以測試并得到結果,再不斷的調優,即刻完成整個從構建知識,應用知識,測試,與上線的全流程。

    Gemini KG知識圖譜平臺上預置了數十個NLP模型,具備行業常識理解能力。Gemini KG采用預訓練模型和預置解析器直接抽取知識,降低人工審核成本的同時,為構建知識圖譜提速,以前需要幾天才能做到的知識抽取與構建,到應用,現在只要一小時內即可用新數據賦能業務。

    Gemini KG是一款具備豐富知識圖譜上層應用的認知智能產品,可與竹間智能的其他認知智能產品聯動,提供完整解決方案。作為認知智能產品生態的底層引擎,Gemini KG依托知識圖譜和自然語言處理(NLP)等先進技術,開發了一系列知識圖譜上層應用。這些應用包括智能語義搜索、智能推薦、信息挖掘與抽娶風險控制、業務審核等,在智能搜索、競品分析、貸款申請表審核、反欺詐、論文查重、實時輿情分析等場景下發揮著重要作用。

    此外,竹間智能還提供了豐富的認知智能產品,例如Gemini KM智能知識庫、Bot Factory對話式AI平臺、AICC+解決方案平臺等。這些產品與Gemini KG相結合,可構成多個領域的標準化解決方案,如工業、醫療、金融、司法等領域。甲方可以根據自身需求,在標準化解決方案的基礎上開發定制化的知識圖譜上層應用,以滿足特定業務需求。

    圖 3:竹間智能的認知智能行業解決方案架構圖

    竹間智能是一家具備為產業龍頭企業打造產業級知識圖譜的能力的公司。許多產業龍頭企業希望知識圖譜的應用范圍更加廣泛,可以面向產業鏈上下游伙伴輸出領域知識,以提高產業競爭力,助力產業升級并鞏固自身在產業鏈中的影響力。竹間智能能夠提供定制化的服務,為產業龍頭企業打造符合其需求的產業級知識圖譜。

    竹間智能在技術方面具備解決數據多源異構情況和知識三元組數量大幅增加的能力。此外,竹間智能在應對產業信息獲取難、知識圖譜權限設置難、商業化路徑不明朗等方法論方面也具有經驗和實力。竹間智能在多個相關項目中有著豐富的經驗,能夠為企業提供全方位的產業級知識圖譜解決方案。通過竹間智能的服務,產業龍頭企業可以將其領域知識輸出給合作伙伴,實現知識賦能,提升自身的影響力和競爭力。

    竹間智能憑借豐富的項目經驗,積累了一套成功的知識圖譜項目方法論。該方法論覆蓋了項目前的需求評估、項目中的開箱即用語料/模型以及項目后的價值衡量機制等方面。在知識圖譜項目啟動之前,竹間智能會全方位考察甲方的數據、困難痛點和組織架構,評估甲方對知識圖譜的需求。竹間智能認為,不是所有甲方在數字化轉型中都需要知識圖譜,部分甲方可能并不了解知識圖譜的能力。因此,在評估甲方需求時,竹間智能會結合甲方的情況,判斷是否需要知識圖譜以及需要怎樣的知識圖譜。竹間智能致力于構建具有落地價值的知識圖譜項目,而非“為了知識圖譜而知識圖譜”。這樣,竹間智能可以為項目成功交付打下堅實基矗

    在知識圖譜項目中,甲方希望廠商具備積累的語料和模型,能夠開箱即用。竹間智能擁有豐富的項目經驗,積攢了大量的語料、預訓練模型和解析器。竹間智能可以根據甲方領域和行業情況,提供符合要求的語料和模型,從而滿足甲方的需求。

    此外,竹間智能還總結出完善的知識圖譜價值衡量機制,可以量化知識圖譜的降本增效程度。在智能問答場景下,知識圖譜作為對話機器人的一部分,其降本增效程度可以通過對話機器人問題解決率來衡量;在搜索場景下,搜索滿意次數可以作為衡量標準;當甲方使用具備圖探索能力的業務展板時,可以結合系統操作和使用率來衡量知識圖譜的價值;在知識推薦產品中,可以通過坐席處理對話時間的長短來衡量。這些衡量標準可以幫助甲方評估知識圖譜的效果,并為甲方決策提供依據。

    典型客戶:

    國網江蘇電力、中國石油、康寶萊、華泰證券、中宏保險

    4.2NLP平臺

    市場定義:

    NLP平臺是指使用機器學習、深度學習、知識圖譜等技術,通過計算機編程,將文本、聲音等自然語言數據編碼成結構化信息的賦能平臺,其核心要素包括NLP算法模型、NLP技術、NLP應用管理等。

    甲方終端用戶:

    決策部門,人力資源、市嘗產研等業務部門,IT部門

    甲方核心需求:

    企業對NLP平臺的期待不僅是為單個應用場景賦能,更重要的是將NLP能力引入企業技術底座,為上層應用賦能。在各類上層應用中,各部門對NLP平臺需求有所不同,如企業決策層和市場部門希望使用NLP技術獲取高質量行業洞察,為企業提供決策依據;人力資源部希望NLP平臺能提高業務流程智能化水平,進而提高業務運行效率。此外,隨著大模型開發訓練逐漸成熟,企業希望發揮自然語言生成能力的價值,以大模型賦能業務。

    甲方需要將NLP能力引入技術底座,為上層應用賦能。企業對NLP平臺的期待不是為單個應用場景賦能,而是將NLP能力引入企業技術底座,為上層應用賦能。以NLP平臺高端客群中的銀行為例,為便于拓展業務,中國境內大多數銀行都會設立眾多分支機構,各機構具備獨立的智能客服、對話機器人等認知智能上層應用。企業需要獲取通用NLP技術能力,將其復用在多種上層應用中。

    甲方需要將多模態數據轉化為機器語言,準確理解含義、抽取關鍵信息。NLP技術的主要應用場景包括洞察獲取和智能問答。這兩類場景的數據具有多模態特點,包括文本、語音、視頻等多種結構。企業需要使用NLP技術將多模態數據轉化為機器語言,準確理解其含義,并從中抽取關鍵信息,轉化為高價值洞察,或為用戶疑問提供解答。

    甲方需要快速開發定制化NLP應用,提升企業智能化水平。企業在業務發展過程中,為提高智能化水平,需要根據需求定制化開發NLP應用,例如文檔審核、媒體文章內容分發、簡歷處理等。但NLP應用開發流程繁瑣,而標準化NLP應用難以滿足業務需求,導致應用開發周期長、見效慢。因此,企業需要快速開發定制化NLP應用。

    甲方需要發揮自然語言生能力的價值,以大模型賦能業務。ChatGPT捅破了自然語言生成的“窗戶紙”,以海量訓練數據、GPU和強大的模型能力重構企業對自然語言生成的認知。相比于傳統模型的自然語言生成能力,大模型應用于文字生成、文本理解、自動問答等下游任務時,生成的文本更加流暢,且內容訴實性得到顯著改善,并因此逐漸成為企業關注焦點。企業希望借助大模型發揮自然語言生成能力的價值,以大模型賦能業務。

    廠商能力要求:

    甲方對NLP平臺的需求為廠商提出以下產品要求。首先,廠商需要將NLP技術平臺與上層應用結合,為企業打造NLP能力體系。其次,廠商需要具備豐富的項目經驗,在過往項目中積累行業標簽庫、深度學習算法等,提高NLP模型在垂直場景下的識別準確率。再者,廠商需要依托NLP技術,根據企業需求靈活組裝NLP算法與模型,為企業提供流程端點智能運作的定制化解決方案。最后,廠商需要結合自身稟賦,探索大模型的融合路徑。

    廠商需要將NLP技術平臺與上層應用結合,為企業打造NLP能力體系。NLP技術平臺和上層應用是打造NLP能力體系的兩個先決條件。一方面,廠商需要圍繞行業和場景積累深度學習模型和算法,具有面向不同行業、不同落地場景的NLP產品落地能力;另一方面,廠商還應具備豐富的上層應用矩陣,打造面向不同行業的標準化NLP產品與服務。在實際項目中,廠商需要將NLP技術平臺與預置上層應用相結合,為甲方打造NLP能力體系。

    廠商需要具備多模態數據處理能力,將非結構化自然語言轉化為結構化機器語言。為滿足企業獲取洞察、改善用戶體驗的需求,NLP平臺需要具備多模態數據處理能力,先將數據轉化為文本數據,再使用深度學習模型,將經過文本預處理的數據轉化為機器學習語言。以短視頻審核場景為例,一段長約3分鐘的短視頻中可能有數幀畫面包含違規內容,NLP平臺需將整段視頻分幀,從中抽取圖像、語音和文字信息,再通過分詞、詞性標注、命名實體識別和去除停用詞,將其進行預處理后,使用預訓練深度學習系統識別出違規信息。

    廠商需要支持企業快速開發NLP應用,或基于標準應用二次開發。為解決標準化NLP上層應用無法滿足企業需求的問題,廠商通常有兩種解決方案,即加快NLP應用開發速度,或二次開發標準化應用。一方面,NLP平臺需要在提供NLP算法的基礎上,將算法管理、模型訓練、模型管理等NLP能力構建流程工具化,可以支持企業快速開發NLP應用。另一方面,NLP平臺應在提供標準應用的基礎上,具備二次訓練模型、配置算法能力,允許用戶基于企業實際需求,在標準應用基礎上二次開發。

    廠商需要結合自身稟賦,探索大模型的融合路徑。NLP平臺廠商逐漸認識到大模型將NLP帶入自然語言生成時代。但大模型構建門檻高、難度大,大部分廠商既有的訓練數據、算力等難以滿足大模型開發需求。因此,廠商需要結合自身稟賦,探索與大模型融合路徑。例如,部分大廠具備大模型開發能力,可將開發通用大模型作為發展方向;中小廠商缺乏構建大模型能力,則可以將通用大模型疊加自身的行業的積累,以二次訓練方式打造與行業深度融合的領域大模型。大模型剛剛興起,直接要求NLP平臺廠商構建通用或領域大模型并不貼合市場實際情況,但廠商在戰略、技術、產品方面應有所規劃。

    入選標準:

    1. 符合NLP平臺市場分析的廠商能力要求;

    2. 近一年該市場年營收不低于1000萬;

    3. 近一年該市場付費客戶數量不低于5家。

    代表廠商評估:

    拓爾思

    廠商介紹:

    拓爾思信息技術股份有限公司(簡稱“拓爾思”)成立于1993年,是一家專業的大數據、人工智能和數據安全產品及服務提供商。拓爾思堅持核心技術自主研發,擁有40+發明專利、1000+軟件著作權,在搜索型數據庫、自然語言處理(NLP)技術的技術創新和應用場景落地等方面保持領先地位,成功服務了一批國家級重要信息化項目的建設,包括國家企業信用信息公示系統、信用中國、國家知識產權檢索系統、GA云搜索等國家級基礎設施的數據管理和檢索引擎。

    產品服務介紹:

    在NLP平臺市場,拓爾思已推出“TRS智語自然語言處理引擎(簡稱智語)”和“TRS智拓人工智能技術平臺(簡稱智拓)”兩款產品。

    智語:產品吸收了拓爾思在NLP和信息檢索領域多年的技術積累,圍繞深度學習、知識圖譜等核心技術,依托TRS智拓語義智能技術平臺等技術成果,面向智慧專利、智慧公安、智慧政務、智慧金融、開源情報分析等應用場景提供服務。

    智拓:新一代基于深度學習的語義智能技術平臺,圍繞NLP、知識圖譜、圖像檢索三大核心技術,結合RPA、數據中臺等技術,面向媒體融合、智慧專利、智慧公安、智慧政務、智慧金融、開源情報分析等應用場景,提供文本、音視頻、多模態等全棧AI服務能力,可以幫助用戶快速構建自己的AI技術能力,有效提升行業語義智能的服務能力和效果。

    廠商評估:

    拓爾思是NLP市場的資深廠商,深耕NLP技術二十余年,圍繞行業與場景積累大量算法模型,有利于甲方進一步深挖數據價值。依托突出的產品能力、私有化部署和靈活的交付模式,拓爾思的NLP平臺可有效滿足政府機關、大型銀行、央國企等高端客戶需求。拓爾思把握NLP發展新態勢,基于自研垂直大模型打造的文本內容自動生產平臺——“智創”,正在加速上線,致力于為甲方構建更強大的NLP能力體系。

    拓爾思深耕NLP技術二十余年,圍繞行業與場景積累大量算法模型,有利于甲方進一步深挖數據價值。拓爾思早在2000 年便入局NLP市場,圍繞行業與場景積累大量算法模型。拓爾思通過大規模自監督學習的多模態人工智能算法,融合自然語言理解,基于行業的千億級圖文大規模預訓練,實現用更小的標注樣本數量,融合更多的模態信息,建立了350+深度學習算法模型的模型工廠,可面向不同行業、不同落地場景進行知識和模型的加工。

    圖 4:拓爾思NLP通用模型及標簽模型(部分)

    拓爾思積累的大量算法模型有利于甲方實現更全面細致地分析,進一步深挖數據價值。以標簽模型為例,其本質為事件特征,標簽越細致意味著對事件描述地越全面。同樣的語料,甲方通過標簽疊加可以挖掘到更多的信息,例如在金融風控場景中可以對貸款企業進行更有效的風險評估,在社會態勢感知場景中可以對社會輿情進行更深層面的監督。

    拓爾思的NLP平臺產品能力與交付方式可有效滿足政府機關、大型銀行、央國企等高端客群的需求,助力甲方打造NLP能力體系。在NLP平臺市場,政府機關、大型銀行、央國企等高端客群的需求具有鮮明特色,對廠商能力要求較高。第一,廠商需要為其打造NLP能力體系,而不僅僅是上層應用;第二,支持私有化部署;第三,NLP平臺產品可以靈活銷售。

    拓爾思的NLP平臺產品能力與交付方式可有效滿足高端客戶需求。在NLP平臺市場,拓爾思已推出智語和智拓兩款產品,可為甲方提供通用NLP技術賦能。同時,拓爾思還推出了豐富的上層應用矩陣,包括數星產業大腦、數星智能風控大數據平臺等。技術平臺與豐富應用相結合,拓爾思具備為甲方打造NLP能力體系的先決條件。其次,拓爾思的NLP平臺支持私有化部署,與高端客群的采購需求特色契合。最后,考慮到高端客群的數字化能力較高,數字化系統較豐富,可能在NLP方面已有一些前期建設的實際情況,拓爾思支持NLP平臺產品以及上層應用產品以靈活的方式進行交付,為甲方以較小的成本實現NLP能力體系的構建或完善。

    拓爾思把握NLP發展新態勢,基于自研垂直大模型打造的文本內容自動生產平臺——“智創”,正在加速上線,致力于為甲方構建更強大的NLP能力體系。NLP分成自然語言理解和自然語言生成兩個部分。自然語言生成門檻較高,因此NLP廠商涉足較少,大多聚焦自然語言理解部分。拓爾思致力于為甲方構建完整的NLP能力體系,因此在“理解”和“生成”兩方面均有布局。早在2016年,拓爾思在浙江日報報業集團的融媒體智能傳播服務平臺(簡稱浙報媒立方)率先推出了機器寫作,主要根據拓爾思的全網資訊大數據自動生成體育、氣象和財經等領域的主題稿件,推送到浙報媒立方。隨后幾年,拓爾思在自然語言生成相關領域的機器寫作、對話式AI、內容人機協同和自動報告生成等應用場景,已相繼打造出一批優秀實踐案例。

    圖 5:拓爾思自然語言生成各場景客戶名單(部分)

    ChatGPT的橫空出世,加速自然語言生成的發展速度。拓爾思基于自研垂直大模型打造的文本內容自動生產平臺——“智創”,正在加速上線。拓爾思“智創”是一款專注文本生成類的內容自動生產平臺,其依托拓爾思長期積累的自然語言處理技術和人工智能平臺產品為基礎,融合自研垂直大模型,將專注在輔助型、應用型、創作型等文本內容的自動生成領域。拓爾思在智創的落地應用方面已有明確規劃,優先落地五個場景:

    新聞出版:機器人寫稿、內容創作協助、基于媒體大數據的自動報告生成、多模態的自動配圖。

    政務服務:公文輔助創作、政民互動服務、政務新媒體的創新應用、政策大腦的摘要/數據解讀。

    金融領域:自動報告生成、證券研報的智能解讀和摘要生成、上市公司的信息檢索。

    通用行業:知識圖譜構建、人機協同的內容生成、開源報告的簡報生成等。

    元宇宙和云服務:虛擬人服務;數家資訊云服務的報告生成、資訊信息精準對話式檢索;網察云服務的自動輿情報告生成等。

    典型客戶:

    民生銀行、招商銀行、華能集團

     

    4.3會話智能

    市場定義:

    會話智能是基于ASR、NLP、機器學習等技術,從非結構化的會話數據中為用戶提供話術質檢分析、意圖捕捉、流程管理等能力的解決方案。

    甲方終端用戶:

    銷售管理人員、一線業務人員

    甲方核心需求:

    會話智能是一項較新的認知智能應用,圍繞新興數據源,為企業提供發揮非結構化會話數據價值的新渠道。會話智能用途豐富,包括銷售、審批、企業內部溝通等,其中銷售場景新興數據源多,不僅能提供大量線下會話數據,還能通過辦公軟件、短信等線上渠道產出線上會話數據,具有更高分析價值,因而成為會話智能首選應用場景。

    在銷售場景下,管理賦能是企業對會話智能的主要應用形式,但也有部分企業在其他場景下嘗試用會話智能賦能一線業務人員。管理賦能既包括銷售團隊賦能,如銷售人員技巧培訓和業績評估、銷售業務監管,也包括銷售決策賦能,如洞察客戶需求和市場信息。會話智能賦能一線業務人員的形式較為多元,主要表現為通過流程管理減少員工重復工作。此外,由于會話數據分散的特性,打通數據孤島也成為甲方關注的問題。

    甲方需要打通銷售數據孤島。甲方銷售人員與客戶溝通渠道眾多,既包括線下溝通、電話和短信聯系,也包括諸多業務溝通應用,如企業微信、釘釘、飛書等。多元的溝通渠道會產生大量分散的會話數據,彼此之間無法相互關聯,形成數據孤島。甲方需要用會話數據賦能業務,必須打破數據孤島,挖掘數據價值。

    甲方需要利用會話數據培訓銷售人員,并準確、全面評估銷售表現。隨著外部市場環境快速變化,銷售人員需要迅速迭代銷售技巧,以適應動態、復雜的工作環境,對銷售培訓需求越來越多。但Gartner的研究發現,銷售主管平均只有9%的時間用于銷售培訓,且有42%的銷售主管認為自己缺乏培訓能力。為實現高質量的銷售培訓,甲方銷售主管需要從會話數據中提煉標準銷售動作,將其分享給團隊成員,復制成功銷售經驗,也可以總結與銷售失敗相關的會話行為,協助銷售人員調整話術、流程和策略,及時止損。

    銷售主管還需根據銷售表現衡量培訓成果和銷售人員業績,但傳統銷售業績評估多數基于結果導向,過于看重“最終成單數”等指標。單一維度評價體系不能全方位評估銷售人員的銷售能力,不利于員工和企業長遠發展。為此,甲方需要一套全面衡量員工銷售表現的評價標準,多維度考察銷售人員的銷售表現。

    甲方需要銷售業務透明化,全流程監管銷售過程。在與客戶交流過程中,甲方銷售人員與客戶溝通流程不透明。銷售人員服務流程是否規范、在溝通中是否出現違規行為,銷售主管都不得而知。銷售人員一旦出現違規行為,企業利益往往會蒙受損失,如過度承諾、爭執等不當行為會造成交易失敗,再比如銷售人員收受“紅包”會減少企業收入等。因此,甲方需要全流程監管銷售過程,及時發現、糾正銷售人員違規行為。

    甲方需要洞察客戶需求和市場信息,及時制定和優化市場策略、完善銷售計劃。在銷售人員與客戶溝通過程中,客戶實時反饋包含有價值的市場情報,如客戶真實需求、市場趨勢等。銷售部門管理者可據此制定和優化市場策略、完善銷售計劃。甲方銷售人員通常使用CRM系統匯報銷售情況,但匯報材料中通常缺乏關鍵細節,如丟單原因、競品信息等,導致銷售人員與決策者之間出現脫節,決策者無法憑借已有信息做出精準的市場判斷。

    甲方需要使用會話智能實現流程智能化管理,提高一線業務人員工作效率。會話智能的應用正在從管理賦能下沉到一線業務人員賦能,企業對此進行很多積極嘗試,如將會話智能應用于知識管理、行政審批、坐席助手等。其中流程管理是會話智能下沉的主要應用場景,甲方希望使用會話智能自動完成原本需要人工操作的流程節點,實現流程智能化管理。

    廠商能力要求:

    甲方需要打通數據孤島,用會話數據賦能銷售管理,這對廠商提出了多方面能力要求。廠商需要為會話數據構建非結構化數據平臺,將其抽象成結構化數據,并入甲方數據中臺和CDP(客戶數據平臺)。在此基礎上,廠商需要依托行業Know-how和NLP技術,搭建行業銷售標簽體系、會話數據預警系統和企業SOP,從中提煉銷售話術和流程、銷售表現數據、市場洞察和銷售進程信息,并在出現風險時及時預警。

    廠商需要為甲方打造“非結構化數據平臺”,連接甲方業務溝通平臺。打通數據孤島的第一步是實現非結構化數據互聯。會話智能產品需要通過API接口創建、編輯,實現與第三方系統的互聯互通。此外,會話只能產品體系要向線下數字化拓展,具備語音數據采集能力和高精度讀取能力,實現線上線下數據打通。

    為打破數據孤島,廠商需要將會話智能產品打造成非結構化數據平臺。作為傳統數據中臺的補充,會話智能需要將非結構化會話內容轉寫、抽象成結構化數據,并入CDP和數據中臺進行關聯分析。

    圖 6:廠商為甲方打造“非結構化數據平臺”,連接業務溝通平臺和CDP、數據中臺

    廠商要結合項目積累和甲方業務經驗,提煉銷售流程各環節標準動作,用以培訓和評估銷售人員。會話智能廠商需要依托積累的項目經驗,針對多個行業打造銷售流程標簽體系,并將其與甲方業務經驗結合,定制化構建銷售標簽庫。會話智能產品需要訓練機器學習模型,建立會話數據與銷售標簽之間的對應關系,再通過綜合分析甲方會話數據與銷售業績指標,從會話數據中提取銷售流程每個標簽的標準動作和關鍵銷售指標,如通話響應時間、接通率、說話占比、重復呼叫率、一次解決率等。銷售主管使用標準銷售動作培訓銷售人員,使用關鍵銷售指標對銷售人員進行量化評價。

    廠商需要為甲方搭建會話數據預警系統,全流程監控銷售流程,出現風險及時預警?紤]到甲方全流程監管銷售過程的需求,會話智能廠商要結合行業Know-how和甲方實際業務,預搭建銷售風險信號標簽庫和風險會話語義庫,并預訓練風險預警機器學習模型。

    廠商要以預置的機器學習模型為基礎,為甲方搭建會話數據預警系統,將會話數據近實時回傳到會話智能軟件。會話智能產品使用ASR技術精準轉寫會話數據,并使用實體抽娶情感映射等NLP技術將甲方銷售人員會話數據結構化建模。機器學習模型可從抽象后的數據中識別風險會話信號,通過數據接口將其傳輸到甲方通知系統,及時預警相關人員。

    廠商需要具備行業經驗,為甲方提供咨詢服務,并基于會話智能提供流程智能化解決方案。為解決甲方流程智能化需求,廠商需要具備豐富的行業經驗,為甲方提供咨詢服務,梳理甲方業務流程問題,如節點人工操作導致效率低下等。在此基礎上,廠商需要將會話智能與企業原有業務系統結合,收集員工公開會話數據,并據此自動完成原本需要人工操作的流程節點,如資料上傳、知識管理等,為企業提供流程智能化解決方案。

    入選標準:

    1. 符合會話智能市場分析的廠商能力要求;

    2. 近一年該市場年營收不低于500萬;

    3. 近一年該市場付費客戶數量不低于3家。

    代表廠商評估:

    明略科技

    廠商介紹:

    明略科技是一家企業數據智能應用軟件供應商,通過挖掘數據價值,為客戶提供基于大數據和人工智能的軟件產品與服務,幫助組織在數字化轉型中挖掘營銷、銷售和服務等場景的商業價值。

    產品服務介紹:

    明略科技聚焦營銷智能和營運智能賽道,深挖數據應用,打通線上線下的數據壁壘,賦能更多高價值場景。其中,營銷智能領域解決方案覆蓋公域私域全鏈路,為企業增長提供動力;營運智能專注企業運營體系,圍繞數字化場景提供的解決方案,助力企業突破業務全生命周期管理。

    會話智能作為明略科技營運智能的解決方案,是一款銷量增長引擎,以SaaS交付方式幫助企業營銷、銷售部門實現銷售過程數字化和業績歸因分析。明略科技會話智能通過智能識別會話過程中的“關鍵事件”(如:連帶銷售,競品優勢提及),并分析此類事件與業績提升、下降的相關性,從而讓銷售團隊改變溝通行為,提升業績表現。目前,明略科技會話智能聚焦銷售過程分析、營銷活動分析、員工對比分析、客戶需求分析四類場景,為美妝、汽車、3C、教培、地產等行業頭部企業提供SaaS產品服務和定制化分析報告。

    廠商評估:

    技術、行業積累和客戶成功體系構成明略科技在會話智能領域的競爭力鐵三角。以技術為基,明略科技打造軟硬一體解決方案,破除線下會話數據采集困難的行業痛點,實現全量會話數據的價值挖掘。明略科技依托在汽車、美妝、3C和大健康領域的行業積累,構建了豐富的行業知識庫、標簽庫和指標庫,有利于提升語音和語義識別準確率和跳過項目冷啟動階段。明略科技已建立客戶成功體系,為項目配備客戶成功團隊,幫助甲方實現業務價值。

    明略科技以技術為基,打造軟硬一體化解決方案,實現線上線下數據的充分匯聚和充分利用,提高分析和洞察的準確性。甲方對會話智能的普遍價值預期:充分釋放會話數據價值,提升企業分析和洞察能力,進而驅動業績增長。但是,在“充分釋放會話數據價值”環節存在兩個常見難點。首先是數據匯聚不全。會話數據分布在多個會話場域,例如微信、企微、釘釘、飛書、短信、呼叫中心、線下溝通等,碎片化特征明顯。廠商的能力往往體現在匯聚線上數據方面,而面對線下溝通數據則缺乏有效應對手段,導致數據匯聚不夠全面,造成數據資源浪費。明略科技會話智能具備語音轉寫軟硬一體解決方案,通過明略科技自主研發的靈聽工牌,采集門店銷售人員的會話數據,上傳到明略科技會話智能系統中,打通線上線下會話數據。第二個難點是非結構化數據利用程度低。會話數據主要包含文本和語音兩種模態,語音數據中經常出現方言、外語,甚至是約定俗成的錯誤表達,例如將汽車型號“x”發為“叉”音,廠商應對起來較為吃力。明略科技會話智能根據自身在ASR、NLP等方面的技術積累,可以有效應對上述問題,進而提升甲方對非結構化數據的利用程度。

    明略科技在汽車、美妝、3C和大健康領域均有10年以上的業務沉淀,有利于提升語音和語義識別準確率和跳過項目冷啟動階段,項目質量和交付更有保障。會話數據洞察分析是會話智能的核心價值,而會話數據提取與轉化精度是準確洞察的保障。與通用場景不同,甲方企業的銷售會話數據具有行業特性,包含大量產品術語和行業規則。面向通用場景的深度學習模型直接復用在行業場景,準確率會大打折扣。

    明略科技17年來與多家500強企業建立了業務合作,在汽車、美妝、3C和大健康領域均有10年以上的業務沉淀,構建了豐富的行業知識庫、標簽庫和指標庫。明略科技會話智能產品使用行業知識庫訓練NLP模型,在上述行業銷售場景下具有更高的語義識別準確率。此外,明略科技的行業知識庫積攢了多個行業品牌、品類等實體信息,用于預訓練該行業的深度學習模型,并將其預置在明略會話智能系統內。明略科技與同行業其他甲方建立合作時,可跳過冷啟動階段,只需根據甲方業務情況微調模型和算法,即可快速適應客戶需求和行業環境。

    明略科技為項目配備客戶成功團隊,能針對甲方需求定制業務分析洞察,釋放會話數據價值。在明略科技看來,將明略科技會話智能銷售給甲方并非項目終點,而是起點。明略科技希望甲方可以將會話智能用起來,在業務場景發揮實際價值。因此,明略科技為每個項目配備“完整建制”的客戶成功團隊,能針對甲方需求定制業務分析洞察?蛻舫晒F隊包括項目經理、運營經理和團隊分析師三個核心角色,當甲方決策者提出定制化分析需求時,團隊成員協同配合:項目經理負責提供咨詢服務;運營經理負責具體實施方案,包括針對會話數據實施數據運營、針對案例開展最佳實踐等開展內容運營;團隊分析師負責定位問題、分析數據、抽象特征,并輸出分析報告。報告既可針對甲方特定產品和服務展開全面分析,為采購人員和甲方決策層提供洞察指標和改進意見,也可以分析銷售人員執行企業SOP的情況,提煉執行建議洞察。

    客戶成功團隊業務運營人員按照甲方需求輸出定制化報告后,可將分析指標等報告成果進行產品化,發布到客戶的明略會話智能智能租戶當中。甲方遇到類似問題可以自行分析,無需重復付費。

    典型客戶:

    某金融服務企業、某汽車品牌、某教育集團、某醫藥零售企業、某口腔醫療服務機構

     

    4.4智能診療

    市場定義:

    智能診療是指將知識圖譜、機器學習、自然語言處理等人工智能技術用于輔助診療當中,使計算機能夠模擬醫生診療時的思維邏輯,在實際應用時給出診療方案,為醫生提供決策支撐,提升醫療效率和質量,應用領域包括智能診斷、治療方案推薦、醫學知識庫、檢查輔助等。

    甲方終端用戶:

    基層醫療機構、醫院門診、醫院影像科

    甲方核心需求:

    甲方對智能診療的需求主要體現在決策支持方面;鶎俞t療機構需要智能診療產品輔助基層醫生決策;影像科醫生需要智能診療產品快速、精準判斷患者病情,提高診斷效率和準確性;?崎T診醫生需要快速獲取臨床決策證據,準確做出臨床決策;智能診療產品還需要輔助醫生評估治療方案療效,科學治療患者。

    基層醫療機構需要提升基層醫生診斷水平,承擔“基層首診”任務;鶎俞t療機構人才匱乏、診療水平相對較低,導致患者寧可舍近求遠,排隊到大醫院就醫,也不愿意前往基層醫療機構就診;颊呒械酱筢t院就診是看病難、看病貴的重要原因之一。為此,國務院辦公廳發布的《關于推進分級診療制度建設的指導意見》,提出“基層首診、雙向轉診、急慢分治、上下聯動”的分級診療體系建設意見;鶎俞t療機構要承擔起“基層首診”的任務,提高基層醫生診療水平,亦是智能診療的用武之地之一。

    甲方需要根據醫學影像快速、精準判斷患者病情,提高診斷效率和準確性。動脈網數據顯示,中國醫學影像數據年增長率達30%,而放射科醫生的年增長率僅有4.1%。這導致影像科醫生工作量逐年加大,難以完成海量醫學影像的閱片工作。另外,依靠醫生經驗判斷患者病情容易出現誤診、漏診情況,影響患者治療。因此,甲方希望將認知智能技術與醫學影像結合,快速、精準判斷患者病情,提高診斷效率和準確性。

    甲方需要?漆t生以循證醫學為原則,迅速、準確做出臨床決策。傳統臨床決策只依賴?漆t生有限的實踐經驗,缺乏客觀研究結果做憑據,可能導致無用的治療方法長期得到臨床采用,而有助于疾病治療的方法則受到忽視。因此,甲方愈發重視遵循循證醫學原則,將臨床醫生個人經驗與臨床決策客觀依據結合,迅速、準確為患者做出臨床決策。但決策依據來自對相關信息進行搜集、評價和整合,需要臨床醫生花費大量時間。因此,甲方需要引進知識圖譜技術,輔助臨床醫生在短時間內完成知識查詢,獲取相關證據,準確做出臨床決策。

    甲方需要醫生評估治療方案療效,為患者提供定制化治療方案。醫生診斷患者病情后,會參考特定疾病的治療方法,出具標準治療方案。但每一位患者的病情都具有差異性,治療方案的效果也因人而異。為此因此,部分醫院設立專病門診,為特定病種患者提供病程全周期管理服務。在此過程中,醫生需要準確把握患者預后情況,使用AI醫學影像等技術科學評估療效,為患者提供定制化治療方案。

    廠商能力要求:

    甲方對智能診療的需求為廠商提出多項能力要求;鶎俞t療機構需要廠商提供符合基層醫生使用習慣的輔助診斷系統;醫院影像科需要智能診療產品快速準確實現圖像病例分類和病灶分割;醫院門診需要智能診療產品為臨床醫生診斷提供決策依據,并基于患者病情發展信息,為醫生療效評估提供參考。

    圖 7:智能診療廠商能力要求

    廠商需要將認知智能技術與醫生診斷結合,構建適合基層醫生使用的輔助診斷系統。為提升基層醫生診斷水平,智能診療廠商需要具備利用機器學習、深度學習等技術打造高精度、高可靠性的診療算法和模型,并使用分詞算法、實體關系抽取等NLP技術構建常見病知識圖譜。在基層診斷場景下,模型能根據患者癥狀描述,通過圖譜檢索等方式,為基層醫生提供患者病情診斷輔助。同時,算法和模型需要在臨床診斷中結合醫生和患者反饋,不斷自我優化,進一步提高其準確性和可靠性。

    廠商需要將人工智能技術與醫學影像結合,快速準確實現圖像病例分類和病灶分割。為提高影像科醫生閱片效率和準確性,廠商需要使用深度學習技術預訓練模型,將其與醫學影像系統結合后,使用患者數據進行二次訓練。訓練后的模型需要實現圖像病例精準分類,提供診斷建議,或實現目標/病灶檢測分割,輔助醫生勾畫治療靶區。

    廠商需要將?圃\療信息沉淀為醫學知識圖譜,為臨床醫生診斷提供決策依據。為方便臨床醫生快速獲取證據,結合自身經驗準確做出臨床決策,廠商需要結合公開資料和甲方內部信息,使用NLP、知識圖譜等技術將?萍膊∠嚓P研究、治療等信息沉淀為醫學知識圖譜。知識圖譜需要配備智能查詢服務,能根據查詢需求自動匹配患者數據及相關病理、藥理信息,為臨床診療提供符合循證醫學證據的決策支持。

    智能診療產品需要獲取患者病情發展信息,為醫生療效評估提供參考。療效評估需要獲取患者病情發展信息,廠商需要使用知識圖譜等認知智能技術,對比分析患者治療前后病情發展情況。以影像醫學為例,智能影像產品通過AI技術對比分析患者治療前后的影像變化后,能夠根據視覺影像知識圖譜,檢索影像占位特征對應的疾病信息,將視覺信息轉化為量化指標,為病情及療效評估提供決策依據。

    入選標準:

    1. 符合智能診療市場分析的廠商能力要求;

    2. 近一年該市場年營收不低于500萬;

    3. 近一年該市場付費客戶數量不低于3家。

    代表廠商評估:

    深睿醫療

    廠商介紹:

    北京深睿博聯科技有限責任公司(簡稱深睿醫療)成立于2017年3月,在北京、上海、杭州均設有獨立運營公司,是專注于人工智能技術在醫療領域應用的國家級高新技術企業,致力于通過深度學習技術及自主研發核心算法,為國內外各類醫療服務機構提供基于人工智能和互聯網醫療的解決方案。深睿醫療產品遍布全國30多個省市,為數千家醫療機構提供從AI輔助診斷、智能篩查、臨床決策、患者服務到醫療大數據治理、科學研究、醫生培訓、能力建設等全鏈路的人工智能服務。

    產品服務介紹:

    深睿醫療專注于人工智能技術在醫療領域的應用,為國內外各類醫療服務機構提供基于人工智能和互聯網醫療的解決方案,產品遍布全國30多個省市,為數千家醫療機構提供從AI輔助診斷、智能篩查、臨床決策、患者服務到醫療大數據治理、科學研究、醫生培訓、能力建設等全鏈路的人工智能服務。其中深睿醫療旗艦產品Dr.Wise®智慧影像系列產品家族龐大,目前覆蓋神經系統、心血管系統、運動系統、呼吸系統、消化系統、女性關愛、兒童關愛等領域。深睿醫療也是國內同時擁有7張NMPA三類證的醫療人工智能公司,這樣的獲證數量在國內的醫療AI領域是較為罕見的。

    廠商評估:

    深睿醫療在科研積累、解決方案完備性、AI診療產品性能和智能診療項目經驗等方面具有優勢。研發方面,深睿醫療在科研領域積累豐富,且具有完備的整體解決方案,能滿足醫療機構合作研發需求;產品性能方面,深睿醫療將認知智能技術應用于醫療產品,以乳腺產品為例,有效解決乳腺檢查影像診斷難題,旗下乳腺類AI產品于2023年1月獲得行業首個也是目前唯一一張NMPA三類證。此外,深睿醫療采取“AI+云平臺”模式,賦能數字疾病化管理,緩解基層醫療資源短缺難題,并為醫院影像科提供“醫生助手”,為醫生提供全流程診療輔助,提高診斷效率。

    深睿醫療在科研領域積累豐富,且具有完備的整體解決方案,能滿足醫療機構合作研發需求。大型醫療機構在特定?苹蝾I域有深厚的醫學知識積累,希望通過與AI醫療廠商合作,將醫學知識轉化為臨床產品,提高醫院服務水平?蒲心芰、解決方案完整的AI醫療廠商是這類醫療機構合作首眩深睿醫療不僅在科研方面具有豐富沉淀,曾牽頭或參與7個科技部重大專項,15個國家自然科學基金項目,30多個省地級科研項目,而且在解決方案完整性方面具有優勢,為數千家醫療機構提供AI輔助診斷、智能篩查、臨床決策等全鏈路人工智能服務,具備與醫療機構合作研發能力。

    深睿醫療迄今參與多項醫療機構合作項目,成果顯著。以四川大學華西醫院和深睿醫療合作為例,2022年雙方共同開發“面向呼吸疾病的醫學人工智能數據庫”,并在此基礎上研發胸部疾病人工智能輔助診斷產品DeepMRDTR。這款產品采用知識圖譜等認知智能技術,可智能識別結節、腫塊、磨玻璃密度影等20種胸部異常征象,依托多模態、全周期臨床多維信息對腫瘤性疾并感染性疾病和氣道性疾病提供鑒別和綜合診斷,使肺癌、肺炎、肺結核等8種常見呼吸疾病診斷準確性達90%。

    深睿醫療能夠將前沿智能醫學科研成果落地為智能診療產品,解決乳腺檢查難題。由于亞洲女性乳腺致密性構造,腫塊、結構扭曲等易受到腺體影響的因素,成為乳腺X線檢查影像診斷難點。為解決這一難題,深睿醫療與國內多家醫療機構合作,展開一系列乳腺方向研究,提升乳腺疾病相關檢測和診斷算法性能。深睿醫療將深度學習算法與當前目標檢測、實例分割、次序回歸等乳腺疾病領域前沿學術成果融合,自主創新針對高噪聲環境中超微小物體檢測的AI算法,能夠自動檢出并標注乳腺病灶。深睿醫療基于新算法打造出乳腺類智能診療產品,于2023年1月獲得NMPA三類證,國家藥監局頒發的國內首個乳腺AI三類證。

    深睿醫療推出“AI+云平臺”模式,在數字疾病化管理領域落地案例豐富。醫療資源短缺是制約基層衛生服務能力發展的痛點。深睿醫療與基層醫療機構、衛健局合作,將智能裝備、智能診療、智能患者管理等創新手段融入疾病全周期管理平臺,以AI技術緩解基層醫療資源緊缺。

    深睿醫療“AI+云平臺”模式迄今已有豐富的落地案例,包括與浙江省腫瘤醫院合作的智慧疾病篩查平臺-AI健康地圖,該項目入選2022健康中國創新實踐案例及2022年浙江省數字化改革最佳應用獎,在新疆、上海、南京、杭州等地先后落地的兒童生長發育智能診療平臺項目等,以深睿醫療聯合杭州市西湖區衛健局共同建設的“基于多病種人工智能的區域醫療影像云平臺”項目為例,深睿醫療利用云網融合技術構建區域醫療影像云基礎平臺,聯網西湖區12家社區衛生服務中心,實現區域內醫療影像數據集中采集、標準化存儲、高效檢索、統一管理。該項目是浙江省西湖區重點民生實事項目,入選2022年杭州市第一批重點建設人工智能應用場景。

    在此基礎上,深睿醫療使用知識圖譜、NLP等認知智能技術,針對多種常見疾病打造醫療AI輔助診斷引擎,并將其與基礎平臺融合,形成基于AI技術的智能影像云平臺。“AI+云平臺”模式實現胸部CT、胸部平片、兒童骨齡、四肢骨折等病種區域智能化集中診斷,解決基層醫療機構閱片壓力大、診斷能力不足等問題。

    深睿醫療發揮AI醫學影像技術優勢,與醫療大數據平臺融合,為醫院影像科打造“醫生助手”。AI醫學影像已經完成早期單病種單征象向多病種全征象的過渡,現階段醫院需要一個“醫生助手”,從診療全流程為醫生提供輔助。深睿醫療充分考慮醫生的日常診療流程,依托AI醫學影像技術優勢,研制新一代輔診系統,能夠提高診斷效率,減少醫生重復勞動。以胸部CT AI輔診系統為例,該系統打破早期AI產品只能檢出單一病癥的局限,實現肺部、胸膜、胸廓、縱隔等部位全征象一站式自動分析;颊咦鲆淮涡夭繏呙,既可以檢出肺結節、肺炎、胸部骨折等相關病灶征象,還能夠獲得肺結節良惡性提示、危急疾病預警、多發結節智能隨訪等信息。同時,該系統通過肺窗與縱隔窗聯動,能夠檢出胸膜病變,并對相關征象進行定量分析。

    此外,在完成對于依圖醫療的并購后,深睿醫療在人工智能與醫療大數據領域,依托“影像+數據”的雙AI引擎,為醫院影像科構建智影像數據平臺,實現業務流程化,流程信息化,信息數據化,數據智能化。2023年2月上線的Deepwise MetAI智慧影像&數據新平臺,應用計算機視覺、NLP、深度學習等人工智能技術,實現影像掃描后重建、打英診斷、會診、教學、科研的一站式影像科全周期智能管理。診斷流程中產生的結構化數據可作為影像科數據資產,用于多學科專家會診、科研的提質增效、影像科室的能力建設等多個方向。

    典型客戶:

    四川大學華西醫院、浙江省腫瘤醫院、中日友好醫院、浙江大學醫學院附屬兒童醫院、杭州市西湖區衛健局

    5. 入選廠商列表

     

     

    贊助本站

    人工智能實驗室
    AiLab云推薦
    展開

    熱門欄目HotCates

    Copyright © 2010-2023 AiLab Team. 人工智能實驗室 版權所有    關于我們 | 聯系我們 | 廣告服務 | 公司動態 | 免責聲明 | 隱私條款 | 工作機會 | 展會港 | 站長號
    久久国产免费|级国产乱理 片在线观看|国产免费女人高潮流在线观看|丝袜教师在线观看国产无码
  • <ruby id="zyfed"></ruby>
  • <video id="zyfed"><mark id="zyfed"></mark></video>

  • <source id="zyfed"><mark id="zyfed"></mark></source>
    <rp id="zyfed"><menuitem id="zyfed"><em id="zyfed"></em></menuitem></rp>

    <wbr id="zyfed"><input id="zyfed"></input></wbr>

    <b id="zyfed"></b>