第四范式创始人、首席执行官戴文渊受新加坡金融管理局邀请，于“技术基础设施”峰会（INFRASTRUCTURE SUMMIT）分享企业AI智能化转型的落地实践与思考。
在分享中，戴文渊谈到：AI的本质是在海量数据中发现规则，规则数越多，对问题刻画的越细致，预测的结果也越准。AI时代，机器通过对不同领域寻找海量规律，能够助力各行各业全面进入数据科学时代。以第四范式在金融、零售行业的场景为例：当规则从数千条提升至数亿条后，某大型股份制银行的信用卡交易欺诈识别准确率提升7倍以上；千元下的分期交易响应率提升6倍以上；个性化理财产品推荐成功率提升5倍以上；规则数从数千条提升至数百万条后，某大型餐饮连锁集团的销量预测准确率提升50%，线上点餐的平均客单价提升2%。
今天，企业已经普遍认识到AI技术的价值，纷纷借助AI对业务进行改造升级。AI在单点业务获得成功后，最常困扰企业的问题是，如何将AI规模化地为各个业务赋能，实现全面的智能化转型？
戴文渊提到，企业在制定AI转型路线时可考虑“1+N”的应用模式，“1”指核心业务，意味着在核心业务场景中追求极致效果，可借助AI实现最大化业务收益；“N”意味着在业务场景相对分散的情况下，将AI快速、规模化落地，实现由“点”到“线”再到“面”的全面业务赋能。
互联网行业的“1”可以理解为千人千面的个性化推荐，把这一点做到极致，其产品及业务可以不断的获得成功。而对于更多行业，如金融、零售行业，企业往往是海量业务的组合，更适合通过“N”的方式规模化落地AI应用，实现全面的转型升级。
“N”的实现需要解决两个问题：人才及效率。首先，门槛足够低，让AI应用开发不限于极度稀缺的AI科学家。第四范式的做法是通过AutoML（自动机器学习），让业务人员也能开发AI应用。以范式服务的某银行客户流失率预测为例，该行借助第四范式AutoML，构建人工智能模型的时间从400小时下降至10小时，且预测准确率相较于人类科学家手动建模更高。
其次，“N”的实现还需要统一的方法论，从而规模化生产AI，以标准化流程提升效率。第四范式建立了一个以“库伯学习圈”理论为基础的AI方法论，将AI开发分成“行为数据采集、反馈数据采集、模型训练、模型应用”四个标准步骤，帮助企业加速AI的落地效率。以第四范式服务的某大型央企为例，在统一的方法论和低门槛平台的加持下，该企业一年内在100多个业务场景中实现了AI落地。
对于企业来说，AI不只是单点业务的智能化升级，更是整体业务创新、经营效率提升的利器。自2014成立以来，第四范式一直致力于帮助各行各业企业实现智能化转型，目前已在金融、零售、制造、能源、医疗、互联网等行业落地了AI落地案例，连续两年蝉联 IDC MarketScapeTM 中国机器学习平台市场份额第一。依托于丰富的技术积累与行业经验，第四范式将继续完善全栈式的企业级AI产品体系，让企业智能化转型不再受到落地效率低下、业务价值不佳、投入成本激增等难题的制约。
