报告：人工智能带给东南亚的机遇与发展

 

1、私营部门的发展路线

 

对于企业来说，人工智能的普及遵循了其他数字技术发展的路线图。这些元素包括明确定义的用例或价值源;健壮的数据生态系统;熟练使用系统和工具的雇员;与核心业务的工作流进行有序整合;以及接受“测试和学习”方法的开放文化。对于整个东南亚的企业来说，即使是在前沿行业，其中的数据生态系统、运营文化和关键技能往往都存在着不少障碍。

 

创建健壮的数据生态系统

 

对于人工智能技术来说，必须有稳定的可靠、可操作和安全数据，这是人工智能技术学习和完善功能的基本方式。但东南亚地区的多个行业在数据基础方面存在很多困难。目前其中的许多行业都缺乏足够的关键传感器系统来跟踪操作数据。在某些情况下，人工智能程序需要依托实时数据流进行决策和相关操作。例如，东南亚的多家电信运营商将实时网络数据传输到他们的数据库中，并利用这些数据来开展与客户密切相关的活动和通知。举一个简单的例子，当用户在接近他的数据流量上限时会收到相应通知。但只有少数几个行业将这种类型的解决方案实现规模化应用。

 

即使很多公司设置了足够的传感器，但其中很多依旧缺乏合适的基础设施来存储数据，更无法将其聚合成可操作的数据形式用于相应决策。在许多公司中，数据存储都是各不相关的孤岛。在另一些公司中，人们收集了大量的数据，但从未进行有效分析。麦肯锡的一项研究发现，石油钻井平台上3万个传感器捕捉的全部数据中，只有不到1%被有效利用。

 

现在，随着基于云数据管理平台的出现，存储和分析数据的成本正在不断下降，数据使用的便利性也在不断提高。许多中小企业和创业公司都采用这些新技术平台来降低成本（见资料4：“整合数据策略需要建立一个强大的数据生态系统”）。为了实现他们关于人工智能的目标，参与者需要积极拥抱这些新技术，同时确保正确的数据管理能够在业务便捷性和规模化之间实现平衡。

 

管理风格向数据驱动过渡

 

在企业中实施人工智能所需要的最根本文化和组织转变，就是要接纳数据驱动决策。曾经凭直觉做出的决策现在可以基于证据而做出，甚至可以是自动化的。由于人工智能在东南亚地区仍是一个相对较新的概念，企业也需要逐步适应这种新的模式。

 

即使是那些对数据手机和数据分析进行投资的公司，也可能无法在决策过程中有效使用数据。其中包括以下一些问题：

 

（1）对业务情况和价值来源的表述不到位，导致决策基础薄弱。

 

（2）中层管理人员缺乏相应的能力建设，不愿意依靠人工智能的分析作为决策的依据。

 

（3）对雇员特别是对一线工作者的再培训投资有限。

 

（4）缺乏雇员引入机制。

 

（5）与所有文化转型一样，领导力对于人工智能的成功实施至关重要。麦肯锡全球研究所的一项调查发现，那些成功部署了人工智能技术的公司受访者表示，相比于那些没有采用任何人工智能技术的公司，其高管层的支持度几乎是其他公司的两倍。

 

资料4：整合数据策略需要建立一个强大的数据生态系统

 

数据正在成为一种新的资本形式。跨行业研究显示，平均而言，在决策过程中仅有不到一半的组织结构数据被用于决策，超过70%的员工获得的数据是不必要的，而数据分析师80%的时间是用于发现和准备数据的。

 

企业需要采取一种程序化的方法来构建数据资产，并在所有业务部门的支持下，利用这些资产来改变整个企业。以下是这类数据驱动转变的三个关键组成部分：

 

一个清晰的数据战略，往往与企业的愿景紧密相连

 

（1）第一步是弄清数据如何被用来推动关键的业务目标和文档用例的实现。

 

（2）下一个问题是，要确定企业数据的关键缺口，需要用新的集合系统或互补的外部数据加以填补;企业也应该对提供独特优势的专有数据资产保持开放的态度。

 

（3）将简单的成本效益分析与每个用例联系起来，有助于评估它们对业务的重要性，并指导诸如“外采或开发”之类的决策。

 

数据架构和路线图实现的总体蓝图

 

（1）数据架构的设计源于符合公司需求的数据模型视图以及优先级用例。

 

（2）该架构的设计目标是优化数据收集、聚合、使用和后续更新，同时保持数据准确性和一致性，确保数据的安全性。

 

（3）选择合适的技术能够控制升级系统的成本，同时为系统运行提供足够的灵活性。

 

达到持续性决策和丰富数据集的有效数据治理

 

（1）数据治理机制的本质是选择集中的、联合的、或完全去中心化的数据组织，以及首席数据官在核心管理中的位置。

 

（2）根据数据及其来源的重要性，定义与外部各方的数据进行交互和共享的规则。

 

（3）制定了相关的指导方针，以开发能够对数据进行阐释的硬资产，比如企业数据词典和监控数据质量的仪表类应用。

 

打造正确的技能组合

 

各个公司均表示，在试图将数据和相关分析整合到现有业务的过程中，找到合适的人选是他们面临的最大障碍。

 

麦肯锡最近的一项调查显示，大约有一半的企业高管认为招募一名合格的数据分析人才难上加难。尤其是对数据科学家的需求量更大。而恰恰这些人就是设计、开发、部署和培训人工智能技术的人。目前这类人才非常短缺，即便是在像硅谷这样的全球性人工智能中心也是如此。而东南亚这类人才的短缺更为严重。

 

另一个同样重要的角色是商业翻译，他们可以充当分析人才和实际应用之间的纽带和桥梁。除了精通数据，商业翻译还需要具备深厚的组织架构知识、行业方面或业务方面的专长。他们能够向数据科学团队提出正确的问题，并从他们的分析中获得正确的见解。

 

当然，公司也可以选择把数据分析业务进行外包，但对于商业翻译这种角色来说，其可以利用自己的专有知识深入组织架构的内部。而很多企业所需要是从内部打造相应能力。对于企业来说，其中一种选择是“构建-操作-转让”模式，即来自外部专业公司的专家被整合进跨职能项目团队中。这些专家会与内部员工进行紧密合作，其向员工提供关于如何与人工智能技术系统进行合作的诀窍，同时员工会利用自身的运营经验来加深专家对公司真实需求的理解。而员工也相应获得了新技能，能够在初始阶段之后不断自我提高和完善。

 

2、政策制定者面临的结构性挑战

 

目前，东南亚的政策制定者需要通过合理政策将现有创新转化为可持续增长。政府可以通过建立坚实的政策基储设定有抱负性的目标、刺激私营部门的创新并采纳人工智能来推动这一转化。

 

支持开发和采纳人工智能的政策

 

东南亚可以通过地区政策而非本地化政策来推动人工智能的发展和普及。最重要的任务之一是建立一个开放但安全的数据环境，这是数字以及人工智能技术的生命线。我们的研究显示，东南亚地区的流动性具有高度的全球联系，包括商品和服务贸易、人员流动和资本流动都是如此。但在跨境数据流动方面，东盟的全球联系明显较少（表6）。构建该地区的数字基础设施是关键的一步，而数据治理是其中的核心组成。

 

跨太平洋伙伴关系协定（TPP）为东盟解决数据交流障碍提供了一个机会，而且它提出的一些框架可以在地区层面进行考虑。其中包括：

 

（1）制定标准，保护消费者不受网络诈骗的侵害，并明确个人信息将如何跨界交流。

 

（2）防止和应对不断变化的网络安全威胁。

 

（3）保护数字知识产权，同时减少海关、互联网接口、产品歧视等对在线商务造成的障碍。

 

（4）避免“数据保护主义”，规范企业数据存储。

 

政府也可以通过让自己的公共数据更易于访问，从而建立更加开放的数据生态系统。这可以为第三方应用、人工智能开发者和创业公司提供丰富的开发模块。

 

随着人工智能不断出现新用途，政府和整个社会也需要努力规范数据隐私的原则。如果政府和企业收集的数据被匿名化，公众还有权知道他们的数据是如何被使用的吗？那些人工智能的用户有义务去解释他们的机器是否符合公众利益或个人幸福吗？

 

各国政府还必须考虑自身在解决技术颠覆带来的负面效应方面所发挥的作用。其中一项主要战略将是长期投资教育，其中也包括继续教育体系，从而帮助处于职业生涯中期的劳动者跟上数字经济不断变化的需求。但这同样会引发许多问题。政府如何确保妇女和农村人士能够平等地接受数字化培训？他们能否在一定程度上抵消数字颠覆带来的不平等扩大等风险？哪些行业最适合被颠覆？政府和公司应该如何分配再培训的责任？人工智能技术本身能够提供部分解决方案吗？

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!