拿观点看生意。 从超级观点、新商业实践者的前沿观察出发。
文|充实的电源(子长科技CTO ) ) )。
语言是人类思维的基础，只有计算机有处理自然语言的能力，才能有真正智能的想象力。 自然语言处理(Natural Language Processing，NLP )作为人工智能(Artificial Intelligence，AI )的核心技术之一，是用计算机处理、理解、运用人类语言的技术目前，NLP乃至人工智能的落地情况如何？ 很难走，还是已经广泛使用了？
确实，虽然已经有很多企业认可了NLP技术，并在相关项目上进行了大量投资，但NLP技术对具体的商业落地仍然存在挑战。 企业投资需要回报，无论是提高效率、提高输入，还是赋予企业各项工作以力量，归根到底都需要技术应用真正为企业创造价值。 因此，落地的关键不是利用NLP技术和其他人工智能技术完成一个企业APP应用，而是看这些APP应用能否解决顾客的痛点，为企业带来真正的价值。
例如，1STEP.AI与金赋科技合作开发“智能送进政策”项目，主要将企业信息与各地政府扶持政策匹配，帮助企业找到适用的政府扶持政策。 这项工作以前依靠人手，但很困难。 一是企业和政策数据量非常大，数据持续更新；二是政策条件关系多样化(并行关系、选择关系等)，匹配逻辑复杂。 人工操作的局限性在于处理数量有限、时间长、匹配错误率高。
与普通人的理解不同，在本例中，利用技术进行准确的提取并不能真正解决客户的痛苦。 例如，一个政策中对企业的要求有20条，即使政策提取的模型精度例如为95%，但由于没有提取出与企业注册场所相关的特性，匹配的公司会多几十倍甚至几百倍，这样的政策提取结果对匹配公司的业务来说价值几乎为零因为提取的结果不能提供正确的目标公司集。 因此，1STEP.AI和金赋科技不是以政策提取和逻辑关系提取的正确性为目标，而是以政策一致的公司的正确性为目标。 虽然这个目标适合业务需求，而不是简单地用人工智能完成APP应用，但这个目标的难度要比简单的政策提炼复杂得多。 事实上，任何业务APP应用程序都是一个复杂的问题，人工智能模型都很适合解决困难问题。 什么是难题？ 什么是复杂的问题？ 难题是围棋和图像识别这样的问题，规则简单，但实际情况和玩法很难。 复杂问题是指规则复杂、过程多的问题。 所以，对于业务APP应用的复杂问题，最有趣的方法是多种模式协同解决问题。
在“智能进给政策”项目中，这个复杂的问题是什么？ 首先，政策往往包含很多内容，需要在政策中找出包含政策要点的段落，在段落中找出政策要点。 要点与要点之间存在逻辑关系，多个要点可以是“并联”关系、“并联”关系，也可以是“并联”关系。 一个政策文件可能包含多个政策，这些政策之间也有逻辑关系。 智能交付系统中使用的模型为段落提取(精度0.99 )、政策实体提取(精度0.98 )、映射模型(精度0.88 )、语义逻辑模型(累计精度0.85 )。 这些模式的结合可以提供有商业价值的落地方案。
智能进给策略系统中使用的模型
通过以上模型的合作，《智能进给政策》通过人工智能技术，可以自动高效地解决企业实体信息提取、属性映射、逻辑关系匹配等复杂问题，使匹配公司的结果准确率从人工操作的78%提高到89%； 在部分政策项目下，覆盖企业数量增长11倍以上，大大推动了业务快速扩张。
人工智能产业结构越来越成熟，包括软硬件设备和数据服务的基础层、基础框架、算法模型和通用技术的技术层，以及辐射到各行业的产品、服务和解决方案的APP应用层三个层次NLP是技术层的重要组成部分之一，是认知智能时代的关键技术，NLP能力对行业应用落地、企业转型升级具有决定性作用。
NLP技术的价值在于大量的数据处理，其应用灵活包罗万象，目前多表现在增进数据洞察、实现智能交互、提高运营效率、替代重复性劳动等方面。 作为应用模块，落地范围非常广。 基于不同行业客户的需求和业务痛点，渗透到不同的行业场景中。 在处理海量结构化和非结构化数据方面，具有文本数据识别、提取、匹配和处理、广泛的网络数据获取和分析等人工无法实现的能力和效率。
发现可以使用人工智能技术进行优化和创新的场景在增加。 能否在这些场景中应用NLP技术解决痛点，为企业创造真正的价值是落地场景的关键。