数字化时代，大数据及人工智能成为驱动企业业务增长的技术引擎，数字化转型也已成为企业生存和发展的必修课。全球领先的数据和分析解决方案供应商Teradata天睿公司，也在加速其在大数据及人工智能领域的布局，适时推出了Teradata Everywhere及AI战略，强化Teradata分析平台(Teradata Analytics Platform)，助力客户加速数字化转型。
AI的概念十分宽泛，在Teradata天睿公司首席技术官Stephen Brobst(宝立明)看来，“AI人工智能就是深度学习，我们可以使用多层神经网络进行更加先进的分析，Teradata在今年年初就已在中国市场上发布Teradata分析平台，它的并行分布式处理能力可以进行更加先进的分析，可以融合TensorFlow、机器学习、GrafX等相关的技术。”
 
深度学习应用的三大场景：
 
宝立明在接受记者采访时列举了深度学习技术成功应用的三大领域：
 
第一、 防欺诈。使用了深度学习技术，金融服务、信用卡、电信、零售业等多个行业都可以发现并预防欺诈，运用深度学习的预测性比传统线性数据分析模型要好得多。
 
第二、 建议引擎。通过建立建议引擎，企业可以比自己的客户更先知道他们在具体领域的需求。建议引擎是深度学习与浅学习的结合。浅学习是非常简单的数学模型，例如你买了衬衫可能还需要一条领带，浅学习的成本很低、分析也十分简单。
 
把浅学习向深度学习拓展，则可以给客户提出更加有针对性的建议，如通过深度学习分析客户喜欢的颜色、购买行为，以及对所推荐产品的接受度等等，优化成本的同时做出更加准确的预测。
 
第三、 传感器数据。在工业领域，客户通过传感器测量机器各个零部件的振幅、温湿度以及功耗等数据，再复杂一点的还可以记录机器运转的声音。很多传感器数据都是非结构性的，这些数据放到深度学习引擎中，可以在机器坏掉之前做预测，方便客户更换零部件，避免因机器损坏带来的经济损失。
 
Teradata与高校通力合作 加速AI商业变现
 
当然，深度学习的应用领域非常多，众多研究和应用均表明，深度学习技术在医疗领域的应用是可行的。医生这一神圣的职业需要大量的临床医疗经验做积累，而机器通过深度学习和训练之后，给病人做出的诊断甚至比医生要准确得多。
 
但是，由机器给出的诊断，医生却很难给出解释。宝立明举了个简单的例子：“比如，机器给出的诊断结果是要病人锯掉一条腿，医生在不明原因的情况下是无法下达手术通知的。” 这就引出了AI界的热门领域——解释性。“现在国际上很多知名的大学，如美国的康奈尔大学、麻省理工学院、斯坦福大学、加拿大沃特卢大学，以及中国的众多高等学府，都在研究人工智能的解释性，它相当于神经网络的反向工程，就是要解释为什么机器会给出这条建议。”
 
目前针对人工智能的解释性探索仍停留在大学研究层面，开源的GitHub可以用来做早期的研究，尚未达到行业试用阶段。宝立明提到，今年5月，“史上最严”的欧盟隐私法案《通用数据保护条例》生效，该条例要求所做出的任何决定都是透明的，而采用深度学习算法得出来的建议都是缺乏透明性的，不符合合规性要求，解释性将是AI研究的重点方向。
 
同时，他还提到，Teradata的Think Big分析团队正在与客户一起用开源的代码进行相关的研究工作，让客户能够通过先进的分析做出生产型的结果，让其为大型银行所用。此外，Teradata正在同麻省理工学院、斯坦福大学等高校在AI的上述研究领域展开合作，加速将相关产品快速推向市场，让AI技术尽快为客户所用。
 
Teradata Everywhere对客户的两项承诺
 
数字经济时代，数据已经成为产生业务价值的核心，这意味着数字化转型已成为很多行业生死攸关的问题。未来十几年，实现数字化转型