如何让AI深入渗透各行各业？在我看来，用技术和AI赋能传统行业，我们必须“软硬皆施”，一方面打好技术功底，一方面从行业的数据采集开始，利用算法和模型优化叠加优势，最终转化为洞察力，打造能真正落地的解决方案。
2016年，扩博智能成立了，我们深耕计算机视觉和机器学习技术，目标很清晰，那就是为技术渗透程度和速度跟新兴互联网行业相比还比较低的传统行业带来 “立竿见影” 的效果，即在不更改企业现有运营模式和流程的同时，帮助企业大幅度降本提效。目前，我们已在风电和零售两大领域收获显著成果，并一步一个脚印，锤炼优势技术的具体场景落地。
为风电厂炼就“火眼金睛”
对于风电行业，风机叶片的巡检是刚需，任何毫米级的裂纹都有可能产生“蝴蝶效应”，在一定时间内可能导致风机叶片整体断裂，而一台风机价值是百万甚至上千万元人民币，叶片裂纹问题不及时发现和补救，不但会对发电量造成影响，还会为企业带来惨重的经济损失。传统情况下，风电场会指派巡检小组来完成这项任务：比如说，某风电场共有30台风机，小组工作人员每天巡视1-2座塔，他们会穿戴安全带，在安全绳和作业绳的保护下，沿着叶片从叶根到叶尖进行巡检，用手机或数码相机把有缺陷的位置拍下来反馈给团队。这一解决方法并不能够防患于未然，工作人员巡检完整个风电厂需要一个月的时间，碰上恶劣的天气，工作周期还会增加，拍摄的照片也难以反映全貌，也不能实时反映裂纹的及时变化情况，对于周期性数据的采集和整理更是一个困难重重的挑战。
对于这一场景，我们打造了智能化运营平台，以特种飞行机器人为生产力工具，以计算机视觉为技术支撑，创造了能提高近二十倍效率的解决方案：结合计算机视觉及传感器技术，我们下足功夫打造了强有力的算法，让配备了高分辨率摄像头的特种机器人替代人力来巡检叶片——在四到五级风的情况下，特种机器人先飞到距离叶片十几米的距离，实时智能规划路线，当飞到距离叶片8米左右的位置时，它开始在飞行过程连续拍摄风机叶片不同角度照片，拍照的时间点保持云台相机相对稳定，确保拍图片清晰完整，能够拍出颗粒度细至1mm*3mm裂纹的照片。我们的解决方案能为风电厂带来持续不断的数据更新，提供完整的数字化全生命周期资产管理。让风电场不遗漏每一个裂纹，巡检小组的工作效率和安全性大大提升，整个巡检时间从原来的4-6小时缩短为15分钟。我们曾做过压力测试，在每秒12米的风速下，特种机器人不但能稳步飞上叶片的高度，还能够顺利完成整个巡检工作流程。此外，我们还开发了一整套数据报表体系，巡检完成的数据能在云端生成分析报表，工作人员在若干工作日后就可以看到。
根据国家能源局的数据，过去五年，风电产业在中国以及全球都取得了快速的发展和成长。2012年，中国风电总装机容量约6000万千瓦，到2017年已经接近2012年的3倍。随着风电运营市场规模的不断扩大，风电场对于精细化、智能化运维的需求也会越来越多。风机本身是物联网节点，其包含的大量传感器产生大量数据，这些数据都可以作为风电场的洞察力，帮助他们做出更好的决策。企业希望拥有一个如最强大脑般的平台，收集并统一管理丰富的数据。目前，我们在风电领域已经发展了多个行业主流客户，包括业主方，如盾安新能源、津能电力等；设备制造商，如双瑞集团；还有第三方运维商，如上海长知等。在不久的将来，我们有望成为中国规模最大的，利用特种机器人做叶片巡检的厂商，为更多客户带来降本提效的解决方案。我们的解决方案还能够“复制”到更多领域的场景中，成为强有力的生产力工具。
“最后十厘米”零售行为数字化追踪
2016 年，全国零售总额突破了33 万亿元，其中线上零售增速下降7.1个百分点，线下零售仍然占销售总额的80%。各大零售和互联网巨头的关注不约而同的转向了线下市场和实体零售。
在线下零售业“人、货、场”三要素中，人与货的连接与追踪还是一片蓝海。客户浏览了什么商品，把哪些放在了购物车中，到最终完成交易，这些对于线上零售完全透明，而对于线下零售却尽是“盲区”，比如说，商家为超市设计棚格图，包括哪些货架摆哪些货物，却难以判断超市是否真正按设计执行，也难以追踪顾客对于这些设计的反馈如何。商品从仓库运送到各个售货商，到最终卖出的整个环节中，只有来到了“最后十厘米”的店面，才“有机会”接触到消费者，而这一部分的数据洞察能够反向推动商家对各个环节做出更好的决策。
货物更新迭代速度非常快，每一季度都有新包装和新款式，这是商家对进行货品管理的难点之一。传统情况下，商家安排人手为每个商品粘贴RFID二维码，用人工观察和记录数据，这样做成本非常高昂，且时效性和数据完整性差，例如新品推出的市场数据往往要几个月后才能收到抽样反馈。而计算机视觉技术是能够解决这个问题的更好的方法，我们打造了国内首个线下零售“人工智能好助手”，并建立了庞大的SKU知识库。我们教机器识别并标记每种货品。调研人员只要为货架拍照，“人工智能好助手”就能够货品的SKU识别出来，在秒级反馈高精确度结果，帮助店员实时发现货品在店面中的摆放问题，货架情报，竞品追踪等。
目前，我们已经拥有了庞大的SKU知识库中，并时常更新数据，将模型的精确度保持在95%以上。货架采集的整体数据，能够帮助管理人员更精准快速地捕捉问题并制定更好的决策:比如针对某一饮料品牌在某一地区销售成绩不及其他地区的原因快速改变运营策略。
将来我们有潜力也有能力实现更大的目标：在任何一个超市或者小卖铺里，只要拿出手机拍张照片，我们就能识别货架上的全部商品。将物理货架通过一张照片实现真正的数字化世界。
结缘微软
我们团队与微软结缘很深，我与许多伙伴都曾在微软奋斗和成长过，我们的团队有着很深的技术功底（硕博以上学历占比85%，40%以上的员工有海外留学或工作经历），在创建扩博智能后，我们又有了与微软一同成长的机会，微软Azure智能云和微软加速器就是我们的纽带。在微软Azure云的ToB大生态中，我们与Azure一起成长。目前，我们的云平台正是基于Azure搭建的。
我们在Azure智能云平台上搭建了完整的端到端方案部署能力，在这一平台上，运算，存储和数据库资源可以直接按需使用，在我们专注的领域跑得更快。Azure上的IoT以及数据仓库和数据分析等相关服务帮助我们减少了开发时间，我们不需要将大部分细节从0开始部署，只需要专注于搭建计算机视觉机器模型和模型的调优即可。
对于风电场景，我们的特种机器人飞行任务结束后，用户需要将数据进行上传，系统将根据风机号进行归类，对应云端数据库，上传到Azure云平台进行下一步的数据处理。云端数据处理服务平台收集到无人机采集的用户数据之后，云端就会自动处理照片数据，通过机器学习将初筛缺陷结果返回给用户，初筛结果包括缺陷类型，缺陷大小，缺陷位置，处理建议等。用户基于此缺陷数据，可以编辑、修改、输入相关信息，并自动化一键式导出服务报告。
对于零售场景，基于微软 Azure 智能云的灵活动态部署，快速适应海量的业务处理需求。系统底层为机器视觉引擎，包括自主学习引擎、大规模自主学习框架、商品品类标签库以及数据运维团队；平台层部署了与客户业务相关的统计模型、用户管理模块、任务管理模块，以及对应的 API服务，能够快速开发基于网页、手机第三方应用或设备的APP。数据层利用云端的数据仓库和数据湖等服务可以快速启动对大量数据的复杂分析和计算，提供更高维度的数据价值挖掘。
2017年，我们入选了被誉为比哈佛大学更难录取的微软加速器，微软加速器是最懂创业企业的加速器，在他们的帮助下，我们有机会与大客户对接资源，比如说，我们与零售行业大客户全球可口可乐合作，帮助他们在商品识别方面做出大改进。由于微软及Azure的全球布局，我们与可口可乐在许多国家的分公司的合作，保持服务与体验的一致性。同年，我们还成为了微软全球金牌合作伙伴。站在“巨人的肩膀”上，我们已经看得更高、更远。在微软加速器成功加速后，我们获得了来自GGV纪源资本的首轮融资，今年1月，我们又拿到了500万美元A+轮融资。
能让自己的优势技术落地，解决客户的实际问题，我们实感欣慰。我们的解决方案对于各行各业有融会贯通之处，我们会持续深耕技术，拓宽场景，普罗大众。
如何让AI深入渗透各行各业？在我看来，用技术和AI赋能传统行业，我们必须“软硬皆施”，一方面打好技术功底，一方面从行业的数据采集开始，利用算法和模型优化叠加优势，最终转化为洞察力，打造能真正落地的解决方案。
2016年，扩博智能成立了，我们深耕计算机视觉和机器学习技术，目标很清晰，那就是为技术渗透程度和速度跟新兴互联网行业相比还比较低的传统行业带来 “立竿见影” 的效果，即在不更改企业现有运营模式和流程的同时，帮助企业大幅度降本提效。目前，我们已在风电和零售两大领域收获显著成果，并一步一个脚印，锤炼优势技术的具体场景落地。
为风电厂炼就“火眼金睛”
对于风电行业，风机叶片的巡检是刚需，任何毫米级的裂纹都有可能产生“蝴蝶效应”，在一定时间内可能导致风机叶片整体断裂，而一台风机价值是百万甚至上千万元人民币，叶片裂纹问题不及时发现和补救，不但会对发电量造成影响，还会为企业带来惨重的经济损失。传统情况下，风电场会指派巡检小组来完成这项任务：比如说，某风电场共有30台风机，小组工作人员每天巡视1-2座塔，他们会穿戴安全带，在安全绳和作业绳的保护下，沿着叶片从叶根到叶尖进行巡检，用手机或数码相机把有缺陷的位置拍下来反馈给团队。这一解决方法并不能够防患于未然，工作人员巡检完整个风电厂需要一个月的时间，碰上恶劣的天气，工作周期还会增加，拍摄的照片也难以反映全貌，也不能实时反映裂纹的及时变化情况，对于周期性数据的采集和整理更是一个困难重重的挑战。
对于这一场景，我们打造了智能化运营平台，以特种飞行机器人为生产力工具，以计算机视觉为技术支撑，创造了能提高近二十倍效率的解决方案：结合计算机视觉及传感器技术，我们下足功夫打造了强有力的算法，让配备了高分辨率摄像头的特种机器人替代人力来巡检叶片——在四到五级风的情况下，特种机器人先飞到距离叶片十几米的距离，实时智能规划路线，当飞到距离叶片8米左右的位置时，它开始在飞行过程连续拍摄风机叶片不同角度照片，拍照的时间点保持云台相机相对稳定，确保拍图片清晰完整，能够拍出颗粒度细至1mm*3mm裂纹的照片。我们的解决方案能为风电厂带来持续不断的数据更新，提供完整的数字化全生命周期资产管理。让风电场不遗漏每一个裂纹，巡检小组的工作效率和安全性大大提升，整个巡检时间从原来的4-6小时缩短为15分钟。我们曾做过压力测试，在每秒12米的风速下，特种机器人不但能稳步飞上叶片的高度，还能够顺利完成整个巡检工作流程。此外，我们还开发了一整套数据报表体系，巡检完成的数据能在云端生成分析报表，工作人员在若干工作日后就可以看到。
根据国家能源局的数据，过去五年，风电产业在中国以及全球都取得了快速的发展和成长。2012年，中国风电总装机容量约6000万千瓦，到2017年已经接近2012年的3倍。随着风电运营市场规模的不断扩大，风电场对于精细化、智能化运维的需求也会越来越多。风机本身是物联网节点，其包含的大量传感器产生大量数据，这些数据都可以作为风电场的洞察力，帮助他们做出更好的决策。企业希望拥有一个如最强大脑般的平台，收集并统一管理丰富的数据。目前，我们在风电领域已经发展了多个行业主流客户，包括业主方，如盾安新能源、津能电力等；设备制造商，如双瑞集团；还有第三方运维商，如上海长知等。在不久的将来，我们有望成为中国规模最大的，利用特种机器人做叶片巡检的厂商，为更多客户带来降本提效的解决方案。我们的解决方案还能够“复制”到更多领域的场景中，成为强有力的生产力工具。
“最后十厘米”零售行为数字化追踪
2016 年，全国零售总额突破了33 万亿元，其中线上零售增速下降7.1个百分点，线下零售仍然占销售总额的80%。各大零售和互联网巨头的关注不约而同的转向了线下市场和实体零售。
在线下零售业“人、货、场”三要素中，人与货的连接与追踪还是一片蓝海。客户浏览了什么商品，把哪些放在了购物车中，到最终完成交易，这些对于线上零售完全透明，而对于线下零售却尽是“盲区”，比如说，商家为超市设计棚格图，包括哪些货架摆哪些货物，却难以判断超市是否真正按设计执行，也难以追踪顾客对于这些设计的反馈如何。商品从仓库运送到各个售货商，到最终卖出的整个环节中，只有来到了“最后十厘米”的店面，才“有机会”接触到消费者，而这一部分的数据洞察能够反向推动商家对各个环节做出更好的决策。
货物更新迭代速度非常快，每一季度都有新包装和新款式，这是商家对进行货品管理的难点之一。传统情况下，商家安排人手为每个商品粘贴RFID二维码，用人工观察和记录数据，这样做成本非常高昂，且时效性和数据完整性差，例如新品推出的市场数据往往要几个月后才能收到抽样反馈。而计算机视觉技术是能够解决这个问题的更好的方法，我们打造了国内首个线下零售“人工智能好助手”，并建立了庞大的SKU知识库。我们教机器识别并标记每种货品。调研人员只要为货架拍照，“人工智能好助手”就能够货品的SKU识别出来，在秒级反馈高精确度结果，帮助店员实时发现货品在店面中的摆放问题，货架情报，竞品追踪等。
目前，我们已经拥有了庞大的SKU知识库中，并时常更新数据，将模型的精确度保持在95%以上。货架采集的整体数据，能够帮助管理人员更精准快速地捕捉问题并制定更好的决策:比如针对某一饮料品牌在某一地区销售成绩不及其他地区的原因快速改变运营策略。
将来我们有潜力也有能力实现更大的目标：在任何一个超市或者小卖铺里，只要拿出手机拍张照片，我们就能识别货架上的全部商品。将物理货架通过一张照片实现真正的数字化世界。
结缘微软
我们团队与微软结缘很深，我与许多伙伴都曾在微软奋斗和成长过，我们的团队有着很深的技术功底（硕博以上学历占比85%，40%以上的员工有海外留学或工作经历），在创建扩博智能后，我们又有了与微软一同成长的机会，微软Azure智能云和微软加速器就是我们的纽带。在微软Azure云的ToB大生态中，我们与Azure一起成长。目前，我们的云平台正是基于Azure搭建的。
我们在Azure智能云平台上搭建了完整的端到端方案部署能力，在这一平台上，运算，存储和数据库资源可以直接按需使用，在我们专注的领域跑得更快。Azure上的IoT以及数据仓库和数据分析等相关服务帮助我们减少了开发时间，我们不需要将大部分细节从0开始部署，只需要专注于搭建计算机视觉机器模型和模型的调优即可。
对于风电场景，我们的特种机器人飞行任务结束后，用户需要将数据进行上传，系统将根据风机号进行归类，对应云端数据库，上传到Azure云平台进行下一步的数据处理。云端数据处理服务平台收集到无人机采集的用户数据之后，云端就会自动处理照片数据，通过机器学习将初筛缺陷结果返回给用户，初筛结果包括缺陷类型，缺陷大小，缺陷位置，处理建议等。用户基于此缺陷数据，可以编辑、修改、输入相关信息，并自动化一键式导出服务报告。
对于零售场景，基于微软 Azure 智能云的灵活动态部署，快速适应海量的业务处理需求。系统底层为机器视觉引擎，包括自主学习引擎、大规模自主学习框架、商品品类标签库以及数据运维团队；平台层部署了与客户业务相关的统计模型、用户管理模块、任务管理模块，以及对应的 API服务，能够快速开发基于网页、手机第三方应用或设备的APP。数据层利用云端的数据仓库和数据湖等服务可以快速启动对大量数据的复杂分析和计算，提供更高维度的数据价值挖掘。
2017年，我们入选了被誉为比哈佛大学更难录取的微软加速器，微软加速器是最懂创业企业的加速器，在他们的帮助下，我们有机会与大客户对接资源，比如说，我们与零售行业大客户全球可口可乐合作，帮助他们在商品识别方面做出大改进。由于微软及Azure的全球布局，我们与可口可乐在许多国家的分公司的合作，保持服务与体验的一致性。同年，我们还成为了微软全球金牌合作伙伴。站在“巨人的肩膀”上，我们已经看得更高、更远。在微软加速器成功加速后，我们获得了来自GGV纪源资本的首轮融资，今年1月，我们又拿到了500万美元A+轮融资。
能让自己的优势技术落地，解决客户的实际问题，我们实感欣慰。我们的解决方案对于各行各业有融会贯通之处，我们会持续深耕技术，拓宽场景，普罗大众。
