討論議題包括AI項目落地的基礎，非結構化數據分析、AI工作流（AI work flow）等。
#1AI項目落地的基礎
Stratifyd創(chuàng)始人兼CEO，汪曉宇博士（Derek Wang）認為，AI的商業(yè)落地離不開企業(yè)對自身數據的積累，尤其是與消費者打交道的企業(yè)。
AI模型的構建需要豐富的數據，從這個角度來講，滿足以下這兩點的企業(yè)使用AI技術將會更加游刃有余：
- 數據量有保證：對“全渠道（Omni-Channel）”數據都有積累；
- 數據形式豐富：結構化數據和非結構化數據（Unstructured Data）都能覆蓋。
Stratifyd創(chuàng)始人兼CEO汪曉宇博士（右一）
萬事達數字支付和實驗室（Digital Payments and Labs of Master Card）的負責人Jose Gutierrez表示，數據本身就是巨大的難題。金融行業(yè)采集并積累了大量數據，這為AI的應用提供了良好的環(huán)境；但如何排除無效數據，以及挖掘結構化和非結構化數據都是很大的挑戰(zhàn)。
#2非結構化數據分析
Tyson Baber，Georgian Partners的合伙人認為，“產品”這個概念終將被“體驗”所替代。對企業(yè)來說，利用AI高效而準確地提煉消費洞察至關重要，這將指導企業(yè)更精準地提升消費者體驗。
汪博士認為，分析非結構化的消費者反饋數據對企業(yè)有很大價值，他分享了一個世界500強汽車品牌探索消費者滿意度下滑原因的案例：
非結構化分析示意圖
該企業(yè)使用非結構化數據AI分析模塊處理大量車主的反饋內容，提煉出很多導致不滿的問題，而這些問題是之前沒有被意識到的：比如追蹤某個被抱怨的產品缺陷時，發(fā)現該問題是由生產環(huán)節(jié)中一個很小的疏忽導致的。
最終該企業(yè)根據這些高質量的洞察結果提升了產品體驗，挽回了車主的信任。
“解決問題有時很容易，但發(fā)現問題而且能找到背后的原因并不簡單，只有非結構化數據分析才能做到。”汪博士總結道。
#3引領變革的AI工作流
Microsoft for Startups的加拿大負責人Adam Nanjee表示“我們看到一些像Stratifyd這樣的創(chuàng)新企業(yè)正在構建‘AI工作流（AI work flow）’解決方案，讓更多企業(yè)都可以輕松應用最前沿的AI技術并嵌合到現有工作流中。”
汪博士介紹道，“很多數據分析師并非數據科學背景出身，認為AI模型的訓練工作非常棘手，因為涉及復雜的算法和流程。而Stratifyd的Auto-Learn AI系統(tǒng)可以大幅降低模型訓練的門檻，實現應用級商業(yè)模型的自動訓練，讓更多分析團隊可以享受AI技術的紅利。這就是‘AI工作流’的體現。”
他隨后分享了Stratifyd幫助一家財富50強金融集團應用AI技術的案例：該企業(yè)收集了大量調查問卷、全渠道的投訴和咨詢等反饋內容，絕大多數都是非結構化的文本數據。
原先數據分析團隊要花費大量的時間手動總結消費者的意圖和情感，而利用StratifydAI分析模塊，這項工作在極短的時間就可以完成。
Adam和Jose共同表示Microsoft和MasterCard都愿意扮演橋梁的角色，利用自身擁有的全球資源網絡，幫助像Stratifyd這樣優(yōu)秀的AI創(chuàng)新公司對接有需要的企業(yè)。
汪博士表示Stratifyd非常感謝合作伙伴們提供的機會，愿意為更多的企業(yè)提供AI驅動的全渠道消費反饋洞察服務。
