2025年数据与人工智能终极行业指南

目录 引言………………………………………………………………………………………3人工智能如何赋能七个行业的成功。 . . . . . .8金融服务业... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ....9 媒体和娱乐 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11. . . . . . . . . . . . . . . . . . . . . . . .13医疗保健与生命科学公共部门…………………………………15零售和消费品………………………………. 17 制造业 . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 19 电信…… . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 21 下一步 . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23 引言 人工智能正迎来其黄金时刻。来自各个领域的组织——包括金融服务巨头、市政府、大型零售商和研究医院——都在争相探讨如何最好地利用这项技术的巨大潜力，特别是生成式人工智能的进步。 ：根据最近的一项调查，80%的《财富》500强公司称他们正在制定生成式人工智能政策与战略，计划在未来三年内将生成式人工智能投入使用，以提升员工生产力、改善客户服务或自动化手动流程。 但这种情况可能很快就会改变。在未来几年内，许多目前处于实验阶段的组织计划推出新的AI应用案例，特别是针对生成式AI，他们引用了显著回报的潜力、创新竞争压力以及AI技术的日益成熟作为依据，根据...哈佛商业评论. 但尽管似乎每个人都在谈论人工智能，并非所有人都在使用它。事实上，在美国，人工智能的采用率平均仍然相对较低。根据美国人口普查局的商业趋势与展望调查人工智能补充调查，平均而言，只有3.8%有组织报告目前使用人工智能来生产商品和服务，尽管6.5%他们说他们计划在六个月内采用它。采用率因行业而异。大约18%的信息服务公司报告使用了人工智能，而金融服务业为7%，医疗保健业为5%。其他行业落后得更远，例如零售业（3%）和制造业（3%）。 AI的潜在用途和价值极其广泛，几乎涵盖所有主要行业。在接下来的页面中，我们将探讨不同行业中组织如何利用数据和AI来推动成功。 人工智能的采用因行业而异。 这里仅举几例： Healthcare:•分析大量患者数据以揭示模式并预测结果，从而实现更准确的诊断和个性化治疗。 F•金融服务：扫描市场数据量以识别趋势并生成投资决策，最大化回报。 零售：•将客户数据转化为个性化的购物体验，提升客户满意度，并增强客户忠诚度。 公共部门：•预测疾病爆发和灾害影响，帮助快速准确地部署应急服务给有需要的人。 M•制造业：检测生产和使用中的异常模式，使用AI驱动的视觉检查系统识别质量问题与产品缺陷，以提升质量控制。 • 广告、媒体和娱乐：提取洞察力以识别客户行为、情感和趋势，并为受众创造高度个性化、及时体验。 • 电信：解决并预测网络问题和服务中断，以提高服务、可靠性和运营效率，并主动向客户发出警告。 然而，尽管其潜力看似无限，人工智能的采用之路并非没有挑战。各行业必须应对随之而来的巨大且大多未经探索的治理、安全和伦理考量——更不用说组织障碍、数据问题以及技术本身的复杂性。 生成式人工智能的4大关键挑战 在快速演变的生成式人工智能（gen AI）领域，围绕其能力的最初敬畏与怀疑已被紧迫的商业需求所取代。企业正竞相采用该技术以提升员工生产力与盈利能力。然而，实施有效生成式人工智能解决方案的道路充满障碍。据估计，高达80%在人工智能项目中，由于无法证明人工智能的价值、缺乏人才和技能、数据不足、与业务目标不 安全、治理与合规：组织必须保障用于人工智能模型和应用程序的数据安全，确保其安全合规并符合隐私法规。为此，需要采用强大的加密技术、访问控制、持续监控以保护敏感信息，并构建强有力的治理框架确保合规与数据完整性。贝利帕（Belliappa）呼吁建立符合伦理的治理和监管机制，以防范通用人工智能（gen AI）的滥用，并强调不应为提高劳动力生产率的优势而牺牲信任与公共安全。 一致以及普遍缺乏对人工智能的信任等原因，许多项目无法投入生产并应用于实际场景。 在最近一次采访中数据云现德勤战略与分析业务的首席运营官高塔姆·贝利帕（Goutham Belliappa）强调了企业在探索生成式人工智能领域时需要考虑的四大关键因素： 克服这些挑战对于成功部署人工智能项目至关重要。各行业领导者必须优先建设稳健且安全的数据基础设施，并制定一个确保数据质量、可访问性和合规性的基础数据战略。通过解决这些问题，企业可以从人工智能中释放巨大价值，以增加收入、降低运营成本、提升生产力和改善客户体验。 数据战略：贝利帕强调需要一个全面的数据战略，断言数据市场的分散性质要求组织自行管理数据流入。人工智能需要可靠、持续的多源数据流来提供准确洞察和有效解决方案。但组织由于遗留系统问题而难以应对数据质量和数据孤岛挑战。他们还需要强大的基础设施和存储解决方案来管理和处理所需的海量数据。一个明确的数据战略应成为整体业务战略、优先事项和投资的基石，避免在生成式人工智能能力方面的仓促和可能方向错误的投入。 人才与执行：对于组织而言，在生成式人工智能时代关注人才招聘与培养，引导生成式人工智能生产有价值的内容也同样重要。各行业许多领导者面临在实施人工智能时招聘和培训团队的困难，他们可能需要重构团队以契合人工智能战略。即便克服这些挑战成功推出人工智能解决方案，组织在完全实施这些方案时也常遇到困境。 AI 流利度和信任：组织也需要理解人工智能，并对其应用建立信任。鉴于生成式人工智能在扰乱各种业务功能方面的潜力，掌握其使用方式的需求变得至关重要。德勤是一家提供流利度课程的公司，旨在弥补这一知识差距。建立对人工智能的信任也很重要，同时也要承认训练数据中的潜在偏见以及使用人工智能模型的伦理影响。 SNOWFLAKE：数据与AI的力量 开发人员可以将AI模型、框架和应用直接带到他们的数据中，消除与数据传输相关的时间和风险。用户可以使用无代码、SQL、Python或REST API界面无缝地将AI集成到他们的用例中，使广泛团队能够将AI集成到他们的工作流程中。此外，Snowflake具有内置的治理、访问控制和安全护栏。 在成功的AI战略的核心是一个强大的企业数据基础。借助Snowflake的AI数据云，各行业组织正在消除传统系统的数据孤岛，并获得无缝收集、共享和应用高级分析的能力。客户选择Snowflake是因为它易于使用、高效且安全。 构建和管理人工智能堆栈和大型语言模型可能很复杂。它们需要大量的计算资源和大规模存储，使得人工智能基础设施的设置和管理成本高昂且资源密集。开发和训练人工智能模型需要专业技能，并且可能耗时。此外，实施必要的安全措施和维护对隐私法规的合规性增加了更多的复杂性。 一旦一个现代化的数据基础和SNOWFLAKE平台 统一的人工智能和机器学习平台is in place, Snowflake的强大原生AI和建筑学 机器学习能力——连同广泛的合作伙伴生态系统——可以帮助客户利用生成式AI的力量。Snowflake Cortex AI提供大型语言模型功能、通用搜索、文档AI、无代码模型开发等。这些能力共同确保了AI基础设施和大型语言模型更快部署和更简单的维护、性能提升、成本节约，并最终实现更快速、更显著的AI投资回报。 Snowflake的架构通过多种方式简化了这一切。其统一平台为完全托管，无需投资并维护复杂的AI基础设施。Snowflake允许计算资源的无缝扩展，满足AI工作流的动态需求。 跨行业业务职能转型 拥有强大的数据基础和AI能力，组织在每一个行业——无论是零售店、医院、政府机构、银行还是能源公司——都可以根本优化核心业务和运营功能。根据哈佛商业评论，大多数商业职能以及美国所有工作活动的40%以上都可以通过生成式人工智能（Gen AI）进行增强、自动化或重塑。以下只是人工智能（AI）能够改变各行业核心业务职能的几种方式： 客户服务：AI驱动的聊天机器人和对话助手可以全天候处理客户咨询、提供支持并解决服务工单，从而提升客户满意度并降低运营成本。生成式AI能够创建个性化回复和建议，增强客户体验。 人力资源：基于内部知识库，人工智能驱动的员工助手可向员工提供个性化支持，提供近乎即时的相关信息。人工智能招聘助手可帮助招聘经理创建标准职位描述，根据职位描述匹配识别合格候选人，生成面试工具并加速简历筛选。总体而言，人工智能可优化招聘流程，提高生产力，并改善候选人招聘体验和员工体验。 产品/服务开发：自动化BI能够分析大型数据集以揭示可用于指导功能采用的洞察、趋势和模式。产品知识助手可以利用设计概述、文档和内部研究来为新产品和服务提供建议。 Marketing:生成式人工智能可以分析客户数据以识别模式和偏好，使营销人员能够创建个性化活动和推荐。它还可以驱动预测分析，帮助营销人员预测未来趋势和行为，从而优化活动并分配资源。人工智能驱动的潜在客户评分可以提高潜在客户到会议的转化率，提升销售转化率并加速净新收入增长。其他应用场景包括管道预测、受众细分、营销归因等。 IT:生成式人工智能（Gen AI）和机器学习（ML）可以帮助IT团队优化软件许可并降低SaaS支出，同时大幅缩短IT运营和请求工单的平均解决时间（MTTR）。质量保证（QA）人工智能助手可以为开发人员和业务分析师快速且大规模地生成软件开发测试用例，节省开发人员时间并提高测试效率。云运维（CloudOps）人工智能助手可以根据内部知识库为团队提供快速、相关的信息，以提升运营效率和生产力。 64%的企业认为人工智能将有助于提高其整体生产力——福布斯顾问 接下来，我们将深入探讨这些及其他用例，涵盖七个行业：金融服务；广告、媒体与娱乐；医疗保健与生命科学；公共部门；零售；制造业；以及电信。我们还将发现客户与合作伙伴如何利用Snowflake为他们的组织释放AI的潜力。 Finance:财务部门可以利用人工智能和机器学习技术来推动企业规划和财务预测，并自动化财务运营。基于大型语言模型的功能可以自动进行合同审查流程，例如订单表格和销售协议的审查，这可以节省团队的时间，加快销售周期，并有助于确保合同合规。 销售：销售团队可以使用自动化BI功能，通过自然语言提示执行分析。客户成功助理可以利用通话记录和电子邮件来发掘交叉销售和追加销售的机会。文本处理功能可以对通话记录进行摘要和情感分析。 人工智能如何赋能七个行业的成功 金融服务 从自动柜员机取款到股票购买，消费者进行的几乎每一项金融交易都会产生数据，这些数据有可能为金融机构提供信息——以优化业务关键流程、支持更精细化的量化研究并提升客户分析能力。 增强的投资组合分析和资产管理 但同样有价值的是金融服务业组织持有的约80%的非结构化数据，形式包括电子邮件、合同、专利申请和记录，而只有3%的公司在使用这些数据。即使天气趋势和用户评价也可以成为提供银行或资产管理公司竞争优势的宝贵洞察源泉。 机构投资者需要对其投资组合进行复杂的数据分析，以指导关键决策，如资产选择、再平衡和优化。借助人工智能，投资者可以使用自然语言查询数据资产，获取可操作的洞察。对话式助手可以利用投资组合仓库、订单管理系统、风险引擎和第三方数据来预测市场趋势、优化投资组