隨著數字化的發展，越來越多的企業提出了“數智化”的概念。智能化成為越來越多企業在數字化轉型實踐中的關鍵業務能力要求。

盡管人工智能技術發展很快，形式逐漸成熟和多樣，近些年做AI的科技驅動型廠商也越來越多，但大多數企業客戶對于AI的理解仍處于懵懂的階段 ...

很多企業主認為AI技術離自己很遙遠，似乎是觸不可及的；再或者，認為AI只是噱頭，在業務中可有可無。

因此，企業主對于智能化的基本認知決定了業務中能否很好地融入技術。AI技術和傳統業務的隔閡與一般的IT開發技術和傳統企業的業務隔閡相比較更加明顯。

即便對于本來就從事IT工作的群體來說，也只有少部分的人懂得AI以及如何利用AI解決問題。甚至我們看到，在傳統的軟件系統交付周期中，幾乎都沒有考慮到如何將AI屬性融合到需求分析和系統設計的環節。

科技是科技，業務是業務 ...

人們總是這樣習慣性認為，想把AI技術引入傳統行業，通常難以獲得比較愉快的交談。

智能化技術比傳統信息化技術成本更高，同時，帶來的收益又更抽象。這些特征無形當中大大地提高了業務方的決策門檻。

當我們關注傳統的數字化項目時，一切都要從流程出發。

畢竟，業務流程是需求落地時唯一看得到的核心抓手。也只有通過流程，業務方才能更好地把握數字化的實施路徑。

從流程看數字化和智能化，很清楚就看明白了彼此的距離和差異。

數字化關注的是流程的線。聚焦于從一個環節到另一個環節如何連接，以及連接的效率（主要以線上化的手段）。

而智能化關注的是流程上的點。需要實現利用先進的數字技術，通過數據分析、推理等技術策略實現對原有環節的自動化替代。

當關注具有智能化特征的數字化項目時，數字技術的價值不是體現在數據的流程驅動能力，而是體現在數據的知識驅動能力。

因此，如何高質量地從數據中提煉業務知識，并將業務知識融入到系統和場景中，是業務走向智能化的關鍵。

對于任何想從數字化走向智能化的企業來說，都需要完成從數據到知識的信息價值鏈基礎模型搭建。主要完成以下任務：

1. 搭建知識體系。從業務架構中提煉知識模型，識別主要的知識類型、知識主題、知識主題關系，以及各主題下的知識子類、知識屬性，和知識實體關系。

2. 結合業務目標和業務邏輯。研究知識應用的數字化場景，設計各場景涉及的智能化數據處理邏輯，如算法、規則，機器學習的模型原型等。

3. 完成基礎算力和環境搭建。為支撐智能化應用實現基礎算力升級；構建AI中臺，外掛數據中臺或業務系統，以服務化的方式靈活實現AI賦能。

4. 逐漸關注多模態大數據的感知體系建設。分步驟納管非結構化的數據資源進入公司的數據底座建設范圍，豐富數據表的上下文業務內涵。

5. 將“模型化”作為數字化的重點工作。完成從數據、信息、知識，到模型“全鏈路”數據價值鏈的自動化大數據運營體系。