数据智能化、网络协同化与人工智能运用

荣蓉

（山东工艺美术学院公共课教学部，山东 济南 250300）

0 引言

在网络时代背景下，大数据技术与人工智能得到普遍应用，使人类思维模式、工作方法发生较大改变。企业在大数据思维的引导下，对投资经营数据进行智能化分析，运用网络技术、人工智能进行数据采集和加工，企业之间、企业与消费者之间借助网络渠道交流互动，再依靠网络协调开展产销活动，由此形成网络、大数据与人工智能相互融合的局面，为数字经济时代打下坚实基础。在十九大会议召开后，人工智能与实体经济的深度融合被提上日程，力求开发出面向云边协同的新型人工智能项目，将电力、通信、医学等多个行业协同起来，共同促进行业智能化发展。

1 经济学视角下企业经营决策数据智能化分析

1.1 智能化基础

数据智能化的基础在于企业信息采集、加工整理与处理的能力，可针对单一企业进行分析，也可立足于整个行业进行考察。对企业决策产生影响的关键因素在于产供销信息，有直接型也有间接型，有显性的也有隐性的，均潜藏在大数据中。对此，学术界将大数据特征总结为多维度、数量庞大、完整性三点。事实上，企业经济效益受社会信息获得的影响，通过大数据采集、整理加工与处理等方式，筛选出有价值信息，为产供销提供更多助力，与传统模式相比效果十分显著。大数据采集需要借助网络、社交媒体、传感器等渠道进行收集，在区块链、物联网等人工智能技术的支持下进行加工整理，企业在先进技术支持下明确投资额度、产值、产品类型等，引导企业决策数据朝着智能化方向发展[1]。

1.2 智能化热点

在企业运营过程中，数据智能化对其产生的影响不容小觑，主要可产生两大热点问题，分别是经营决策效用函数问题与决策获取信息的范围问题。对于前者来说，有很多经济学家从多个角度进行分析，但对后者的关注度相对较低。学者们倾向于在不完全信息的情况下研究，这是由于人类难以获取全部信息，但在数据智能化背景下，掌握智能数据的高层次企业对中低层企业具有引领作用，可促进整个行业信息采集、整理和处理能力的提升。在后续发展中，如若企业普遍能够采集与自身相关的产供销数据，并可利用新科技进行数据加工处理后，将准确全面的数据应用到经营决策中，那将会改变社会信息采集的基础模式。此时，学者便可在完全信息的情况下进行研究。

1.3 厂商理论建构

在数字经济背景下，该项建构应立足于数据智能化，从以下方面着手研究。一是针对大数据内涵与外延进行界定，明确企业决策信息在大数据中的获取方式；二是掌握新科技发展水平与企业采集信息间的关系，并阐释重塑经济学的假设基础；三是针对企业采集、加工与处理数据进行理论分析，梳理数据智能化的经营决策流程与原理；四是描述人工智能与大数据间的匹配过程，证明新科技对企业决策发挥的决定作用。通过上述内容进行分析论证，使企业投资和生产依据得以明确，并在此基础上选出提供的产品与服务。

2 大数据厂商竞争路径过程分析

根据经济学经典理论可知，市场竞争在一定程度上对超市场力量产生抑制，只有在特定条件下才会出现垄断情况。但是，因上述特定条件都要进行学术处理，经济学对带有这一判断的竞争与垄断情况创建理论分析模型，以市场机制为中心进行研究。在大数据时代背景下，在网络协同化影响下厂商会产生较强的超市场能力，主要体现在数据、网络与人工智能间的相互结合上，由此引发协同效应。在整个市场体系中，大数据产品与服务供需情况逐渐发生改变，应逐渐摆脱市场机制的引导，在此类问题研究中，应将厂商竞争路径过程作为着眼点进行分析。

2.1 大数据搜集、整合与分类

为了检验厂商竞争路径是否有效，可根据投资效用函数是否达到最大进行判断，这也是效用检测的最佳有段。在网络诞生之前，因厂商无法利用市场信息采集与自身经营相关的全部信息，更无法做出准确的投资预判，因此效用函数最大化只是一种憧憬。在竞争路径选择时，企业应明确自身的投资产品、投资额度、生产量、生产方式等信息，但要想取得更高的竞争效益，便要求企业利用科技进行数据处理。在进入网络时代后，大数据信息包括数据化和非数据化两种，蕴含丰富的企业投资经营所需信息，企业只有掌握最新的科技，才能在海量数据中将最具价值的信息提取出来。在大数据、互联网的融合发展下，厂商竞争渠道拓宽，逐渐延伸到云计算、人工智能等领域中，在新科技支持下获取更大的发展。

在现代化市场中，新科技主要由“互联网+”厂商来操控，也就是网络公司。根据网络公司所掌握的科技层次，可将其划分为初级、中级、高级等多个层次。通常情况下，新科技最基础的配置是企业创建云平台，或者对公共云平台的充分利用。究其原因，企业若想达到效用最大化目标，需要采集与自身经营相关产品，明确服务供求数量和数据结构，此类数据量十分庞大。在排除未来变化的前提下，其蕴含着历史数据和现有数据，如若单纯从数据采集与存储方面来看，企业必须要创建云平台进行数据整合与分析。与此同时，网络和云平台间的联系日益进步，厂商投资的主要目的是借助网络采集有价值的信息，实现经营效益最大化。如若“互联网+厂商”无法借助云平台进行数据存储与分类，单纯借助网络进行投资运营，则竞争路径将很难获得高层次网络公司的支持。对此，传统行业厂商在朝着互联网行业转变时，应将互联网与云平台结合起来，充分发挥信息采集、存储、整合与分类等功能；再将机器学习、云计算等技术应用到经营投资中，充分发挥数据加工处理效能，从而灵活运用新科技驾驭大数据，使竞争能力得到显著提升，顺利实现企业转型发展[2]。

2.2 利用云计算进行数据加工处理

根据厂商云计算能力，可对企业类型进行判断，即“互联网+”企业或者高科技网络公司。网络技术、人工智能逐渐普及，但只有很少的企业拥有云计算能力，大部分企业都需要依靠这一小部分群体的云计算来解决问题。在云计算处理中，涉及历史、现在和未来三种类型数据，根据云计算能力水平可衡量厂商的层次等级，初级厂商只具备数据化信息的处理能力，无法对非数据化信息进行处理；中级厂商能够对数据与非数据化信息进行处理；高级厂商在前者的基础上，还可能处理未来数据。可见，企业为了获得更高的投资竞争函数，应对产品与服务的供求数量进行云计算。为了提高云计算实力，不但要增加软硬件的投资，还应重视新科技的研发。事实上，中小型厂商在资金方面普遍存在缺口，对技术研发起到制约作用，因此技术研发的重任通常会落在大型企业的肩上。但是，即便大型企业的资金实力较强，但也未必能够研发出高层次的云计算技术，技术层级受网络、数据与人工智能融合情况的影响，还由模型创建和参数设计而决定。主要因企业利用云计算加工和处理数据与是否能从大数据中采集准确信息性质不同。企业只有熟练运用人工智能进行数据匹配，才可获取真实全面的数据信息，对产品类型与供求情况进行确定，从而处于有利的竞争位置。可见，在数据时代背景下，企业竞争路径选择与云计算、智能技术的应用息息相关[3]。

2.3 运用机器学习与人工智能匹配大数据

人工智能的主要实现方式在于机器学习，通过与云平台、网络相融合，匹配相应的数据信息，在云计算基础上进行机器学习，利用不同的技术层次匹配相应的大数据。在智能社会背景下，企业可通过创建模型与编制程序，利用计算机服务器进行学习，由此确定投资额度、投资产品类型、生产量以及生产方式等内容。因机器学习的科技水平较高，中小型厂商无法把握该项技术，有时即便是大厂商，其技术研发能力也不达标，对机器学习能力产生不良影响。机器学习主要面向数字化、非数字化等内容，先对目标数据进行识别、加工和整理后，利用云计算进行优化，最终获取产品供求关系与数量构成等信息，在市场竞争中取得更多优势。在历史、现在和未来数据中，非数据化信息占比较大，如语音、图文、指纹等等，可以用人工智能进行识别的数据信息，这对机器学习、数据匹配具有较大影响。可见，所有数据挖掘、智能化手段都并非独立场景，而是多种智能技术相结合的产物。站在全社会角度上看，如若新科技能够提供超过人类已知的数据量，则未来发展中，掌握顶级科技的企业便可能通过采集海量数据获得更加权证的信息，甚至会无限接近精准信息。这便要开始思考另外一个问题，如若日后新科技得到充分利用，使全部企业都能利用网络协同化开展经营活动，则彼此间的竞争路径便会呈现同质化特点。这里提及的新科技充分利用是指大数据、互联网、人工智能间的高度融合，使新技术走到尽头，值得继续商榷。但不可否认的是，随着新科技的发展与逐渐普及，企业竞争路径的确会开始趋同，但这种特点并不排除不同企业因新科技差异使竞争实力不同的情况产生[4]。

3 基于云边协同的人工智能研发与产业化应用研究

3.1 研究内容

云边协同是人工智能在不同行业普及应用的前提所在，在云边协同基础上研发新的人工智能项目模型，创建一条完善的人工智能产业链，实现多个行业、不同企业的个性化生产与服务，为智慧城市创建提供大力支持。在该项目研发中，将大数据挖掘技术、现有人工智能技术、云边协同理论等融入其中，主要研究内容是对三大构成模块的深层探究、智能集成落地总平台开发，即富媒体采集技术研究、通信加密传输研究、高可用智能微服务研究。

3.2 创新点

通过云端智能计算，实现深度学习模型技术训练、边缘应用等目标。该项目的创新之处体现在以下方面。

一是率先在回归邻域重构法的基础上提出信号增强技术，达到数据动态采集和重建的目标。在该算法基础上，与人工智能技术相结合，形成信息采集模块，使整体框架更加完善。该项技术是在NRM技术基础上建成，并创建出边缘端采集设备的超分辨率模块，使以往采集设备分辨率不足、信息识别精度低等不足得到充分弥补。同时，充分发挥该算法在时间、计算能力等方面的优点，使边缘采集设备得到就地分析，面向模糊图像进行高分辨率的重构，有助于冗余数据传输量的降低，实时性提升。

二是在云重心理论基础上，通过分布数据评估面向海量数据进行挖掘与对接，在全局场景下对深度模型参数进行估计，是将以往模糊集理论与概率论融合起来，经过综合分析后使定性值、定量值得到有机转换。在云边协同处理框架下，为了达成深度学习优化目标，创建了反窃电稽查监控系统，针对采集的用户用电信息进行综合分析，在保障数据准确的基础上提高鲁棒性，使迁移和泛化能力得到全面提升。

三是在边缘计算基础上开展云边协同。改变以往在熵通道基础上建模的方式，弥补了边缘端计算资源的缺口，能够灵活部署数据安全传输通道，降低资源消耗，使数据处理效率得到显著提升，信息安全得到切实保障。在量子加密传输系统应用中，面向不同业务创建了加密传输通道，使云边端的信息传递更加安全和可靠，与以往相比，传输效率也得到显著提升。

四是创造性地在深度卷积神经网络基础上，提出鲁棒识别技术，可在复杂环境下对人与物进行智能识别，使以往物体识别受环境因素影响的弊端得以消除。依靠采集模块进行数据收集，采用HDFS文件系统存储海量信息，创建所需的训练集，并利用深度卷积神经网优化模型，实现智能识别。同时，还可在对抗网络识别模式基础上，针对复杂环境下采集到的人、物信息进行深入识别，合成相应的信息数据，使识别精度得到显著提升。

3.3 研究成果

该项目研发了人工智能平台，将其当作底层AI模型投入使用，还将不同行业应用场景的关键技术融入其中，对具有代表性的场景、业务、技术需求进行分析，面向电力领域进行人工智能研究、面向医疗领域进行图像分割识别系统分析，还重点研究了大数据深度学习反窃电稽查系统，开发出智慧遥感系统与装置，在云边协同基础上使人工智能应用平台得以创建，整体框架更加完善，内容和性能得到进一步丰富[5-6]。

4 结论

综上所述，在数字经济时代背景下，越来越多的企业开始使用人工智能技术，且新科技层次也逐渐提升，网络协同效用越发普遍。对此，经济学应重视总供给与需求间的均衡关系，根据数据智能化水平的普遍提升，使产品与服务供给端被扩大，导致全社会网络协同化水平逐渐提升，效用函数不断接近最大化。同时，再将云边协同理论等融入其中，通过将边缘端与云端相结合，在云边协同数据智能识别与处理的同时，还可对海量信息进行深入挖掘与评估。可见，在互联网、大数据与人工智能的融合之下，可为后续数字经济的发展打下坚实基础，协同效应覆盖面扩张使数字经济实现健康可持续发展。