企业数字化转型的进程，同时受组织内外部的共同驱动力影响 ...
其中，内部驱动力主要在于业务的成熟化和流程的标准化，而外部的驱动力主要在于前沿数字技术的快速变革和发展。
在诸多数字技术中，除了“云计算”、"物联网”等支撑海量信息高效互联与协同的基础数字管道技术外，AI技术的发展对企业数字化转型的促进效应也不容忽视。
早期企业数字化实践的任务目标，大多围绕在统一业务架构认知的基础上，建立企业级的标准数据模型，并以标准数据模型整合各方数据源，实现跨系统、跨业务的数据贯通。
此时，数字化转型的目标在于推动完成企业中信息流、业务流、数据流三流合一（也有四流合一的说法，还包括价值流），帮助管理者和基层业务人员从数据视角跟踪业务现状及发展趋势。
在上述这个过程，数字化主要解决know what的问题。随着企业自身业务复杂度的不断提升，仅仅满足了解“情况”是不够的，还应当知道如何科学、及时、准确地应对实际问题。
当前，实现数据贯通是几乎所有“数字化转型中”企业必须要完成的规定动作，企业用户可以在“观察数据”的基础之上人为做出经营决策或业务操作响应。
而随着AI技术的发展和普及，数字化工作将呈现自动化、智能化的特点。当信息系统获取了能够反映实际业务情况的准确数据后，将逐步替代人来完成后续的“控制”行动。
要想达成这个目标，AI技术要完成“感知、决策、评价、强化”的类PDCA流程闭环。
感知，是指从采集的多源数据中提取有价值的业务结论。该环节需要用到AI领域的模式识别技术、推理技术、趋势预测技术。期间，需要对关键业务事件以及影响因素进行定义。
我们一般会构建领域垂直的机器学习模型以及业务图谱来完成对目标事件的理解，该引擎可以看作是一个专家系统。
决策，是在对业务态势感知的基础上，由企业的业务单元自动采取正确的行动，形成任务工单告知业务人员如何操作，或与机器人系统直连自动化完成精细可控的生产动作。
在AI领域，我们拥有多种解决决策问题的技术范式，这包括基于规则的模型、基于效用函数的模型，以及基于强化学习的模型等。当然，无论采取哪种方式，关键在于选择有效的外部评价机制确保“模型参数”朝着正确的方向收敛。
评价，全面、正确的评价机制是保障智能化系统运行的关键。该环节与企业经营目标或战略目标相关，而非简单技术视角来定义。对智能系统的评价，除了考虑经济效益，还要考虑社会效益、品牌效益、生态效益等多个维度。
我们会紧密结合企业发展阶段和战略规划，对业务指标逐层分解，构建综合、可靠的评价机制，使其嵌入到智能系统中，让智能系统应用于业务足够贴合落地。
强化，是指随着外部环境的变化让智能系统具有学习性、适应性、成长性。简单讲，就是在系统应用的过程中，不断学到新的业务知识和产业经验，从而像真正的“人”一样在工作中逐渐精进和资深。
