随着数字化的发展，越来越多的企业提出了“数智化”的概念。智能化成为越来越多企业在数字化转型实践中的关键业务能力要求。
尽管人工智能技术发展很快，形式逐渐成熟和多样，近些年做AI的科技驱动型厂商也越来越多，但大多数企业客户对于AI的理解仍处于懵懂的阶段 ...
很多企业主认为AI技术离自己很遥远，似乎是触不可及的；再或者，认为AI只是噱头，在业务中可有可无。
因此，企业主对于智能化的基本认知决定了业务中能否很好地融入技术。AI技术和传统业务的隔阂与一般的IT开发技术和传统企业的业务隔阂相比较更加明显。
即便对于本来就从事IT工作的群体来说，也只有少部分的人懂得AI以及如何利用AI解决问题。甚至我们看到，在传统的软件系统交付周期中，几乎都没有考虑到如何将AI属性融合到需求分析和系统设计的环节。
科技是科技，业务是业务 ...
人们总是这样习惯性认为，想把AI技术引入传统行业，通常难以获得比较愉快的交谈。
智能化技术比传统信息化技术成本更高，同时，带来的收益又更抽象。这些特征无形当中大大地提高了业务方的决策门槛。
当我们关注传统的数字化项目时，一切都要从流程出发。
毕竟，业务流程是需求落地时唯一看得到的核心抓手。也只有通过流程，业务方才能更好地把握数字化的实施路径。
从流程看数字化和智能化，很清楚就看明白了彼此的距离和差异。
数字化关注的是流程的线。聚焦于从一个环节到另一个环节如何连接，以及连接的效率（主要以线上化的手段）。
而智能化关注的是流程上的点。需要实现利用先进的数字技术，通过数据分析、推理等技术策略实现对原有环节的自动化替代。
当关注具有智能化特征的数字化项目时，数字技术的价值不是体现在数据的流程驱动能力，而是体现在数据的知识驱动能力。
因此，如何高质量地从数据中提炼业务知识，并将业务知识融入到系统和场景中，是业务走向智能化的关键。
对于任何想从数字化走向智能化的企业来说，都需要完成从数据到知识的信息价值链基础模型搭建。主要完成以下任务：
1. 搭建知识体系。从业务架构中提炼知识模型，识别主要的知识类型、知识主题、知识主题关系，以及各主题下的知识子类、知识属性，和知识实体关系。
2. 结合业务目标和业务逻辑。研究知识应用的数字化场景，设计各场景涉及的智能化数据处理逻辑，如算法、规则，机器学习的模型原型等。
3. 完成基础算力和环境搭建。为支撑智能化应用实现基础算力升级；构建AI中台，外挂数据中台或业务系统，以服务化的方式灵活实现AI赋能。
4. 逐渐关注多模态大数据的感知体系建设。分步骤纳管非结构化的数据资源进入公司的数据底座建设范围，丰富数据表的上下文业务内涵。
5. 将“模型化”作为数字化的重点工作。完成从数据、信息、知识，到模型“全链路”数据价值链的自动化大数据运营体系。
