2023爱分析 · 认知智能厂商全景报告 | 爱分析报告

Posted 2023-04-01 ifenxi爱分析

 

报告编委

黄勇

爱分析合伙人&首席分析师

李进宝

爱分析高级分析师  

陈元新

爱分析分析师  

目录 

1. 研究范围定义

2. 市场洞察

3. 厂商全景地图

4. 市场分析与厂商评估

5. 入选厂商列表

1.     研究范围定义

研究范围

人工智能的发展分为三个阶段——计算智能、感知智能和认知智能。简要来讲，计算智能即快速计算、记忆和存储能力，可以应用于空间搜索、数值优化和数字模拟；感知智能即视觉、听觉等感知能力，当下热门的语音识别、图像识别、视频处理便属于感知智能的典型应用，商汤科技、云从科技等AI四小龙是视觉领域的头部玩家；认知智能是指在数据结构化处理的基础上，理解数据之间的关系和逻辑，并在理解的基础上进行分析和决策，认知智能包括理解、分析、决策三个环节。

如今，人工智能正由感知智能向认知智能迈进。认知智能是人工智能发展的高级阶段，致力于对人类特有的自然语言、知识表达、逻辑推理、自主学习等能力进行深入的机理研究与计算机模拟，让机器具备“能理解、会思考”的能力，把人类从重复体力劳动和简单脑力劳动中解放出来。认知智能价值得到市场认可，发展前景广阔。认知智能已在多个领域实现落地应用，包含零售、金融、工业、医疗和教育等。

如今，ChatGPT爆火，短短数月影响力便辐射全球。ChatGPT强大的自然语言生成能力让人们看到了获得通用人工智能的可能性，这将对人们的生产生活带来颠覆性变革。以ChatGPT为代表的大语言模型属于认知智能范畴，这位重量级新成员的加入，显著扩张了认知智能的应用潜力和价值边界，令认知智能的未来充满想象。

基于以上背景，爱分析希望通过认知智能厂商全景和最佳实践案例研究，为企业探索认知智能的应用价值，助力企业决策者精准选择合适厂商以及成功实施认知智能项目。

从技术架构角度，认知智能市场可以划分为平台层和应用层两部分市场。平台层提供支撑认知智能算法、模型和应用开发及运行的赋能工具。应用层重点包括通用认知智能应用和行业认知智能应用两部分，前者涵盖对话机器人、智能文档处理、知识管理等特定市场，后者涵盖智能风控、智能融媒体、智能诊疗等特定市场。

本报告重点选取知识图谱平台、NLP平台、会话智能和智能诊疗四个市场作为重点研究对象，对认知智能进行研究。

 

厂商入选标准

本次入选报告的厂商需同时符合以下条件：

• 厂商的产品服务满足各市场分析的厂商能力要求；
• 近一年厂商具备一定数量以上的企业付费客户（参考第4章各市场分析部分）；
• 近一年厂商在特定市场的营业收入达到指标要求（参考第4章各市场分析部分）。

（注：“近一年”指2022年Q1至2022年Q4）

2. 市场洞察

• 认知智能市场规模超400亿元

爱分析推算，2023年中国认知智能市场规模为418.4亿元人民币，年增速为48.5%。市场保持较高增速主要得益于认知智能应用广度和深度持续增加、利好政策以及由ChatGPT引发的大语言模型热潮等三个方面的因素。

图 1：  中国认知智能市场规模预测

 

• 知识图谱平台：“海量非结构化数据利用难”是构建好用知识图谱的拦路虎，企业应与具备丰富项目积淀厂商合作以便解决数据难题

企业在经营中会积累起海量多源异构数据，非结构化数据是甲方企业数据的主要组成部分。知识图谱要纳入非结构化数据，必须借助NLP等认知智能技术从中提取出结构化信息。当下主流的信息抽取方式是定制有监督机器学习模型，先标记数据，再训练模型。但有监督机器模型训练意味着大量人工标注工作，会带来较高的人力成本和较长的项目周期。

一种解决方法是使用无监督机器学习技术，但大模型训练成本高、方法论不成熟，因此短期内落地可行性较低。头部厂商通常采用另外一种解决方法。他们在使用有监督机器学习的过程中，从公开资料和过往项目经验中积累语料、预训练模型和解析器，在项目中快速复用，通过产品化、系统化的方式降低成本、缩短项目周期。

• NLP平台：以NLP平台为载体，企业可便捷搭乘“ChatGPT快车”

ChatGPT让产业界看到了以它为代表的大模型的巨大价值。大量企业希望深度引入大模型，成为其IT技术底座之一，赋能上层应用和业务。

NLP分成自然语言理解和自然语言生成两个部分。自然语言生成门槛较高，因此NLP厂商涉足较少，大多聚焦自然语言理解部分。大模型捅破了自然语言生成的“窗户纸”，以海量训练数据、GPU和强大的模型能力重构企业对自然语言生成的认知。相比于传统模型的自然语言生成能力，大模型应用于文字生成、文本理解、自动问答等下游任务时，生成的文本更加流畅，且内容诉实性得到显著改善，并因此逐渐成为企业关注焦点。大模型让NLP平台补全了孱弱的自然语言生成能力，二者天然契合。如今，NLP平台头部厂商的相关产品已经蓄势待发。

• 会话智能：会话数据多多益善，企业需要寻找“强聚合”厂商

会话数据分布在多个会话场域，例如微信、企微、钉钉、飞书、短信、呼叫中心、线下沟通等，碎片化特征明显。厂商的能力往往体现在汇聚线上数据方面，而面对线下沟通数据则缺乏有效应对手段，导致数据汇聚不够全面，造成数据资源浪费。同时，多数厂商对非结构化数据利用程度较低，也会造成数据资源浪费。

企业需要寻找具备线上线上一体化解决方案以及在非结构化数据利用方面具有技术积累的厂商，实现全量会话数据价值释放。 

3. 厂商全景地图

爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在认知智能市场中具备成熟解决方案和落地能力的入选厂商。

 

4. 市场分析与厂商评估

爱分析对本次认知智能项目重点研究的特定市场定义如下。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。

4.1      知识图谱平台

市场定义：

知识图谱平台是面向企业打造业务场景应用、挖掘数据价值的需求，构建基于自然语言处理和知识图谱技术，集知识建模、抽取、融合、存储、计算、推理以及应用为一体的知识全生命周期的管理平台，其核心要素包括知识图谱构建、知识图谱管理。

甲方终端用户：

IT部门，研发、质量、营销、售后等业务部门

甲方核心需求：

甲方对知识图谱平台的需求体现在定制化、高性能和及时更新三方面。定制化方面，甲方需要结合经营模式和行业Know-how构建知识图谱本体，并基于业务特点定制知识图谱上层应用，迅速赋能企业业务；性能方面，甲方需要知识图谱平台准确、高效抽取非结构化数据，打造高性能、高可用的知识图谱产品；此外，甲方需要知识图谱具备及时增量更新能力。

• 甲方需要定制化构建知识图谱本体。知识图谱的结构可分为模式层（Schema）和数据层（Data）。模式层由本体（即广义的数据模型，用于定义事物类型以及可用于描述它们的属性）组成，用来描述概念、关系和属性，起到规范知识图谱描述的对象、管理数据库的作用。数据层由一系列实体、关系和属性组成，存储具体的数据信息，由模式层管理。甲方企业往往具备独特的经营模式和行业Know-how，可用于构建知识图谱模式层，进而管理企业知识，因此对模式层构建有高度定制化需求。
• 甲方需要从非结构化数据中准确、高效抽取结构化信息。甲方企业在经营中会积累起海量多源异构数据，非结构化数据是甲方企业数据的主要组成部分。知识图谱要纳入非结构化数据，必须借助NLP等认知智能技术从中提取出结构化信息。当下主流的信息抽取方式是定制有监督机器学习模型，先标记数据，再训练模型。但有监督机器模型训练意味着大量人工标注工作，会带来较高的人力成本和较长的项目周期。
• 甲方需要打造高性能、高可用的知识图谱。随着数智化转型的推进，甲方企业的数据规模也会呈几何式上升。如今，有构建知识图谱需求的企业其三元组数据规模普遍达到数十亿量级，对知识图谱性能提出了较大挑战。以知识图谱查询速度为例，电商营销场景下的智能推荐服务，要求商家在几十毫秒内筛选出与顾客浏览记录相似的产品；政务系统的数字大屏，需要智能问答系统在一秒内调用并可视化展示图谱数据。如何在大规模存储数据的基础上保证图谱使用性能，成了甲方越来越关注的问题。
• 甲方需要知识图谱迅速赋能业务。知识图谱的核心价值在于对多源异构数据和多维复杂关系的处理与可视化展示，让大数据和AI任务形成有效连接，为流程优化、辅助决策、预测分析等上层应用提供基础服务。但知识图谱不能直接发挥数据价值，而是要与认知智能应用结合，覆盖到具体的业务场景，从而为企业降本增效。这意味着甲方需要基于对业务的理解，针对自身需求开发知识图谱上层应用。

但甲方自研应用会遇到多重困难。一方面，多数甲方缺乏专业的开发工具和IT人才，不具备定制化开发知识图谱应用的能力。浙江大学中国科教战略研究院与百度联合发布的《中国人工智能人才培养报告》显示，我国人工智能人才缺口高达500万。另一方面，即使能克服人才阻碍，甲方企业内部的应用开发工作也耗时耗力，如果甲方的知识图谱和上层应用没有打通或者从零开始开发应用，往往需要数月时间，知识图谱的价值难以快速落地。

• 甲方需要知识图谱及时增量更新，适应业务变化。随着外部市场环境迅速变化，甲方自身业务也在快速迭代。为了满足甲方最新的业务需求，知识图谱中的知识也要经常更新。不更新意味着知识图谱缺乏生命力，没有时效性的知识会对业务产生负面影响，知识图谱构建项目更是变成了“一锤子买卖”。

知识图谱有全量和增量两种更新方式。全量更新是指以更新后的全部数据为输入，从零开始构建知识图谱，在技术实现难度低，但“推倒重建”式的构建方式会消耗大量资源。增量更新是指以当前新增数据为输入，向现有知识图谱中添加新增知识。相较于全量更新，增量更新资源消耗小、更新速度快。

厂商能力要求：

知识图谱平台的甲方核心需求对厂商能力提出多项要求，分别是定制化本体建模、过往项目积累快速复用、依据使用场景选择数据存储方式、基于企业业务提供定制化知识图谱解决方案和知识图谱快速更新。

• 厂商需要具备定制化本体建模的能力，支持企业按需构建知识图谱模式层。知识图谱模式层的构建有五个环节：①确定专业领域和业务范畴；②在此范围内收集多模态数据；③使用文本聚类、词频分析、聚类、统计分析等，统计出领域高频特征词、术语；④模式层初步开发,划分并定义高频概念集合；⑤基于业务实际优化迭代模式层。在此过程中，厂商专家要与甲方业务专家合作，定制化构建知识框架、定义知识抽取粒度和多模态数据的抽取范围。在此过程中，厂商还需要为业务专家赋能代码能力。近年来，无代码被引入到知识图谱构建过程中，部分厂商在知识图谱平台上内置无代码平台，为甲方业务专家构建一套无代码通用流程，以可视化方式实现对实体、属性、关系的定义和管理。

图 2：  知识图谱模式层构建的五个环节

 

• 厂商需要积累语料、预训练模型和解析器，在项目中快速复用。如何发挥非结构化信息的价值是甲方非常关注的问题，但传统的有监督学习方法成本过高。一种解决方法是使用无监督机器学习技术，通过大数据训练出大模型，再用少量行业数据二次训练，能够在特定场景下达到很好的抽取效果。但无监督机器学习的抽取准确率不如有监督机器学习，且具有较强随机性。同时，大模型训练成本高、方法论不成熟。无监督机器学习需要学界和业界共同探索，逐步优化。无监督机器学习技术在知识图谱平台市场的前景虽好，但短期内落地可行性较低。

头部厂商通常采用另外一种解决方法。他们在使用有监督机器学习的过程中，从公开资料和过往项目经验中积累语料、预训练模型和解析器，在项目中快速复用，通过产品化、系统化的方式降低成本、缩短周期。

• 厂商需要能依据数据的使用场景选择数据存储结构。企业储存在知识图谱里的数据具有丰富的使用场景，对知识图谱的使用性能有很高要求。不同的存储方式会显著影响到知识图谱的性能，例如图数据库更适合储存具有关联关系的数据，因为其使用图的遍历算法在关系查询时的计算量远小于关系型数据库；而关系型数据库并发性能更好，在处理并发读写问题时效率更高。因此，知识图谱平台厂商需要依据数据的使用场景设计数据存储结构，灵活使用不同的数据存储方式。
• 厂商需要提供基于知识图谱的上层应用和完整解决方案，使知识图谱能直接赋能业务。考虑到企业自研知识图谱上层应用的时间成本，甲方需要使用知识图谱平台打造具有实用价值的知识图谱，能直接赋能业务。因此，在项目实践中，厂商需要为知识图谱配备丰富的上层应用组件，包括认知搜索、智能问答、智能推荐等，并以此为基础提供标准化的行业解决方案。同时，知识图谱平台需要具备基于标准解决方案进行二次开发以及通过API接口把知识图谱应用嵌入甲方业务系统的能力。
• 厂商需要具备知识图谱及时增量更新能力，适应行业与业务变化。相比于资源消耗大、更新周期长的全量更新，甲方更需要及时增量更新知识图谱。在增量更新环节，厂商需要针对非结构化数据建立抽取模型，知识图谱平台使用增量数据重新训练模型后，通过对接企业数据源的工具定期将数据同步到知识图谱，及时自动知识更新。以金融行业为例，证券和基金厂商的知识图谱实现及时更新后，能够快速将最新市场信息导入知识图谱，为智能查询等业务赋能。

入选标准：

1. 符合知识图谱平台市场分析的厂商能力要求；

2. 近一年厂商在该市场的营收不低于1000万元；

3. 近一年厂商在该市场的付费客户不低于5个。

代表厂商评估：

竹间智能

厂商介绍：

竹间智能创办于2015年，致力于以自然语言处理、大语言模型，生成式AI，情感计算、深度学习、知识工程等人工智能技术为基础，将AI应用落地各行业。过去8年来，竹间智能服务合作伙伴达500多家大型企业客户，以标准化产品和行业解决方案赋能企业，达到降本增效与提高收入的目标，已在金融、制造、零售、医药、政企等多个领域落地，应用在营销、销售、运营等业务前-中-后台全场景，助力企业数智化转型。

产品服务介绍：

竹间智能拥有对话式AI平台、知识工程平台、机器学习平台等多款标准化的平台级产品，其中Gemini KG知识图谱平台是Gemini知识工程平台的知识图谱产品。Gemini KG可针对结构化和非结构化数据进行知识图谱构建，包括模式层构建、管理以及端到端的知识图谱应用，如智能搜索、文本分析、机器阅读理解、异常监控、风险控制等。此外，Gemini KG可以与竹间在认知智能领域的其他产品相结合，针对营销、客户服务、运营管理、产品质量、根源分析等不同业务场景，基于知识图谱技术的智能化应用需求提供完整解决方案。

厂商评估： 

竹间智能在自动构建知识图谱、知识图谱上层应用与整体解决方案能力、制定产业级知识图谱的实践方法论等四个方面展现了显著优势。Gemini KG知识图谱平台整合了竹间智能众多NLP算法和语义解析技术，并借助大型语言模型准确提炼文档和非结构化数据的有效信息，深入挖掘信息间的关联性，迅速自动构建知识图谱。在知识图谱构建能力之上，Gemini KG平台通过多种应用提供用户便捷的可视化工具和丰富的API接口，实现与企业业务系统的无缝对接，与竹间的产品组合相结合，为企业呈现从知识生成、知识应用到业务优化的全链条闭环解决方案。

此外，竹间智能能为企业客户提供多种附加价值服务，包括针对业务问题的咨询与分析，设计基于知识工程的合适解决方案，并涵盖应用开发与交付等环节，使企业能以更安全、更低成本、更高效的方式将认知能力赋能于实际业务。

• Gemini KG具备信息挖掘和分类的NLP能力，能自动化构建知识，生成精确的知识图谱。传统知识图谱构建方法的特点是“重流程”与“靠人力”，即从构建模式层到数据审核，都要求甲方专家全程参与或开发专门的处理程序，并需要数据人员手动建立知识，人力成本高昂，项目耗时长而且错误率高。Gemini KG的NLP与大语言模型采取“先模型、后人工干预“的Artificial Intelligence + Human Intelligence” 非常有效的Human-In-The-Loop的AI工程方式。Gemini KG的知识平台也是一个低代码开发平台，提供了众多好用的NLP能力API与工作流编辑器，以及可调用的NLP预训练模型，用户在平台上用可视化的拖拉拽方式设计和定义流程与配置模型参数，立即可以测试并得到结果，再不断的调优，即刻完成整个从构建知识，应用知识，测试，与上线的全流程。

Gemini KG知识图谱平台上预置了数十个NLP模型，具备行业常识理解能力。Gemini KG采用预训练模型和预置解析器直接抽取知识，降低人工审核成本的同时，为构建知识图谱提速，以前需要几天才能做到的知识抽取与构建，到应用，现在只要一小时内即可用新数据赋能业务。

• Gemini KG是一款具备丰富知识图谱上层应用的认知智能产品，可与竹间智能的其他认知智能产品联动，提供完整解决方案。作为认知智能产品生态的底层引擎，Gemini KG依托知识图谱和自然语言处理（NLP）等先进技术，开发了一系列知识图谱上层应用。这些应用包括智能语义搜索、智能推荐、信息挖掘与抽取、风险控制、业务审核等，在智能搜索、竞品分析、贷款申请表审核、反欺诈、论文查重、实时舆情分析等场景下发挥着重要作用。

此外，竹间智能还提供了丰富的认知智能产品，例如Gemini KM智能知识库、Bot Factory对话式AI平台、AICC+解决方案平台等。这些产品与Gemini KG相结合，可构成多个领域的标准化解决方案，如工业、医疗、金融、司法等领域。甲方可以根据自身需求，在标准化解决方案的基础上开发定制化的知识图谱上层应用，以满足特定业务需求。 

图 3：  竹间智能的认知智能行业解决方案架构图

 

• 竹间智能是一家具备为产业龙头企业打造产业级知识图谱的能力的公司。许多产业龙头企业希望知识图谱的应用范围更加广泛，可以面向产业链上下游伙伴输出领域知识，以提高产业竞争力，助力产业升级并巩固自身在产业链中的影响力。竹间智能能够提供定制化的服务，为产业龙头企业打造符合其需求的产业级知识图谱。

竹间智能在技术方面具备解决数据多源异构情况和知识三元组数量大幅增加的能力。此外，竹间智能在应对产业信息获取难、知识图谱权限设置难、商业化路径不明朗等方法论方面也具有经验和实力。竹间智能在多个相关项目中有着丰富的经验，能够为企业提供全方位的产业级知识图谱解决方案。通过竹间智能的服务，产业龙头企业可以将其领域知识输出给合作伙伴，实现知识赋能，提升自身的影响力和竞争力。

• 竹间智能凭借丰富的项目经验，积累了一套成功的知识图谱项目方法论。该方法论覆盖了项目前的需求评估、项目中的开箱即用语料/模型以及项目后的价值衡量机制等方面。在知识图谱项目启动之前，竹间智能会全方位考察甲方的数据、困难痛点和组织架构，评估甲方对知识图谱的需求。竹间智能认为，不是所有甲方在数字化转型中都需要知识图谱，部分甲方可能并不了解知识图谱的能力。因此，在评估甲方需求时，竹间智能会结合甲方的情况，判断是否需要知识图谱以及需要怎样的知识图谱。竹间智能致力于构建具有落地价值的知识图谱项目，而非“为了知识图谱而知识图谱”。这样，竹间智能可以为项目成功交付打下坚实基础。

在知识图谱项目中，甲方希望厂商具备积累的语料和模型，能够开箱即用。竹间智能拥有丰富的项目经验，积攒了大量的语料、预训练模型和解析器。竹间智能可以根据甲方领域和行业情况，提供符合要求的语料和模型，从而满足甲方的需求。

此外，竹间智能还总结出完善的知识图谱价值衡量机制，可以量化知识图谱的降本增效程度。在智能问答场景下，知识图谱作为对话机器人的一部分，其降本增效程度可以通过对话机器人问题解决率来衡量；在搜索场景下，搜索满意次数可以作为衡量标准；当甲方使用具备图探索能力的业务展板时，可以结合系统操作和使用率来衡量知识图谱的价值；在知识推荐产品中，可以通过坐席处理对话时间的长短来衡量。这些衡量标准可以帮助甲方评估知识图谱的效果，并为甲方决策提供依据。

典型客户：

国网江苏电力、中国石油、康宝莱、华泰证券、中宏保险

4.2   NLP平台

市场定义：

NLP平台是指使用机器学习、深度学习、知识图谱等技术，通过计算机编程，将文本、声音等自然语言数据编码成结构化信息的赋能平台，其核心要素包括NLP算法模型、NLP技术、NLP应用管理等。

甲方终端用户：

决策部门，人力资源、市场、产研等业务部门，IT部门

甲方核心需求：

企业对NLP平台的期待不仅是为单个应用场景赋能，更重要的是将NLP能力引入企业技术底座，为上层应用赋能。在各类上层应用中，各部门对NLP平台需求有所不同，如企业决策层和市场部门希望使用NLP技术获取高质量行业洞察，为企业提供决策依据；人力资源部希望NLP平台能提高业务流程智能化水平，进而提高业务运行效率。此外，随着大模型开发训练逐渐成熟，企业希望发挥自然语言生成能力的价值，以大模型赋能业务。

• 甲方需要将NLP能力引入技术底座，为上层应用赋能。企业对NLP平台的期待不是为单个应用场景赋能，而是将NLP能力引入企业技术底座，为上层应用赋能。以NLP平台高端客群中的银行为例，为便于拓展业务，中国境内大多数银行都会设立众多分支机构，各机构具备独立的智能客服、对话机器人等认知智能上层应用。企业需要获取通用NLP技术能力，将其复用在多种上层应用中。
• 甲方需要将多模态数据转化为机器语言，准确理解含义、抽取关键信息。NLP技术的主要应用场景包括洞察获取和智能问答。这两类场景的数据具有多模态特点，包括文本、语音、视频等多种结构。企业需要使用NLP技术将多模态数据转化为机器语言，准确理解其含义，并从中抽取关键信息，转化为高价值洞察，或为用户疑问提供解答。
• 甲方需要快速开发定制化NLP应用，提升企业智能化水平。企业在业务发展过程中，为提高智能化水平，需要根据需求定制化开发NLP应用，例如文档审核、媒体文章内容分发、简历处理等。但NLP应用开发流程繁琐，而标准化NLP应用难以满足业务需求，导致应用开发周期长、见效慢。因此，企业需要快速开发定制化NLP应用。
• 甲方需要发挥自然语言生能力的价值，以大模型赋能业务。ChatGPT捅破了自然语言生成的“窗户纸”，以海量训练数据、GPU和强大的模型能力重构企业对自然语言生成的认知。相比于传统模型的自然语言生成能力，大模型应用于文字生成、文本理解、自动问答等下游任务时，生成的文本更加流畅，且内容诉实性得到显著改善，并因此逐渐成为企业关注焦点。企业希望借助大模型发挥自然语言生成能力的价值，以大模型赋能业务。

厂商能力要求：

甲方对NLP平台的需求为厂商提出以下产品要求。首先，厂商需要将NLP技术平台与上层应用结合，为企业打造NLP能力体系。其次，厂商需要具备丰富的项目经验，在过往项目中积累行业标签库、深度学习算法等，提高NLP模型在垂直场景下的识别准确率。再者，厂商需要依托NLP技术，根据企业需求灵活组装NLP算法与模型，为企业提供流程端点智能运作的定制化解决方案。最后，厂商需要结合自身禀赋，探索大模型的融合路径。

• 厂商需要将NLP技术平台与上层应用结合，为企业打造NLP能力体系。NLP技术平台和上层应用是打造NLP能力体系的两个先决条件。一方面，厂商需要围绕行业和场景积累深度学习模型和算法，具有面向不同行业、不同落地场景的NLP产品落地能力；另一方面，厂商还应具备丰富的上层应用矩阵，打造面向不同行业的标准化NLP产品与服务。在实际项目中，厂商需要将NLP技术平台与预置上层应用相结合，为甲方打造NLP能力体系。
• 厂商需要具备多模态数据处理能力，将非结构化自然语言转化为结构化机器语言。为满足企业获取洞察、改善用户体验的需求，NLP平台需要具备多模态数据处理能力，先将数据转化为文本数据，再使用深度学习模型，将经过文本预处理的数据转化为机器学习语言。以短视频审核场景为例，一段长约3分钟的短视频中可能有数帧画面包含违规内容，NLP平台需将整段视频分帧，从中抽取图像、语音和文字信息，再通过分词、词性标注、命名实体识别和去除停用词，将其进行预处理后，使用预训练深度学习系统识别出违规信息。
• 厂商需要支持企业快速开发NLP应用，或基于标准应用二次开发。为解决标准化NLP上层应用无法满足企业需求的问题，厂商通常有两种解决方案，即加快NLP应用开发速度，或二次开发标准化应用。一方面，NLP平台需要在提供NLP算法的基础上，将算法管理、模型训练、模型管理等NLP能力构建流程工具化，可以支持企业快速开发NLP应用。另一方面，NLP平台应在提供标准应用的基础上，具备二次训练模型、配置算法能力，允许用户基于企业实际需求，在标准应用基础上二次开发。
• 厂商需要结合自身禀赋，探索大模型的融合路径。NLP平台厂商逐渐认识到大模型将NLP带入自然语言生成时代。但大模型构建门槛高、难度大，大部分厂商既有的训练数据、算力等难以满足大模型开发需求。因此，厂商需要结合自身禀赋，探索与大模型融合路径。例如，部分大厂具备大模型开发能力，可将开发通用大模型作为发展方向；中小厂商缺乏构建大模型能力，则可以将通用大模型叠加自身的行业的积累，以二次训练方式打造与行业深度融合的领域大模型。大模型刚刚兴起，直接要求NLP平台厂商构建通用或领域大模型并不贴合市场实际情况，但厂商在战略、技术、产品方面应有所规划。

入选标准：

1. 符合NLP平台市场分析的厂商能力要求；

2. 近一年该市场年营收不低于1000万；

3. 近一年该市场付费客户数量不低于5家。

代表厂商评估：

拓尔思

厂商介绍：

拓尔思信息技术股份有限公司（简称“拓尔思”）成立于1993年，是一家专业的大数据、人工智能和数据安全产品及服务提供商。拓尔思坚持核心技术自主研发，拥有40+发明专利、1000+软件著作权，在搜索型数据库、自然语言处理（NLP）技术的技术创新和应用场景落地等方面保持领先地位，成功服务了一批国家级重要信息化项目的建设，包括国家企业信用信息公示系统、信用中国、国家知识产权检索系统、GA云搜索等国家级基础设施的数据管理和检索引擎。

产品服务介绍：

在NLP平台市场，拓尔思已推出“TRS智语自然语言处理引擎（简称智语）”和“TRS智拓人工智能技术平台（简称智拓）”两款产品。

智语：产品吸收了拓尔思在NLP和信息检索领域多年的技术积累，围绕深度学习、知识图谱等核心技术，依托TRS智拓语义智能技术平台等技术成果，面向智慧专利、智慧公安、智慧政务、智慧金融、开源情报分析等应用场景提供服务。

智拓：新一代基于深度学习的语义智能技术平台，围绕NLP、知识图谱、图像检索三大核心技术，结合RPA、数据中台等技术，面向媒体融合、智慧专利、智慧公安、智慧政务、智慧金融、开源情报分析等应用场景，提供文本、音视频、多模态等全栈AI服务能力，可以帮助用户快速构建自己的AI技术能力，有效提升行业语义智能的服务能力和效果。

厂商评估：

拓尔思是NLP市场的资深厂商，深耕NLP技术二十余年，围绕行业与场景积累大量算法模型，有利于甲方进一步深挖数据价值。依托突出的产品能力、私有化部署和灵活的交付模式，拓尔思的NLP平台可有效满足政府机关、大型银行、央国企等高端客户需求。拓尔思把握NLP发展新态势，基于自研垂直大模型打造的文本内容自动生产平台——“智创”，正在加速上线，致力于为甲方构建更强大的NLP能力体系。

• 拓尔思深耕NLP技术二十余年，围绕行业与场景积累大量算法模型，有利于甲方进一步深挖数据价值。拓尔思早在2000 年便入局NLP市场，围绕行业与场景积累大量算法模型。拓尔思通过大规模自监督学习的多模态人工智能算法，融合自然语言理解，基于行业的千亿级图文大规模预训练，实现用更小的标注样本数量，融合更多的模态信息，建立了350+深度学习算法模型的模型工厂，可面向不同行业、不同落地场景进行知识和模型的加工。

图 4：  拓尔思NLP通用模型及标签模型（部分）

 

拓尔思积累的大量算法模型有利于甲方实现更全面细致地分析，进一步深挖数据价值。以标签模型为例，其本质为事件特征，标签越细致意味着对事件描述地越全面。同样的语料，甲方通过标签叠加可以挖掘到更多的信息，例如在金融风控场景中可以对贷款企业进行更有效的风险评估，在社会态势感知场景中可以对社会舆情进行更深层面的监督。

• 拓尔思的NLP平台产品能力与交付方式可有效满足政府机关、大型银行、央国企等高端客群的需求，助力甲方打造NLP能力体系。在NLP平台市场，政府机关、大型银行、央国企等高端客群的需求具有鲜明特色，对厂商能力要求较高。第一，厂商需要为其打造NLP能力体系，而不仅仅是上层应用；第二，支持私有化部署；第三，NLP平台产品可以灵活销售。

拓尔思的NLP平台产品能力与交付方式可有效满足高端客户需求。在NLP平台市场，拓尔思已推出智语和智拓两款产品，可为甲方提供通用NLP技术赋能。同时，拓尔思还推出了丰富的上层应用矩阵，包括数星产业大脑、数星智能风控大数据平台等。技术平台与丰富应用相结合，拓尔思具备为甲方打造NLP能力体系的先决条件。其次，拓尔思的NLP平台支持私有化部署，与高端客群的采购需求特色契合。最后，考虑到高端客群的数字化能力较高，数字化系统较丰富，可能在NLP方面已有一些前期建设的实际情况，拓尔思支持NLP平台产品以及上层应用产品以灵活的方式进行交付，为甲方以较小的成本实现NLP能力体系的构建或完善。

• 拓尔思把握NLP发展新态势，基于自研垂直大模型打造的文本内容自动生产平台——“智创”，正在加速上线，致力于为甲方构建更强大的NLP能力体系。NLP分成自然语言理解和自然语言生成两个部分。自然语言生成门槛较高，因此NLP厂商涉足较少，大多聚焦自然语言理解部分。拓尔思致力于为甲方构建完整的NLP能力体系，因此在“理解”和“生成”两方面均有布局。早在2016年，拓尔思在浙江日报报业集团的融媒体智能传播服务平台（简称浙报媒立方）率先推出了机器写作，主要根据拓尔思的全网资讯大数据自动生成体育、气象和财经等领域的主题稿件，推送到浙报媒立方。随后几年，拓尔思在自然语言生成相关领域的机器写作、对话式AI、内容人机协同和自动报告生成等应用场景，已相继打造出一批优秀实践案例。

图 5：  拓尔思自然语言生成各场景客户名单（部分）

 

ChatGPT的横空出世，加速自然语言生成的发展速度。拓尔思基于自研垂直大模型打造的文本内容自动生产平台——“智创”，正在加速上线。拓尔思“智创”是一款专注文本生成类的内容自动生产平台，其依托拓尔思长期积累的自然语言处理技术和人工智能平台产品为基础，融合自研垂直大模型，将专注在辅助型、应用型、创作型等文本内容的自动生成领域。拓尔思在智创的落地应用方面已有明确规划，优先落地五个场景：

• 新闻出版：机器人写稿、内容创作协助、基于媒体大数据的自动报告生成、多模态的自动配图。
• 政务服务：公文辅助创作、政民互动服务、政务新媒体的创新应用、政策大脑的摘要/数据解读。
• 金融领域：自动报告生成、证券研报的智能解读和摘要生成、上市公司的信息检索。
• 通用行业：知识图谱构建、人机协同的内容生成、开源报告的简报生成等。
• 元宇宙和云服务：虚拟人服务；数家资讯云服务的报告生成、资讯信息精准对话式检索；网察云服务的自动舆情报告生成等。

典型客户：

民生银行、招商银行、华能集团

4.3      会话智能

市场定义：

会话智能是基于ASR、NLP、机器学习等技术，从非结构化的会话数据中为用户提供话术质检分析、意图捕捉、流程管理等能力的解决方案。

甲方终端用户：

销售管理人员、一线业务人员

甲方核心需求：

会话智能是一项较新的认知智能应用，围绕新兴数据源，为企业提供发挥非结构化会话数据价值的新渠道。会话智能用途丰富，包括销售、审批、企业内部沟通等，其中销售场景新兴数据源多，不仅能提供大量线下会话数据，还能通过办公软件、短信等线上渠道产出线上会话数据，具有更高分析价值，因而成为会话智能首选应用场景。

在销售场景下，管理赋能是企业对会话智能的主要应用形式，但也有部分企业在其他场景下尝试用会话智能赋能一线业务人员。管理赋能既包括销售团队赋能，如销售人员技巧培训和业绩评估、销售业务监管，也包括销售决策赋能，如洞察客户需求和市场信息。会话智能赋能一线业务人员的形式较为多元，主要表现为通过流程管理减少员工重复工作。此外，由于会话数据分散的特性，打通数据孤岛也成为甲方关注的问题。

• 甲方需要打通销售数据孤岛。甲方销售人员与客户沟通渠道众多，既包括线下沟通、电话和短信联系，也包括诸多业务沟通应用，如企业微信、钉钉、飞书等。多元的沟通渠道会产生大量分散的会话数据，彼此之间无法相互关联，形成数据孤岛。甲方需要用会话数据赋能业务，必须打破数据孤岛，挖掘数据价值。
• 甲方需要利用会话数据培训销售人员，并准确、全面评估销售表现。随着外部市场环境快速变化，销售人员需要迅速迭代销售技巧，以适应动态、复杂的工作环境，对销售培训需求越来越多。但Gartner的研究发现，销售主管平均只有9%的时间用于销售培训，且有42%的销售主管认为自己缺乏培训能力。为实现高质量的销售培训，甲方销售主管需要从会话数据中提炼标准销售动作，将其分享给团队成员，复制成功销售经验，也可以总结与销售失败相关的会话行为，协助销售人员调整话术、流程和策略，及时止损。

销售主管还需根据销售表现衡量培训成果和销售人员业绩，但传统销售业绩评估多数基于结果导向，过于看重“最终成单数”等指标。单一维度评价体系不能全方位评估销售人员的销售能力，不利于员工和企业长远发展。为此，甲方需要一套全面衡量员工销售表现的评价标准，多维度考察销售人员的销售表现。

• 甲方需要销售业务透明化，全流程监管销售过程。在与客户交流过程中，甲方销售人员与客户沟通流程不透明。销售人员服务流程是否规范、在沟通中是否出现违规行为，销售主管都不得而知。销售人员一旦出现违规行为，企业利益往往会蒙受损失，如过度承诺、争执等不当行为会造成交易失败，再比如销售人员收受“红包”会减少企业收入等。因此，甲方需要全流程监管销售过程，及时发现、纠正销售人员违规行为。
• 甲方需要洞察客户需求和市场信息，及时制定和优化市场策略、完善销售计划。在销售人员与客户沟通过程中，客户实时反馈包含有价值的市场情报，如客户真实需求、市场趋势等。销售部门管理者可据此制定和优化市场策略、完善销售计划。甲方销售人员通常使用CRM系统汇报销售情况，但汇报材料中通常缺乏关键细节，如丢单原因、竞品信息等，导致销售人员与决策者之间出现脱节，决策者无法凭借已有信息做出精准的市场判断。
• 甲方需要使用会话智能实现流程智能化管理，提高一线业务人员工作效率。会话智能的应用正在从管理赋能下沉到一线业务人员赋能，企业对此进行很多积极尝试，如将会话智能应用于知识管理、行政审批、坐席助手等。其中流程管理是会话智能下沉的主要应用场景，甲方希望使用会话智能自动完成原本需要人工操作的流程节点，实现流程智能化管理。

厂商能力要求：

甲方需要打通数据孤岛，用会话数据赋能销售管理，这对厂商提出了多方面能力要求。厂商需要为会话数据构建非结构化数据平台，将其抽象成结构化数据，并入甲方数据中台和CDP（客户数据平台）。在此基础上，厂商需要依托行业Know-how和NLP技术，搭建行业销售标签体系、会话数据预警系统和企业SOP，从中提炼销售话术和流程、销售表现数据、市场洞察和销售进程信息，并在出现风险时及时预警。

• 厂商需要为甲方打造“非结构化数据平台”，连接甲方业务沟通平台。打通数据孤岛的第一步是实现非结构化数据互联。会话智能产品需要通过API接口创建、编辑，实现与第三方系统的互联互通。此外，会话只能产品体系要向线下数字化拓展，具备语音数据采集能力和高精度读取能力，实现线上线下数据打通。

为打破数据孤岛，厂商需要将会话智能产品打造成非结构化数据平台。作为传统数据中台的补充，会话智能需要将非结构化会话内容转写、抽象成结构化数据，并入CDP和数据中台进行关联分析。

图 6：  厂商为甲方打造“非结构化数据平台”，连接业务沟通平台和CDP、数据中台

 

• 厂商要结合项目积累和甲方业务经验，提炼销售流程各环节标准动作，用以培训和评估销售人员。会话智能厂商需要依托积累的项目经验，针对多个行业打造销售流程标签体系，并将其与甲方业务经验结合，定制化构建销售标签库。会话智能产品需要训练机器学习模型，建立会话数据与销售标签之间的对应关系，再通过综合分析甲方会话数据与销售业绩指标，从会话数据中提取销售流程每个标签的标准动作和关键销售指标，如通话响应时间、接通率、说话占比、重复呼叫率、一次解决率等。销售主管使用标准销售动作培训销售人员，使用关键销售指标对销售人员进行量化评价。
• 厂商需要为甲方搭建会话数据预警系统，全流程监控销售流程，出现风险及时预警。考虑到甲方全流程监管销售过程的需求，会话智能厂商要结合行业Know-how和甲方实际业务，预搭建销售风险信号标签库和风险会话语义库，并预训练风险预警机器学习模型。

厂商要以预置的机器学习模型为基础，为甲方搭建会话数据预警系统，将会话数据近实时回传到会话智能软件。会话智能产品使用ASR技术精准转写会话数据，并使用实体抽取、情感映射等NLP技术将甲方销售人员会话数据结构化建模。机器学习模型可从抽象后的数据中识别风险会话信号，通过数据接口将其传输到甲方通知系统，及时预警相关人员。

• 厂商需要具备行业经验，为甲方提供咨询服务，并基于会话智能提供流程智能化解决方案。为解决甲方流程智能化需求，厂商需要具备丰富的行业经验，为甲方提供咨询服务，梳理甲方业务流程问题，如节点人工操作导致效率低下等。在此基础上，厂商需要将会话智能与企业原有业务系统结合，收集员工公开会话数据，并据此自动完成原本需要人工操作的流程节点，如资料上传、知识管理等，为企业提供流程智能化解决方案。

入选标准：

1. 符合会话智能市场分析的厂商能力要求；

2. 近一年该市场年营收不低于500万；

3. 近一年该市场付费客户数量不低于3家。 

代表厂商评估：

明略科技

厂商介绍：

明略科技是一家企业数据智能应用软件供应商，通过挖掘数据价值，为客户提供基于大数据和人工智能的软件产品与服务，帮助组织在数字化转型中挖掘营销、销售和服务等场景的商业价值。

产品服务介绍：

明略科技聚焦营销智能和营运智能赛道，深挖数据应用，打通线上线下的数据壁垒，赋能更多高价值场景。其中，营销智能领域解决方案覆盖公域私域全链路，为企业增长提供动力；营运智能专注企业运营体系，围绕数字化场景提供的解决方案，助力企业突破业务全生命周期管理。

会话智能作为明略科技营运智能的解决方案，是一款销量增长引擎，以SaaS交付方式帮助企业营销、销售部门实现销售过程数字化和业绩归因分析。明略科技会话智能通过智能识别会话过程中的“关键事件”（如：连带销售，竞品优势提及），并分析此类事件与业绩提升、下降的相关性，从而让销售团队改变沟通行为，提升业绩表现。目前，明略科技会话智能聚焦销售过程分析、营销活动分析、员工对比分析、客户需求分析四类场景，为美妆、汽车、3C、教培、地产等行业头部企业提供SaaS产品服务和定制化分析报告。

厂商评估：

技术、行业积累和客户成功体系构成明略科技在会话智能领域的竞争力铁三角。以技术为基，明略科技打造软硬一体解决方案，破除线下会话数据采集困难的行业痛点，实现全量会话数据的价值挖掘。明略科技依托在汽车、美妆、3C和大健康领域的行业积累，构建了丰富的行业知识库、标签库和指标库，有利于提升语音和语义识别准确率和跳过项目冷启动阶段。明略科技已建立客户成功体系，为项目配备客户成功团队，帮助甲方实现业务价值。

• 明略科技以技术为基，打造软硬一体化解决方案，实现线上线下数据的充分汇聚和充分利用，提高分析和洞察的准确性。甲方对会话智能的普遍价值预期：充分释放会话数据价值，提升企业分析和洞察能力，进而驱动业绩增长。但是，在“充分释放会话数据价值”环节存在两个常见难点。首先是数据汇聚不全。会话数据分布在多个会话场域，例如微信、企微、钉钉、飞书、短信、呼叫中心、线下沟通等，碎片化特征明显。厂商的能力往往体现在汇聚线上数据方面，而面对线下沟通数据则缺乏有效应对手段，导致数据汇聚不够全面，造成数据资源浪费。明略科技会话智能具备语音转写软硬一体解决方案，通过明略科技自主研发的灵听工牌，采集门店销售人员的会话数据，上传到明略科技会话智能系统中，打通线上线下会话数据。第二个难点是非结构化数据利用程度低。会话数据主要包含文本和语音两种模态，语音数据中经常出现方言、外语，甚至是约定俗成的错误表达，例如将汽车型号“x”发为“叉”音，厂商应对起来较为吃力。明略科技会话智能根据自身在ASR、NLP等方面的技术积累，可以有效应对上述问题，进而提升甲方对非结构化数据的利用程度。
• 明略科技在汽车、美妆、3C和大健康领域均有10年以上的业务沉淀，有利于提升语音和语义识别准确率和跳过项目冷启动阶段，项目质量和交付更有保障。会话数据洞察分析是会话智能的核心价值，而会话数据提取与转化精度是准确洞察的保障。与通用场景不同，甲方企业的销售会话数据具有行业特性，包含大量产品术语和行业规则。面向通用场景的深度学习模型直接复用在行业场景，准确率会大打折扣。

明略科技17年来与多家500强企业建立了业务合作，在汽车、美妆、3C和大健康领域均有10年以上的业务沉淀，构建了丰富的行业知识库、标签库和指标库。明略科技会话智能产品使用行业知识库训练NLP模型，在上述行业销售场景下具有更高的语义识别准确率。此外，明略科技的行业知识库积攒了多个行业品牌、品类等实体信息，用于预训练该行业的深度学习模型，并将其预置在明略会话智能系统内。明略科技与同行业其他甲方建立合作时，可跳过冷启动阶段，只需根据甲方业务情况微调模型和算法，即可快速适应客户需求和行业环境。

• 明略科技为项目配备客户成功团队，能针对甲方需求定制业务分析洞察，释放会话数据价值。在明略科技看来，将明略科技会话智能销售给甲方并非项目终点，而是起点。明略科技希望甲方可以将会话智能用起来，在业务场景发挥实际价值。因此，明略科技为每个项目配备“完整建制”的客户成功团队，能针对甲方需求定制业务分析洞察。客户成功团队包括项目经理、运营经理和团队分析师三个核心角色，当甲方决策者提出定制化分析需求时，团队成员协同配合：项目经理负责提供咨询服务；运营经理负责具体实施方案，包括针对会话数据实施数据运营、针对案例开展最佳实践等开展内容运营；团队分析师负责定位问题、分析数据、抽象特征，并输出分析报告。报告既可针对甲方特定产品和服务展开全面分析，为采购人员和甲方决策层提供洞察指标和改进意见，也可以分析销售人员执行企业SOP的情况，提炼执行建议洞察。

客户成功团队业务运营人员按照甲方需求输出定制化报告后，可将分析指标等报告成果进行产品化，发布到客户的明略会话智能智能租户当中。甲方遇到类似问题可以自行分析，无需重复付费。

典型客户：

某金融服务企业、某汽车品牌、某教育集团、某医药零售企业、某口腔医疗服务机构

4.4      智能诊疗

市场定义：

智能诊疗是指将知识图谱、机器学习、自然语言处理等人工智能技术用于辅助诊疗当中，使计算机能够模拟医生诊疗时的思维逻辑，在实际应用时给出诊疗方案，为医生提供决策支撑，提升医疗效率和质量，应用领域包括智能诊断、治疗方案推荐、医学知识库、检查辅助等。

甲方终端用户：

基层医疗机构、医院门诊、医院影像科

甲方核心需求：

甲方对智能诊疗的需求主要体现在决策支持方面。基层医疗机构需要智能诊疗产品辅助基层医生决策；影像科医生需要智能诊疗产品快速、精准判断患者病情，提高诊断效率和准确性；专科门诊医生需要快速获取临床决策证据，准确做出临床决策；智能诊疗产品还需要辅助医生评估治疗方案疗效，科学治疗患者。

• 基层医疗机构需要提升基层医生诊断水平，承担“基层首诊”任务。基层医疗机构人才匮乏、诊疗水平相对较低，导致患者宁可舍近求远，排队到大医院就医，也不愿意前往基层医疗机构就诊。患者集中到大医院就诊是看病难、看病贵的重要原因之一。为此，国务院办公厅发布的《关于推进分级诊疗制度建设的指导意见》，提出“基层首诊、双向转诊、急慢分治、上下联动”的分级诊疗体系建设意见。基层医疗机构要承担起“基层首诊”的任务，提高基层医生诊疗水平，亦是智能诊疗的用武之地之一。
• 甲方需要根据医学影像快速、精准判断患者病情，提高诊断效率和准确性。动脉网数据显示，中国医学影像数据年增长率达30%，而放射科医生的年增长率仅有4.1%。这导致影像科医生工作量逐年加大，难以完成海量医学影像的阅片工作。另外，依靠医生经验判断患者病情容易出现误诊、漏诊情况，影响患者治疗。因此，甲方希望将认知智能技术与医学影像结合，快速、精准判断患者病情，提高诊断效率和准确性。
• 甲方需要专科医生以循证医学为原则，迅速、准确做出临床决策。传统临床决策只依赖专科医生有限的实践经验，缺乏客观研究结果做凭据，可能导致无用的治疗方法长期得到临床采用，而有助于疾病治疗的方法则受到忽视。因此，甲方愈发重视遵循循证医学原则，将临床医生个人经验与临床决策客观依据结合，迅速、准确为患者做出临床决策。但决策依据来自对相关信息进行搜集、评价和整合，需要临床医生花费大量时间。因此，甲方需要引进知识图谱技术，辅助临床医生在短时间内完成知识查询，获取相关证据，准确做出临床决策。
• 甲方需要医生评估治疗方案疗效，为患者提供定制化治疗方案。医生诊断患者病情后，会参考特定疾病的治疗方法，出具标准治疗方案。但每一位患者的病情都具有差异性，治疗方案的效果也因人而异。为此因此，部分医院设立专病门诊，为特定病种患者提供病程全周期管理服务。在此过程中，医生需要准确把握患者预后情况，使用AI医学影像等技术科学评估疗效，为患者提供定制化治疗方案。

厂商能力要求：

甲方对智能诊疗的需求为厂商提出多项能力要求。基层医疗机构需要厂商提供符合基层医生使用习惯的辅助诊断系统；医院影像科需要智能诊疗产品快速准确实现图像病例分类和病灶分割；医院门诊需要智能诊疗产品为临床医生诊断提供决策依据，并基于患者病情发展信息，为医生疗效评估提供参考。

图 7：  智能诊疗厂商能力要求

 

• 厂商需要将认知智能技术与医生诊断结合，构建适合基层医生使用的辅助诊断系统。为提升基层医生诊断水平，智能诊疗厂商需要具备利用机器学习、深度学习等技术打造高精度、高可靠性的诊疗算法和模型，并使用分词算法、实体关系抽取等NLP技术构建常见病知识图谱。在基层诊断场景下，模型能根据患者症状描述，通过图谱检索等方式，为基层医生提供患者病情诊断辅助。同时，算法和模型需要在临床诊断中结合医生和患者反馈，不断自我优化，进一步提高其准确性和可靠性。
• 厂商需要将人工智能技术与医学影像结合，快速准确实现图像病例分类和病灶分割。为提高影像科医生阅片效率和准确性，厂商需要使用深度学习技术预训练模型，将其与医学影像系统结合后，使用患者数据进行二次训练。训练后的模型需要实现图像病例精准分类，提供诊断建议，或实现目标/病灶检测分割，辅助医生勾画治疗靶区。
• 厂商需要将专科诊疗信息沉淀为医学知识图谱，为临床医生诊断提供决策依据。为方便临床医生快速获取证据，结合自身经验准确做出临床决策，厂商需要结合公开资料和甲方内部信息，使用NLP、知识图谱等技术将专科疾病相关研究、治疗等信息沉淀为医学知识图谱。知识图谱需要配备智能查询服务，能根据查询需求自动匹配患者数据及相关病理、药理信息，为临床诊疗提供符合循证医学证据的决策支持。
• 智能诊疗产品需要获取患者病情发展信息，为医生疗效评估提供参考。疗效评估需要获取患者病情发展信息，厂商需要使用知识图谱等认知智能技术，对比分析患者治疗前后病情发展情况。以影像医学为例，智能影像产品通过AI技术对比分析患者治疗前后的影像变化后，能够根据视觉影像知识图谱，检索影像占位特征对应的疾病信息，将视觉信息转化为量化指标，为病情及疗效评估提供决策依据。

入选标准：

1. 符合智能诊疗市场分析的厂商能力要求；

2. 近一年该市场年营收不低于500万；

3. 近一年该市场付费客户数量不低于3家。 

代表厂商评估：

深睿医疗

厂商介绍：

北京深睿博联科技有限责任公司（简称深睿医疗）成立于2017年3月，在北京、上海、杭州均设有独立运营公司，是专注于人工智能技术在医疗领域应用的国家级高新技术企业，致力于通过深度学习技术及自主研发核心算法&#