德勤报告怎么看？
德勤报告怎么看
接下来具体说说
一文带你轻松看透年报
01
不管什么原因点进来，先声明一下，今天说的看年报不纠结那些专业的会计名词，轻松点， 就是看照片识人 。
把一个公司比方成一个人。不管你是投资，买股票还是跳槽，或者说只是对一个公司好奇，那都是对这个人感兴趣。
对人家感兴趣不能光道听途说。 耳听为虚，眼见为实 ，一般会亲自去看了才知道。而实际上各方面原因，很难真去看，就算去估计也是只缘身在此山中。但是有个办法就是看照片，就是看这家公司的年报，去了解这人。
照片哪里有呢？只要是上市公司，它的年报就是公开的，数据都是透明的。都可以在公司官网上看，比如投资者关系；或者上市的证券机构分析网站。
4月份是很多上市公司集中拍照的日子，出新鲜的照片。 听说康士伯（Kongsberg Gruppen ASA）KOG有点神秘，今天就去看看它的照片。
打开www.kongsberg.com，主界面就是2019年报和可持续发展报告，要看全身照，到右上角投资者关系Investor Relations , 再点所有报告，下面可以看到1999年以来每年的高像素的年报，还有像素低点的季报。
为什么要这样放照片呢？年报是最重要的，汇集了一年当中所有的信息，信息含量最丰富，包括公司战略，重大事件，财务情况，甚至高管年薪，哪些股东，... 但是这人的情况瞬息万变，一年拍张照太慢，上年的还要到3，4月份，所以上市公司还要求定期每个季度或每半年拍个照，当然像素低一点。
最新出炉的就是2019年的，英文版的康士伯年报点进去。马上傻眼，这年报信息量也太大了，210页，怎么看？
02
哈佛商学院三位会计学教授帮你总结出来了 看照片识人的四步内功心法，抓重点，叫“哈佛分析框架 ”。
1. 宏观环境和战略分析：
一般看人要先说人长得好不好看，然后具体告诉我五官怎么样。评价一个人好不好看之前，先要了解这张照片是在什么样的环境下拍的。 光线特别差的地方拍的，五官再立体长的再好，也是平面，不好看 。你说 现在疫情这么严重，那光线能和前些年市场高速发展的时候相比么 ？所以这是心法的靠前步，宏观环境和战略分析。
2. 会计分析：
你要怎么知道公司给你看的财务数据一定反映了它背后的真实经营情况？以前可以，现在不一定，因为现在有了 美图秀秀 。所以第二步会计分析很重要，就是判断一下这个报表当中数字是不是反映了公司的实际。
怎样做，看公司的审计报告。每家上市公司的年报都是经过一家第三方会计事务所来审计的，这个审计报告会放在年报中。
看两点：一是这个是哪家会计事务所出具的 。通常国际四大会计事务所：普华永道（PwC）,德勤（DTT）,毕马威（KPMG），安永（EY）,还有其他相对比较小的事务所。
二. 哪家会计事务所不是最重要的，重要的是事务所出具的审计意见是什么？没有意见，说明充分如实反映情况，可以放心看数据。
3. 基于财务报表数字分析：
这才到了看那三张报表。
资产负债表代表了这个人的骨骼，体型，身材 。拥有的资产负债，什么样的结构， 底子 如何。
利润表就是颜值 。全年的营收还有利润率如何，给外界展示的，给银行，债权人，股民去看的，也叫 面子 。
现金流量表就是照片观察它的呼吸，血液，这个也叫气色 。就像跑步，会跑的人都用鼻子呼吸，这样不会岔气。初跑者都是用嘴呼吸，容易岔气，走走停停，坚持不了多久，这个叫 里子 。
4. 前景分析：
照片看完之后，还要判断未来5到10年会不会 持续好看 。判断这家公司未来的增长潜力如何，值不值得投资。前面会计分析和行业战略分析最终目标都是判断这个企业未来的价值。
03
好了上面说了怎么看照片，现在开始拿康士伯的照片出来看了。
靠前步：宏观环境和战略分析
分析一个人的时候，首先得了解的是，它是做什么的？所在行业是什么情况？竞争情况如何？这个就是商业模式。一张照片财务数字本质是由它所处的宏观环境和战略选择以及日常经营来驱动的，这是 拍照的环境，看光线怎么样 。所以通过照片看本质，表面是数字，背后要看驱动它成功的核心因素有几点。
怎么了解它做什么生意？可以从它年报中的收入构成去看。
KOG这家公司在2019年的时候，总营收240亿挪克，总共有三部分组成， 军工和航空 ， 海事 和 其他业务 。
可以看出，这家公司的核心业务是军工和海事，占了95%以上，专注主营业务，没有多元化。海事160亿，占了2/3，相比去年增长了112.6%。
海事是大头，那海事行业环境如何呢？2019年新船订单处于历史低位，尽管市场疲软，康士伯海事还是接到了大量订单，营收还增加了一倍多。这一年的第二季度康士伯合并了和原海事体量相当的罗罗船用，后三个季度贡献了营收。
那以前罗罗多大体量的营收呢？2018年的时候，罗罗组织架构调整，将原来传统的5大部门压缩到3个部门，商船部门卖给了康士伯。罗罗的18年的年表看不到船用的营收。从17年的年报看，商船船用营收8亿英镑，船用整个净利亏损2500万英镑。
康士伯2019年的年报看营运利润率和2018年差距不大，这一年做了较好的整合，以后重要的是发挥协同效应。
04
第二步：会计分析
上面说过就是去掉PS 。确保这家公司财务报表中看到的数据真实反映公司的实际经营情况。假如数字不真实，做再多的分析都是没有意义的。
听说现在PS水平高的不得了，看看瑞幸咖啡被浑水把图那么一美颜，愣是让行家看不出来。不过这个还是要和历史上的数据对比。
先看审计报告是 哪一个会计师事务所出具 的。一般是在年报的最后面。KOG的年报是安永审计的。
第二就是看 安永审计的意见 ，总的意见三条：
1.财务报表按照法律法规编制;
2.财务报表在所有材料方面公平合理, 母公司截至2019年12月31日的财务状况，以及该年度的财务业绩和现金流，均根据《挪威会计法》和挪威普遍接受的会计准则。
3.合并财务报表按照欧盟采用的国际财务报告标准（IFRS），在所有重要方面公正地反映了集团截至2019年12月31日的财务状况，以及该年度的财务和现金流表现。
这说明照片好像没有PS 。
里面也提到两点，
一是客户长期合同的收入的认定。
二是收购RR无形资产的认定。
这很难，标注了当时做了相应的评估和注释。
05
第三步：财务报表分析
这一步才真正的开始对那著名的三张报表进行分析了。 资产负债表 ， 利润表 和 现金流量表 。
资产负债表：
资产负债表是啥？它代表了照片上那个人的骨架，体形，身材。能体现 资金从哪里来，资金到哪里去 ？
分析之前先看看企业是干什么的？
首先设立公司的时候，公司的所有者或股东把钱投到公司来，同时可能还要去银行借钱，这就是 融资 。
然后利用这笔钱盖厂房，买设备，企业壮大，用这笔钱投资别的公司，参股，和别人合资组建企业，或建子公司。这叫 投资 。
再每天，采购原材料，生产产品，销售产品，回收货款，每天做的事叫 经营 。
经营，投资，融资每天循环往复。
赚钱是企业根本目的，还有保证股东本金不受损失，比如本金现在成什么样了，是不是保持原来的价值，就需要描述这些问题的报表，资产负债表。
资产=负债+所有者权益
左边 ：公司投入的钱都变成了什么，钱到哪里去？哪些还是钱，哪些是应收账款，哪些变成了原材料，成品，厂房，设备，汽车，电脑…
右边： 钱从哪里来。股东投入，银行借的，欠供应商的，欠员工的，欠税务局。
这就是一个时点给企业拍了张照片 。资金哪里来，哪里去要相等。所以两边的数字相等。
对比2018年，2019年的资产和负债增加了115亿挪克，那主要海事收购了罗罗船用和军工航空收购了航天工业维修AIM.
利润表：
利润表呢？那就是颜值。我干了什么 ，我是谁。
就是 收入减去费用 。
一家公司的主要收入来自哪里？主营收入外，有没有投资收益，或其他营业外收入？成本结构如何？直接销售费用占比多少？管理费用，财务费用呢？交了多少税，公司净利润多少。
大多数中产阶级一辈子都在为三种老板打工：天天起早贪黑-给老板打工；拿了工资条，缴纳个人所得税那是少不了-给政府打工；每月到手的钱还得省吃简用，月底要还按揭和利息-给银行打工。
企业也是一样，产生营业利润，需要支付债权人如银行贷款利息，然后剩下的利润向政府上缴税收，最后的净利润要给股东分红。
所以利润表是给别人看的，是颜值。
大家都不容易。还是不聊这些沉重的话题，看颜值。
现金流量表：
现金流量表呢？就是呼吸，血液，也就是这个人的气色。 现金从哪里来，到哪里去？
全年公司账面现金进出，多少现金流入来自经营，投资，融资？经营就是造血，投资就是放血，融资就是输血。相应又有多少现金流出？进的多，出的多？现在账上还有多少现金。这个图，年报上的太长，整张中文的。
现金流量表可以看出钱怎么流？
看重点，流出43.84亿。 现金流到哪里？ 可以看到主要是投资现金流出，因为2019年有几笔收购, 最主要的还是罗罗的收购，最终罗罗收购的价格是48.65亿。
那收购的现金从哪里来？ 可以看到2018年将近新发行股票近50亿，债券近10亿。
现金是一个企业最重要的，但也不说手上现金越多越好，不差钱不代表会花钱。太多钱在账上是一种浪费。现金两方面：
一方面是你要有足够的钱去抵抗风险，
另一方面是你的资金的使用效率，更多的钱趴在账上，没有拿它钱生钱，或者赚更多的钱，对于投资人来说，绝对是一种资金上的浪费。
上面就是三个报表，你可以看出这个人的身材，颜值，气色。
颜值如何 ，赚了不少净利润，赚的钱到哪去了？给股东分红，剩下的算是所有者权益，放在里面作为股东继续投资的资金。
有了经营收入我还想收购公司，可以融资，新发股票，然后投资， 气色就会表现出来 。
投资之后导致资产负债表的总金额变化，随着收购过来的公司的模式也会导致固定资产，库存资产，现金资产占比有变化， 身材改变 。所以看照片可以把它看鲜活。
观察了这些之后，想要去分析这个人到底如何，就下面四个方面：
1.经营情况
2.财务风险
3.经营效率和管理能力
4.股东回报
06
第四步，前景分析
做完了以上分析后，就是前景分析，看它以后还好不好看。其实上面的分析都是最终目标是判断这个企业未来的价值。
前景分析，核心的就三点：
1.这个公司是不是赚钱，现在是不是赚钱。
2.未来能不能挣更多钱。
3.未来能不能持续一直挣更多的钱。
对康士伯这样的公司，比如海事这块能不能持续赚钱和增长，可能和两点有关系：
一个就是能不能有持续的创新的产品出来。 数字化时代，电商那些消费互联网是上半场，产业互联网将是下半场 ，才是真正增长的驱动。还有现在法规以及环保压力下，绿色航运是以后的方向。康士伯将会在绿色航运和智能船方面，用全球领先的技术，为海事提供有效和更可持续的解决方案。
第二就是自身的调整，成本节省。
07
上面就是看照片识人的一整套过程 。
这里不对照片里的人做评价，可以根据上面流程去看，分析。也可以用这一套去看不同公司的照片。
你可能还注意到，210页的报告里，第三章占了很大一部分，就是可持续发展报告。主要给相关利益者看康士伯怎样注重可持续发展和履行社会责任的。
俗话说的好，公众人物， 除了赚钱，要有责任心 ，所以现在企业年报里虽说是自愿，但都包含这一项。这个照片也不能PS，你不能拍胸脯说你自己多有责任，爱心。要有数据，而且数据也是需要会计事务所来审计的，KOG的可持续发展报告是德勤审计的。
可持续发展也是在工贸渔部当时的白皮书，挪威会计法，联合国契约，奥斯陆证交所准则，还有全球报道倡议组织（GRI）框架下做的。
KOG是上市公司，那就是资本说的算。大股东靠前是挪威工业，贸易，渔业部，占股50%，妥妥的标准国企。第二是挪威社保基金，其他都是一些投行什么的。对了，社保基金是个什么机构？
这里就插一点内容。挪威是一个打鱼，海盗起家的国家。70年代在北海发现了石油，国家就富有了。但是它在想啊， 石油总有一天会采光的，以后怎么办 ？就想到可持续，成立了社保基金。然后用这个基金到全球到处投资，这个基金资金大，收益高，每年它就用获得的收益加利息供养了全国公民终身福利制度（教育，医疗，养老），还有国家政府支出，而 本金不动。所以这叫有钱，还能持续有钱，这才叫做持续性 。
地球，大海其实也是一样，不能不停动本金，不然早晚钱要花光。所以联合国做出17个2030需要达到可持续发展目标，KOG用自己的特点，遵照要求选择其中的7个作出贡献。
再继续插点内容，挪威那个国家除了石油以外，并没有放弃它的优势项目，就比如 打鱼，海盗起家的渔业，海事等领域，让优势项目深度发展，分担石油经济的风险 。像海事设备通过集群合作，让高科技船舶和海洋设备始终处于世界领先，罗罗船用的收购也是政府加强挪威在海事领域的领先地位。
可持续发展报告中主要是写了什么内容呢？
税务责任
对腐败零容忍
更环保的创新方案
HSE和员工
公司和网络安全
可持续发展和企业责任，供应链责任
气候和环境
到这里，用了5000字算把看照片识人介绍完了。
再来总结一下怎么看 ：
看拍照的光线怎样；
有没有PS；
照片里的人身材如何，颜值高不高，气色怎么样；
还有以后能不能持续保持；
最后看人还要看它是不是有责任感！
德勤报告：从零开始认识AI
概述
近几年各界对人工智能的兴趣激增，自2011年以来，开发与人工智能相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资，而科技巨头更是投资数十亿美元收购那些人工智能初创公司。相关报道铺天盖地，而巨额投资、计算机导致失业等问题也开始浮现，计算机比人更加聪明并有可能威胁到人类生存这类论断更是被媒体四处引用并引发广泛关注。
-
IBM承诺拨出10亿美元来使他们的认知计算平台Watson商业化。
-
谷歌在最近几年里的投资主要集中在人工智能领域，比如收购了8个机器人公司和1个机器学习公司。
-
Facebook聘用了人工智能学界泰斗Yann LeCun 来创建自己的人工智能实验室，期望在该领域获得重大突破。
-
牛津大学的研究人员发表了一篇报告表明，美国大约47%的工作因为机器认知技术自动化而变得岌岌可危。
-
纽约时报畅销书《The Second Machine Age》论断，数字科技和人工智能带来巨大积极改变的时代已经到来，但是随之而来的也有引发大量失业等负面效应。
-
硅谷创业家Elon Musk 则通过不断投资的方式来保持对人工智能的关注。他甚至认为人工智能的危险性超过核武器。
-
著名理论物理学家Stephen Hawking认为，如果成功创造出人工智能则意味着人类历史的终结，「除非我们知道如何规避风险。」
即便有如此多炒作，但人工智能领域却也不乏显著的商业行为，这些活动已经或者即将对各个行业和组织产生影响。商业领袖需要透彻理解人工智能的含义以及发展趋势。
人工智能与认知科技
揭秘人工智能的首要步骤就是定义专业术语，勾勒历史，同时描述基础性的核心技术。
1、人工智能的定义
人工智能领域苦于存在多种概念和定义，有的太过有的则不够。作为该领域创始人之一的Nils Nilsson先生写到：「人工智能缺乏通用的定义。」 一本如今已经修订三版的权威性人工智能教科书给出了八项定义，但书中并没有透露其作者究竟倾向于哪种定义。对于我们来说，一种实用的定义即为—— 人工智能是对计算机系统如何能够履行那些只有依靠人类智慧才能完成的任务的理论研究 。例如，视觉感知、语音识别、在不确定条件下做出决策、学习、还有语言翻译等。比起研究人类如何进行思维活动，从人类能够完成的任务角度对人工智能进行定义，而非人类如何思考，在当今时代能够让我们绕开神经机制层面对智慧进行确切定义从而直接探讨它的实际应用。值得一提的是，随着计算机为解决新任务挑战而升级换代并推而广之，人们对那些所谓需要依靠人类智慧才能解决的任务的定义门槛也越来越高。所以，人工智能的定义随着时间而演变，这一现象称之为「人工智能效应」，概括起来就是「人工智能就是要实现所有目前还无法不借助人类智慧才能实现的任务的集合。」
2、人工智能的历史
人工智能并不是一个新名词。实际上，这个领域在20世纪50年代就已经开始启动，这段探索的历史被称为「喧嚣与渴望、挫折与失望交替出现的时代」——最近给出的一个较为恰当的评价。
20世纪50年代明确了人工智能要模拟人类智慧这一大胆目标，从此研究人员开展了一系列贯穿20世纪60年代并延续到70年代的研究项目，这些项目表明，计算机能够完成一系列所本只属于人类能力范畴之内的任务，例如证明定理、求解微积分、通过规划来响应命令、履行物理动作，甚至是模拟心理学家、谱曲这样的活动。
但是，过分简单的算法、匮乏的难以应对不确定环境（这种情形在生活中无处不在）的理论，以及计算能力的限制严重阻碍了我们使用人工智能来解决更加困难和多样的问题。伴随着对缺乏继续努力的失望，人工智能于20世纪70年代中期逐渐淡出公众视野。
20世纪80年代早期，日本发起了一个项目，旨在开发一种在人工智能领域处于领先的计算机结构。西方开始担心会在这个领域输给日本，这种焦虑促使他们决定重新开始对人工智能的投资。20世纪80年代已经出现了人工智能技术产品的商业供应商，其中一些已经上市，例如Intellicorp、Symbolics、和Teknowledge。
20世纪80年代末，几乎一半的「财富500强」都在开发或使用「专家系统」，这是一项通过对人类专家的问题求解能力进行建模，来模拟人类专家解决该领域问题的人工智能技术。
对于专家系统潜力的过高希望彻底掩盖了它本身的局限性，包括明显缺乏常识、难以捕捉专家的隐性知识、建造和维护大型系统这项工作的复杂性和成本，当这一点被越来越多的人所认识到时，人工智能研究再一次脱离轨道。
20世纪90年代在人工智能领域的技术成果始终处于低潮，成果寥寥。反而是神经网络、遗传算法等科技得到了新的关注，这一方面是因为这些技术避免了专家系统的若干限制，另一方面是因为新算法让它们运行起来更加高效。
神经网络的设计受到了大脑结构的启发。遗传算法的机制是，首先迭代生成备选解决方案，然后剔除最差方案，最后通过引入随机变量来产生新的解决方案，从而「进化」出解决问题的最佳方案。
3、人工智能进步的催化剂
截止到21世纪前10年的后期，出现了一系列复兴人工智能研究进程的要素，尤其是一些核心技术。下面将对这些重要的因素和技术进行详细说明。
1）摩尔定律
在价格、体积不变的条件下，计算机的计算能力可以不断增长。这就是被人们所熟知的摩尔定律，它以Intel共同创办人Gordon Moore命名。Gordon Moore从各种形式的计算中获利，包括人工智能研究人员使用的计算类型。数年以前，先进的系统设计只能在理论上成立但无法实现，因为它所需要的计算机资源过于昂贵或者计算机无法胜任。今天，我们已经拥有了实现这些设计所需要的计算资源。举个梦幻般的例子，现在最新一代微处理器的性能是1971年靠前代单片机的400万倍。
2）大数据
得益于互联网、社交媒体、移动设备和廉价的传感器，这个世界产生的数据量急剧增加。随着对这些数据的价值的不断认识，用来管理和分析数据的新技术也得到了发展。大数据是人工智能发展的助推剂，这是因为有些人工智能技术使用统计模型来进行数据的概率推算，比如图像、文本或者语音，通过把这些模型暴露在数据的海洋中，使它们得到不断优化，或者称之为「训练」——现在这样的条件随处可得。
3）互联网和云计算
和大数据现象紧密相关，互联网和云计算可以被认为是人工智能基石有两个原因，靠前，它们可以让所有联网的计算机设备都能获得海量数据。这些数据是人们推进人工智能研发所需要的，因此它可以促进人工智能的发展。第二，它们为人们提供了一种可行的合作方式——有时显式有时隐式——来帮助人工智能系统进行训练。比如，有些研究人员使用类似Mechanical Turk这样基于云计算的众包服务来雇佣成千上万的人来描绘数字图像。这就使得图像识别算法可以从这些描绘中进行学习。谷歌翻译通过分析用户的反馈以及使用者的无偿贡献来提高它自动翻译的质量。
4）新算法
算法是解决一个设计程序或完成任务的路径方法。最近几年，新算法的发展极大提高了机器学习的能力，这些算法本身很重要，同时也是其他技术的推动者，比如计算机视觉（这项科技将会在后文描述）。机器学习算法目前被开源使用，这种情形将促成更大进步，因为在开源环境下开发人员可以补足和增强彼此的工作。
4、认知技术
我们将区分人工智能领域和由此延伸的各项技术。大众媒体将人工智能刻画为跟人一样聪明的或比人更聪明的计算机的来临。而各项技术则在以往只有人能做到的特定任务上面表现得越来越好。我们称这些技术为认知技术（下图）， 认知技术是人工智能领域的产物，它们能完成以往只有人能够完成的任务。 而它们正是商业和公共部门的领导者应该关注的。下面我们将介绍几个最重要的认知技术，它们正被广泛采纳并进展迅速，也获得大量投资。
1）计算机视觉
是指计算机从图像中识别出物体、场景和活动的能力。计算机视觉技术运用由图像处理操作及其他技术所组成的序列来将图像分析任务分解为便于管理的小块任务。比如，一些技术能够从图像中检测到物体的边缘及纹理。分类技术可被用作确定识别到的特征是否能够代表系统已知的一类物体。
计算机视觉有着广泛应用。其中包括，医疗成像分析被用来提高疾病的预测、诊断和治疗；人脸识别被Facebook用来自动识别照片里的人物；在安防及监控领域被用来指认嫌疑人；在购物方面，消费者现在可以用智能手机拍摄下产品以获得更多购买选择。
机器视觉作为一个相关学科，泛指在工业自动化领域的视觉应用。在这些应用里，计算机在高度受限的工厂环境里识别诸如生产零件一类的物体，因此相对于寻求在非受限环境里操作的计算机视觉来说目标更为简单。计算机视觉是一个正在进行中的研究，而机器视觉则是「已经解决的问题」，是系统工程方面的课题而非研究层面的课题。因为应用范围的持续扩大，计算机视觉领域的初创公司自2011年起已经吸引了数亿美元的风投资本。
2）机器学习
指的是计算机系统无需遵照显式的程序指令而只是依靠暴露在数据中来提升自身性能的能力。其核心在于，机器学习是从数据中自动发现模式，模式一旦被发现便可用于做预测。比如，给予机器学习系统一个关于交易时间、商家、地点、价格及交易是否正当等信用卡交易信息的数据库，系统就会学习到可用来预测信用卡欺诈的模式。处理的交易数据越多，预测就会越好。
机器学习的应用范围非常广泛，针对那些产生庞大数据的活动，它几乎拥有改进一切性能的潜力。除了欺诈甄别之外，这些活动还包括销售预测、库存管理、石油和天然气勘探、以及公共卫生。机器学习技术在其他的认知技术领域也扮演着重要角色，比如计算机视觉，它能在海量图像中通过不断训练和改进视觉模型来提高其识别对象的能力。现如今，机器学习已经成为认知技术中最炙手可热的研究领域之一，在2011-2014年中这段时间内就已吸引了近十亿美元的风险投资。谷歌也在2014年斥资4亿美金收购Deepmind这家研究机器学习技术的公司。
3）自然语言处理
是指计算机拥有的人类般文本处理的能力，比如，从文本中提取意义，甚至从那些可读的、风格自然、语法正确的文本中自主解读出含义。一个自然语言处理系统并不了解人类处理文本的方式，但是它却可以用非常复杂与成熟的手段巧妙处理文本，例如自动识别一份文档中所有被提及的人与地点；识别文档的核心议题；或者在一堆仅人类可读的合同中，将各种条款与条件提取出来并制作成表。以上这些任务通过传统的文本处理软件根本不可能完成，后者仅能针对简单的文本匹配与模式进行操作。请思考一个老生常谈的例子，它可以体现自然语言处理面临的一个挑战。在句子「光阴似箭（Time flies like an arrow）」中每一个单词的意义看起来都很清晰，直到系统遇到这样的句子「果蝇喜欢香蕉（Fruit flies like a banana）」，用「水果（fruit）」替代了「时间（time）」，并用「香蕉（banana）」替代「箭（arrow）」，就改变了「飞逝／飞着的（like）」与「像／喜欢（like）」这两个单词的意思。
自然语言处理，像计算机视觉技术一样，将各种有助于实现目标的多种技术进行了融合。建立语言模型来预测语言表达的概率分布，举例来说，就是某一串给定字符或单词表达某一特定语义的最大可能性。选定的特征可以和文中的某些元素结合来识别一段文字，通过识别这些元素可以把某类文字同其他文字区别开来，比如垃圾邮件同正常邮件。以机器学习为驱动的分类方法将成为筛选的标准，用来决定一封邮件是否属于垃圾邮件。
因为语境对于理解「time flies（时光飞逝）」和「fruit flies（果蝇）」的区别是如此重要，所以自然语言处理技术的实际应用领域相对较窄，这些领域包括分析顾客对某项特定产品和服务的反馈、自动发现民事诉讼或政府调查中的某些含义、以及自动书写诸如企业营收和体育运动的公式化范文等。
4）机器人技术
将机器视觉、自动规划等认知技术整合至极小却高性能的传感器、致动器、以及设计巧妙的硬件中，这就催生了新一代的机器人，它有能力与人类一起工作，能在各种未知环境中灵活处理不同的任务。例如无人机，还有可以在车间为人类分担工作的「cobots」，还包括那些从玩具到家务助手的消费类产品。
5）语音识别技术
主要是关注自动且准确的转录人类的语音。该技术必须面对一些与自然语言处理类似的问题，在不同口音的处理 、背景噪音、区分同音异形异义词(「buy」和「by」听起来是一样的)方面存在一些困难，同时还需要具有跟上正常语速的工作速度。语音识别系统使用一些与自然语言处理系统相同的技术，再辅以其他技术，比如描述声音和其出现在特定序列和语言中概率的声学模型等。语音识别的主要应用包括医疗听写、语音书写、电脑系统声控、电话客服等。比如Domino’s Pizza最近推出了一个允许用户通过语音下单的移动APP。
上面提到的认知技术进步飞快并吸引了大量投资，其他相对成熟的认知技术仍然是企业软件系统的重要组成部分。这些日渐成熟的认知技术包括决策最优化——自动完成对复杂决策或者在资源有限的前提下做出最佳权衡；规划和调度——使设计一系列行动流程来满足目标和观察约束；规则导向系统——为专家系统提供基础的技术，使用知识和规则的数据库来自动完成从信息中进行推论的处理过程。
认知技术的广泛使用
各种经济部门已经把认知技术运用到了多种商业职能中。
1）银行业
自动欺诈探测系统使用机器学习可以识别出预示着欺诈性付款行动的行为模式；借助语音识别技术能够自动完成电话客服；声音识别可以核实来电者的身份
2）医疗健康领域
美国有一半的医院采用自动语音识别来帮助医生自动完成医嘱抄录，而且使用率还在迅速增长；机器视觉系统自动完成乳房X光检查和其他医学影响的分析；IBM 的Watson借助自然语言处理技术来阅读和理解大量医学文献，通过假设自动生成来完成自动诊断，借助机器学习可以提高准确率。
3）生命科学领域
机器学习系统被用来预测生物数据和化合物活动的因果关系，从而帮助制药公司识别出最有前景的药物。
4）媒体与娱乐行业
许多公司正在使用数据分析和自然语言生成技术，自动起草基于数据的的公文材料，比如公司营收状况、体育赛事综述等。
5）石油与天然气
厂商将机器学习广泛运用在矿藏资源定位、钻井设备故障诊断等众多方面。
6）公共部门
出于监控、合规和欺诈检测等特定目的，公共部门也已经开始使用认知技术。比如，乔治亚州正在通过众包的形式来进行财政披露和竞选捐助表格的数字化，在这个过程中他们就采用了一套自动手写识别系统。
7）零售商
零售商利用机器学习来自动发现有吸引力的交叉销售定价和有效的促销活动。
8）科技公司
它们正利用机器视觉、机器学习等认知技术来改进产品或者开发全新产品，比如 Roomba机器人吸尘器，Nest智能恒温器。
上述例子表明，认识技术的潜在商业收益远大于自动化带来的成本节约，这主要体现在：
-
更快的行动与决策（比如，自动欺诈检测，计划和调度）
-
更好的结果（比如，医学诊断、石油探测、需求预测）
-
更高的效率（亦即，更好的利用高技能人才和昂贵设备），
-
更低的成本（比如，自动电话客服减少了劳动成本）
-
更大的规模（亦即，开展人力无法执行的大规模任务）
-
产品与服务创新（从增加新功能到创造新产品）
认知技术影响力与日俱增的原因
在未来五年，认知技术在商业领域的影响力将显著增长。原因有二，首先，近些年来，技术性能有了实质进步，并处于持续研发状态。其次，数亿美元已经投入到技术商业化中，许多公司正致力于为各商业部门的广泛需求提供定制化开发和打包方案，以使这些技术更易购买和配置。虽然并非所有的技术提供商都能幸存，但他们的努力将共同推动市场前进。技术性能的改善和商业化正在共同扩大着认知技术的应用范围，这种情况在未来几年都将持续下去。
1、技术提升扩展了应用范围
认知技术大踏步前进的例子非常多。比如Google的语音识别系统，一份报告显示，Google用了不到两年时间就将语音识别的精准度从2012年的84%提升到如今的98%。计算机视觉技术也取得了突飞猛进的发展。如果以计算机视觉技术研究者设置的技术标准来看，自2010年到2014年，图像分类识别的精准度提高了4倍。Facebook的DeepFace技术在同行评审报告（译者注：同行评审，是一种学术成果审查程序，即一位作者的学术著作或计划被同一领域的其他专家学者评审。）被高度肯定，其脸部识别率的准确度达到97%。2011年，IBM 为了让Watson在智力节目《危险边缘》中获胜，曾对Watson进行优化，提升两倍的答案精确度。现在，IBM又宣称如今的Watson比当时「智能」了2400%。
随着技术的改进和提高，技术应用的范围也在不断扩大。比如，在语音识别方面，机器曾经需要大量训练才能在有限词库里勉强识别出来，由语音识别技术延伸出的医疗应用程序也很难得到真正普及。而现在，每个月互联网上都会有数以百万次的语音搜索。另外，计算机视觉技术过去被狭隘的理解为部署在工业自动化方面，但现在，我们早已看到这一技术被广泛运用到监控、安全以及各种各样的消费应用里。IBM如今正拓展Watson在竞赛游戏之外的应用，从医疗诊断到医学研究再到财务建议以及自动化的呼叫中心。
并不是所有的认知技术都有如此令人瞩目的发展。机器翻译有了一定发展，但幅度很小。一份调查发现，从2009年到2012年，将阿拉伯语翻译到英语的精确度仅仅提升了13%。尽管这些技术还不完美，但他们已经可以影响到专业机构的工作方式。很多专业翻译人员依靠机器翻译提升翻译精准度，并把一些常规翻译交给机器，自己专注在更具挑战性的任务上。
很多公司正努力将认知技术做进一步研发，并逐步将其融入到更多产品尤其是企业级产品里，以方便企业用户购买和部署。
2、对商业化进行的大规模投资
从2011年到2014年5月，超过20亿美元的风险投资流入到基于认知技术研究的产品和服务里。与此同时，超过100家的相关公司被兼并或收购，其中一些被互联网巨头如亚马逊、苹果、Google、IBM或Facebook收购。所有这些投资都在培育一个多样化的公司图谱，这些公司正在加速认知技术的商业化进程。
在这里，我们并不会提供关于某公司在认知技术商业化方面的细节，我们希望说明，认知技术产品拥有丰富的多样性。下面就是致力于认知技术商业化的公司名单，这个名单既不是完整无缺也非固定不变，而是一个动态的，用于推动和培育市场的指标。
数据管理和分析工具主要使用自然语言处理、机器学习等认知技术。这些工具利用自然语言处理来从非结构化的文本中提取出意思，或者借助机器学习帮助分析人员从大规模数据集中发现深层含义。这个领域的公司包括Context Relevant（译者注：美国的一家大数据挖掘和分析公司）、Palantir Technologies（译者注：这家公司称要将数据、技术、人类和环境连接起来）、以及Skytree（译者注：一家借助机器学习进行市场分析并提供决策依据的大数据公司）。
认知技术的各个部分可以被整合到各种应用和商业决策中，分别起到增加功能和提高效率的作用。例如，Wise.io公司提供一套模块来促进商业决策，比如客户支持、营销和销售，这里面会用到机器学习模型来预测哪些客户比较容易流失，以及哪些潜在客户更加容易**。Nuance公司通过提供一种语音识别技术来帮助开发者进行需要语音控制的移动APP的开发。
单点解决方案。众多认知技术成熟的标志是它们正在被不断的嵌入到特定商业问题的解决方案中。这些解决方案的设计初衷是要比公司原有的解决方案更加有效，并且几乎不需要认知技术方面的专业人员。普及度比较高的应用领域包括广告、营销和销售自动化、预测以及规划。
技术平台。平台的目的是为建立高度定制化的商业解决方案提供基础。它们会提供一系列功能，包括数据管理、机器学习工具、自然语言处理、知识表示和推理、以及将这些定制化软件整合在一起的统一框架。
3、新兴应用
如果这些技术的表现和商业化趋势继续发展，我们就能够大胆预测认知技术的应用将更加广泛，被接受程度也会大大增加。数亿美金的投资涌入这些基于机器学习、自然语言处理、机器视觉或者机器人技术的公司，这预示着许多新应用即将投入市场。在商业机构依托认知技术构建自动化业务流程、增强产品和服务方面，我们也看到了巨大空间。
认知技术在企业的应用路径
以上就是德勤报告怎么看？的详细内容，希望通过阅读小编的文章之后能够有所收获！
