大數據

6月24日，中國信通院第十二批“大數據產品能力評測”評審會圓滿結束，共計65家企業的120款產品通過了本次評審。其中，阿里雲DataTrust隱私計算平臺是本次測評中唯一一款同時獲得“多方安全計算”、“可信執行環境”、“聯邦學習”4項測評通過的產品。 本次測評由中國信通院泰爾實驗室完成，依據BOC 51-2020《基於可信執行環境的數據計算平臺技術要求與測試方法》、BOC26-2019《基於多方安全計算的數據流通產品 技術要求與測試》以及BOC 41-2020《基於聯邦學習的數據流通產品 技術要求與測試方法》，對產品編譯及計算功能、數據流通相關管理功能、產品安全性、任務處理能力、算法拓展性、環境驗證、計算機密性、一致性、數據存儲、審計、運維、技術架構、通用安全、算法安全、安全求交等多項要求進行了全面嚴格的技術考核檢測。 在眾多參與測評的大數據產品中，阿里雲數據中臺產品DataTrust一舉通過四項評測。這意味著，阿里雲在隱私計算的三個技術子領域都已達到商用級別，不管是金融行業高頻、大規模交易場景，還是電商上億隱私數據的交叉計算場景，抑或是大數據中心海量複雜數據融合計算等場景，其性能包括技術通用性、業務適用性等方面都能彈性滿足不同的方案需求。 阿里雲自主研發的隱私增強計算產品DataTrust，在機密計算的基礎上，從密鑰管理、資源訪問權限、數據規模、彈性調度等多方面，重新定義高價值數據流通的安全性，高效解決客戶數據流通瓶頸問題，並支持多種模式部署，一站式服務，購買使用便捷。

來源 阿里語音AI 公眾號 背景 在聲紋識別的應用中，常遇到的一個挑戰是，應用場景需求的多樣性、複雜性、以及明顯的信道差異，使得基礎聲紋模型無法適配多個場景，聲紋識別效果不理想。在跨信道、跨領域時，聲紋識別性能會明顯下降。為確保高準確率，通常需要針對應用場景精確地標註數據，從而優化訓練出特定模型。然而，昂貴的標註成本意味著無法對眾多獨立的應用場景進行數據標註。在產品更新換代速度極快的互聯網時代，人工標註的效率也時常難以跟上產品迭代的速度。因此，工業界急需一套能在無標註數據的情況下，利用海量線上未標註數據，實現非監督自我學習的訓練框架。 算法探討 作為智能家居的重要產品之一，智能音箱的聲紋技術在落地應用中遇到的挑戰是一個典型案例。自首款音箱推出起，短短兩年時間內，市場上已出現上百款不同型號的產品，以滿足不同消費者群體的需求。由於不同產品型號的硬件設備存在差異（6麥克風陣列vs. 2麥克風陣列、帶屏幕vs. 不帶屏幕，等等），信道差異對聲音信號的影響使得無法使用一套普適性的聲紋識別模型去應對不同產品和使用場景的需求。面對這個難題，為智能家居提供聲紋技術能力的算法團隊進行了一系列算法上的探索和嘗試，並取得了效果上的顯著提升。嘗試一：提出了一套基於CurriculumLearning思想的半監督訓練框架。如下圖所示，針對於智能家居場景數據，通過Curriculum Learning的方式，讓模型從簡到難學習到掌握不同數據、不同信道、不同文本內容的能力；在模型的每次迭代過程中，系統通過對未知數據的聚類打標，自我更新，並對先前標籤的糾正，逐漸增加模型魯棒性；同時，針對智能音箱特有的用戶主動註冊數據，引入了Denoising Autoencoder將遠場說話人語音映射到近場向量自空間上，來減少遠場帶來的影響。 嘗試二：上述自我打標迭代的過程中，依然無法避免錯誤labels的產生。因此，更加細化的三種regularization方法被引入到自學習過程，以減少錯誤的labels給訓練帶來的負效應。 首先，在損失函數上，引入了置信度的概念，計算loss的時候，對每一條語音的後驗概率輸出加上對該label的置信度判斷。 cross entropyloss: Regularizedentropy loss: 其次，通過對聚類中置信度低的音頻數據進行切片和隨機reshuffle拼接，即避免了有效信息的丟失，又起到了dataaugmentation的作用。對於置信度較低的語音，一些傳統方法會選擇直接丟棄，不進入訓練過程。這種方式損失了許多有效信息，由於這部分信息被當前模型認為置信度較低，無法確認，該信息又恰恰是對模型優化迭代最有幫助的。因此，相比於直接拋棄，採用隨機拼接的方法，保全了有效信息。同時，若是保留了錯誤信息，是否會傷害訓練效果？相關實驗結果顯示是不會的。因為在隨機拼接的片段中，即便是保留了錯誤label的信息，也能起到數據增強的作用。眾多研究已證明，在聲紋訓練數據中引入背景聲、音樂聲等噪聲進行數據增強，可以提升模型性能。使用同源干擾人噪聲作為數據增強，在特定家用智能音箱中，這種干擾人噪聲往往來自於同一家庭下的其他成員，其聲音時常作為背景噪聲出現在實際環境中，因此數據增強效果更為顯著。 最後，利用co-training的思想，通過兩套獨立空間的相互監督，進一步提升了最終系統的魯棒性。 實驗結果

來源 阿里語音AI 公眾號 一、背景 說話人日誌（speaker diarization）也叫說話人分離，它是從一個連續的多人說話的語音中切分出不同說話人的片段，並且判斷出每個片段是哪個說話人的過程。藉助說話人日誌技術可以完成對音頻數據流的結構化管理，具有廣泛的應用價值，例如可以利用分離結果進行說話人自適應，以提高語音識別的準確率；可以輔助會議、電話數據進行自動轉寫構建說話人的音頻檔案；也可以利用說話人分離技術，實現語料庫的自動跟蹤和標註。 說話人日誌技術解決的是兩個方面的問題：“誰在說話”和“在什麼時候說話”，如圖1所示。“誰在說話”通常可以由說話人識別方法來解決，“在什麼時候說話”可以通過說話人分割和說話人聚類來解決。 圖1 在客服質檢業務中，針對單通道合錄語音通話，通常需要區分哪些發音來自客戶，哪些發音來自客服，因此需要在說話人分割聚類的結果上為類別打上標籤。在客服質檢業務中，發音人的語音很難提前獲取，客服人員流動性較大，通過聲紋識別的方式，提前註冊客戶和客服的語音不太現實。因此，“誰在說話”的問題通常根據分割聚類後的發音內容，進行關鍵字或話術匹配等手段解決。這個過程可以看做是文本的後處理，這裡不屬於語音技術範圍，以下的介紹內容不針對此展開。 二、 說話人日誌算法 2.1說話人日誌基本框架 現有的說話人日誌系統大多由多個相對獨立的部分組成，如圖2所示：（1）語音分割模塊，去除非語音部分，將輸入的語音分割為小段；（2）特徵向量提取模塊，從分割好的小段語音中提取出說話人的特徵向量，例如d-vector、i-vector等；（3）聚類模塊，通過計算說話人特徵向量間的相似度，確定說話人數量，並對不同片段分配說話人身份；（4）重新分割模塊，進一步細化分類結果。 圖2 2.2說話人日誌算法介紹 我們搭建了基於x-vector的說話人日誌系統，基本框架如圖3所示。主要的模塊包括梅爾頻率倒譜系數特徵（MFCC）提取模塊、語音活動點檢測（SAD）模塊、x-vector模塊、PLDA打分模塊以及凝聚分層聚類（AHC）模塊。 圖3 主要的模型包括SAD模型、x-vector模型和PLDA模型。SAD模塊去除非語音片段，並對剩餘的有效語音進行粗分類，以非語音片段作為分割點，將有效語音切分成不同的片段。在不同說話人語音間間隔較大的情況下，粗分類可以將不同的說話人語音切分開來，每個片段只包含一個說話人語音。但在很多情況下，同一個粗分類的片段還會包含不同的說話人信息，因此需要對粗分類片段做進一步處理。通過對每個粗分類片段進一步切分，使用特定窗長和窗移進行加窗處理，然後對每一個窗提取embedding特徵。 Embedding特徵使用x-vector框架提取，模型基本結構如圖4所示。然後對每個片段進行聚類，對不同片段分配說話人身份，具體的說，對embedding特徵進行兩兩打分，打分使用說話人識別的主流技術PLDA方法，通常來說，得分越高，相似度越高，越可能是同一個人的語音。AHC不斷重複的將相似度高的類別進行合併，直到滿足迭代中止條件。AHC合併後的結果即為最終的分離結果。 圖4

來源 阿里語音AI 公眾號 隨著人工智能技術的飛速發展，語音識別（Automatic SpeechRecognition）的應用越來越廣泛，對於多語種多口音語音識別的需求也在日漸增加。雖然語音識別系統的基本原理和框架是不受限於語種的，在建立一個新語種的ASR模型時，還是需要結合到語言本身的特點，才能得到較好的效果。 粵語流通於廣東、廣西、香港、澳門及海外華人社區，全球有近1.2億人口使用粵語。在香港和澳門，大多數人口使用粵語為母語，具有官方語言的地位。粵語的代表音約定俗成以廣州粵語口音為標準。香港和澳門粵語跟廣州粵語在口音並無明顯分別，但是因香港和澳門在不同社會體制下的影響，以致一些用詞有所不同。而廣州以外的其他廣東及廣西地區的粵語與廣州粵語在口音上則存在著不同程度的差異。本文主要介紹阿里巴巴粵語語音識別引擎的開發過程中的一些體會。 聲學模型方面，粵語識別引擎是基於阿里巴巴自研的DFSMN-CTC建模方法。CTC（Connectionist Temporal Classification) 是目前建立端到端系統最常用的方法。CTC提出一個基於序列的建模方法，利用一個循環網絡來表示不同長度的輸入序列跟輸出序列之間的映射關係。而語音識別的目標是把語音特徵和輸出的文本序列之間的對應關係進行建模，因而CTC準則對於語音識別的場景特別適用。FSMN（Feedforward Sequential Memory Networks）提出在傳統的全連接神經網絡中添加可學習的記憶模塊（memory block），用來在層之間來傳遞上下文相關的信息。而DFSMN（Deep FSMN）是一種改進的FSMN結構，主要解決在訓練深層網絡時容易發生的梯度消失問題：通過在記憶模塊之間添加跳轉連接（skip connection），從而使得低層記憶模塊的輸出會被直接累加到高層記憶模塊裡。 粵語和普通話同屬於漢語系，在基本語法和發音單元上有一些共同點。因此我們在建立粵語ASR的時候，是基於已有的普通話模型，通過遷移學習（Transfer Learning）的方法來得到的。遷移學習是屬於機器學習的一個方法，主要的啟發來自人類的知識獲取過程。人類在學習新知識的時侯，是一個循序漸進的積累過程：從已掌握的知識通過推理和抽象，結合新的樣本掌控新的知識。簡單來說，遷移學習的具體方法是把訓練好的模型參數遷移到新的領域，以幫助新領域模型訓練。遷移學習的方法被證明對數據量缺乏的場景有明顯幫助，例如在多語言ASR和低資源語種ASR的建設。由於深層神經網絡的特點是從低級到高級逐步表示語言信息，較低層的網絡表徵的是低級的語言相關特徵，如基礎發音單元等，所以訓練好的普通話模型已經包含了漢語言相關的基礎聲學信息。圖1給出了我們建立粵語聲學模型的示意圖。在訓練粵語模型時，首先去除普通話模型的softmax輸出層，僅保留普通話模型的低層網絡，然後利用這個網絡作為初始模型來進行粵語模型訓練和迭代。這種方法的好處是我們可以用相對較少量的粵語標註數據得到較好的模型效果。 儘管粵語和跟普通話作為同語系有一些共性，可是粵語作為一個有悠久歷史，且在多個地區使用的方言有其自身的特點：1）各地區的用詞和發音方式存在著不同程度的差異。例如，在廣東會更多使用‘上課’，而香港會更多使用‘上堂’。另外，香港不少人的粵語不區分/n/聲母與/l/聲母，不過這兩個聲母在廣東某些地區的粵語中可以清晰地區分。2）符合粵語語法，詞彙的粵語白話文文本的獲取困難。粵語使用者在正式場合裡普遍使用普通話書寫系統，因此其語法，詞彙與標準漢語或普通話相符，但是與粵語白話文的詞彙和語法差異很大。3）粵語白話文缺乏官方標準，書寫比較混亂。在非正式場合如網上討論區，人們書寫粵語白話文時，用字一般依從民間約定俗成的慣例，錯別字、以借音字書寫粵語的情況時常出現，還有一些字詞存在不同書寫方法。 針對上述列舉出的粵語的特點，為了儘可能的覆蓋粵語本身的多樣性，在數據採集方面，我們有目標的採集和抓取在口音和用字等方面有代表性地區的數據。在建模單元的選取方面，我們採用粵語單字為基本的建模單元。考慮到單字的使用頻繁程度，同音不同字的情況，我們把粵語文本參考對應的粵拼

來源 阿里語音AI 公眾號 「阿里語音AI」十篇論文入選語音頂會INTERSPEECH2020，論文研究方向包含語音識別，語音合成，說話人識別，語音增強和信號處理。後續我們會進行一些論文的詳細解讀，敬請期待～～ 1）語音識別 • Zhifu Gao, Shiliang Zhang, Ming Lei, Ian McLoughlin, SAN-M: Memory Equipped Self-Attention for End-to-End

近期，OceanBase 遷移服務（OceanBase Migration Service，OMS）發佈了 V3.1.0 版本。 ​ 下面，我們就為大家揭開 OMS V3.1.0 版本的神祕面紗，看一看，OMS V3.1.0 版本除了新增支持 OBServer V3.1.0 版本之外，還新增、完善了哪些功能。 ​ 完善數據遷移服務 ​ 從本版本開始，OMS

講座聚焦對話智能，介紹了達摩院在對話智能方面實施的技術方案以及大規模應用。依託豐富的實施經驗和多年的技術沉澱，達摩院對話智能在自然語言理解、多輪對話管理、智能問答、多模態對話等多個領域取得了不錯的效果，其智能客服機器人已經大規模應用於金融、政務、醫療、運營商等多個行業。李永彬老師以2020年1月疫情爆發初期達摩院研發的“疫情防控智能服務平臺”為例，生動講述了對話智能的難點和解決難點的技術。“疫情防控智能服務平臺”包含疫情智能外呼、疫情文本智能機器人、熱線智能導航等功能，可以解答“溫州北高速收費站是否可以通行”等問題，可以幫助衛健委疾控部門對與確診病例同乘交通工具的人員開展14天跟蹤排查，服務於全國57個城市，累積外呼1600萬，多輪對話完成率90%以上，成為全國最大的智能外呼平臺。 疫情防控智能服務平臺在搭建過程中存在三個難點：一是如何解決低資源小樣本下的理解問題；二是如何解決帶推理的深層語義理解問題；三是如何讓規則化的多輪對話管理具備數據學習能力問題。針對如何解決低資源小樣本下的理解問題，達摩院首次將Few-shot learning小樣本學習技術引用到對話系統。小樣本學習技術適用於場景應用具體但訓練樣本少的情況。其訓練過程是從龐大的數據集中每次採樣較少的類，每個類採樣K個樣本（小樣本）構成訓練集，從剩餘樣本中構建測試集，由此形成元任務進行分類學習。小樣本能夠訓練的關鍵在於整個數據集數量龐大，雖然每輪訓練的樣本少，但可訓練的輪數多，因此小樣本訓練模型具有強大的泛化能力。該技術初期用於圖像領域包括孿生網絡、匹配網絡、原型網絡、關係網絡等，達摩院將小樣本學習在圖像領域的應用總結提煉出“編碼—歸納—關係”的框架，把樣本數據編碼為樣本表示，再結合語義歸納為類表示，最後根據語義關係計算得到結果。 為了解決自然語言處理在歸納能力和記憶能力方面效果不佳的問題，達摩院提出歸納機制，引入膠囊網絡的表達方式和動態路由的計算算法，構建從“樣本表示”到更抽象的“類表示”的歸納機制。在記憶能力方面，達摩院提出動態記憶機制，設計出動態記憶方法使用全局記憶來解決小樣本遺忘問題，設計尋找增強歸納方法對尋找要素進行樣本匹配，找出最相關的樣本，解決樣本多樣性難歸納的問題。實驗表明，歸納機制和動態記憶機制在英文公開數據集和中文意圖分類數據集上都取得了最好效果。 針對如何解決帶推理的深層語義理解問題，達摩院設計了CoAMR Parsing算法深層次理解語義。鑑於AMR抽象語義表示體系的特點——以概念為中心便於對語義進行抽象和後續理解，具有相對完整的語義關係體系，達摩院吸收了AMR的優點，設計了面向人機對話的抽象語義表示CoAMR，同時簡化修改通用概念以及建立核心關係和非核心關係的語義體系，解決了AMR模型複雜的問題。在對具體場景數據進行標識的基礎上，使用CoAMR模型進行深層語義的訓練。 針對如何讓規則化的多輪對話管理具備數據學習能力的問題。達摩院發現，多輪對話訓練的核心難點在於訓練數據獲取難、標註難。因此在數據獲取方面，達摩院引入用戶模擬器，使得對話機器人和用戶模擬器互相對話，兩個機器在對話中產生大量的標註數據，突破了數據約束。在數據標註方面，引入多場景知識遷移模型，實現了對話管理模型的遷移學習，在小樣本模型下效果提升4-5個百分點。 最後，李永彬老師分析了對話智能的未來研究趨勢。李永彬老師分析認為，未來對話智能領域有七大研究方向：預訓練對話模型、多引擎統一對話、多模態對話、對話式營銷、複雜推理能力、符號知識和神經網路機制的融合、終身學習的對話智能系統。 本次講座技術內容豐富，兼具技術理論的前沿性和工業應用的實踐性，抓住當前自然語言處理的難點和技術處理路線進行了詳細分析，同學們紛紛表示收穫很大，並對感興趣的問題與李永彬老師進行了互動交流（彭文文錄）。

隨著教育改革和人工智能的普及，校園智能化建設也已從數字校園向智能校園邁進。校園管理者一直在尋求提高工作效率，方便師生、家長協同教育，而傳統的校園系統建設已經不能適應現階段學校教學，需要耗費大量人力、物力和時間成本，以人工智能技術為支撐的智能校園系統便應運而生。 我們所一直追求的因材施教，關注每個學生的成長，由於有了技術的支持而變成現實。學校通過人工智能系統實現學生學習統計管理、無人圖書借閱、無人體育器材領取等教育智能化管理。 無論是從知識技能的獲取還是從育人的角度，學校都不再是孤立的，學習的時間與空間打破了學校的界限而擴展到更廣闊的社會，大學、企業、校外機構、博物館等都將成為學習內容的提供者和學習場景承載者。 學生甚至可以選擇不同學校提供的課程，教育資源會更加開放，教師和學生都可能是學習資源的提供者和使用者，形成共創共享的教育生態。 教育供給也將變得更加多樣化，免費開放的教育資源與專門的教育供給並存，增加了學校、教師和學生的選擇性，也對如何保證教育供給的質量提出了新的挑戰。 人工智能與教育是雙向賦能的關係，人工智能對教育的賦能主要如下： 第一，人工智能賦能管理。人工智能技術會幫助學校和機構實現智能化管理，從招生到日常管理、從考勤到校園安全、從選課到學生過程性數據的採集分析，支持學生的生涯職業規劃等。智能管理不僅提高了工作效率，也使教育管理基於數據分析實現科學決策。 第二，人工智能賦能學生。智能時代對適應未來的人的培養目標提出了新要求，從而帶來教育內容、教育結構的調整。但是人工智能對教育最直接的影響還是學習方式的轉變，使個性化、定製化的學習成為可能。 第三，人工智能賦能教師。人工智能會使教師從繁瑣的日常工作中解放出來，釋放教師的時間和精力，使教師能夠關注更多的學生，解決了學生個性化學習和教師時間精力有限之間的矛盾。同時人工智能還可以使優質教師資源以更適切和個性化的方式輻射更多的學校，解決資源與學情不匹配、難以發揮作用的問題，從而更好地促進優質教育資源均衡，推進教育公平。 第四，教學體系反饋和評測。試想一個場景，當某學生在查詢自己的期末成績的時候，他看到的不僅僅是一個簡單的分數，還附有一份“診斷報告單”。通過這份報告，他不但可以瞭解到自己學科板塊知識點和能力點的掌握情況，還能看到對自己的優勢、劣勢的學科分析。通過這些數據為每個學生進行“畫像”，從而找到提升成績的方法。這就是藉助大數據的幫助，通過對學生學習成長過程與成效的數據統計，診斷出學生知識、能力結構和學習需求的不同，以幫助學生和教師獲取真實有效的診斷數據。學生可以清楚看到問題所在，學習更高效；教師也可對症下藥地針對具體情況，選擇不同的教學目標和內容，實施不同的教學方式，進一步提高教與學的針對性、有效性和科學性。 第五，學生上課專注度監測。讓學生專心學習，好好聽課是每一個教育工作者的最頭疼的問題，對管理著一個班級幾十名學生的老師來說，能清晰知道那個同學認真聽講或者聽懂課程這幾乎是不可能完成的，但人工智能將會分析出學生上課聽講情況。可以做到對學生在課堂上的動作、行為表現進行分析，幫助老師、家長更好的瞭解到學生情緒和學習狀態，通過智能決策，及時改進教學方法，讓學生得到更好的教育。 智慧超人AI是一家人工智能賦能教育的科技型企業，通過人工智能+大數據，讓學生更高效的學習。 本文轉載自51CTO，本文一切觀點和機器智能技術圈子無關。原文鏈接在線免費體驗百種AI能力：【點此跳轉】

“數字化是非常重要的必備基礎武器，沒有數字化，設計再好藍圖也無法變成可以落地的施工圖。數字化建設應當是一個全鏈路、全生命週期體系性整體建設，德爾未來將通過精細化管理、運營，打通從獲客、交易、採購、生產、製造、倉儲、物流、服務、售後的全鏈條。” 德爾地板CEO姚紅鵬如是說。 “不要用昨天的太陽晒今天的被子。”姚紅鵬藉助一句諺語表示，深耕地板行業21年，德爾地板通過正本清源、頂層設計和戰略思考重新佈局數字化轉型之路，加快在多變多元時代的覺醒與變革。 數據顯示，在2019-2020年房地產經濟下滑、新冠疫情突襲的大背景下，德爾地板仍舊交出了滿意的答卷，其無醛添加地板連續兩年全國銷量領先。2021年第一季度收入同比增長90%左右，毛利率同比增長7%左右，使得公司整體業績實現扭虧為盈。 德爾地板CEO姚紅鵬，對企業品牌升級、戰略轉型以及數字化轉型等問題與筆者娓娓道來。 德爾地面材料產業總裁姚紅鵬 追本溯源 重新出發 1）阿里CIO學院：德爾地板現在是中國的十大地板行業品牌，請給大家介紹一下德爾地板的品牌理念呢？ 姚紅鵬：我們的品牌理念一直在不斷地演變，剛開始德爾更多地是打造一個產品品牌，就是如何做更好的產品提供給用戶。第二階段我們提出，德爾要做服務品牌，因為消費者希望的是一個解決方案。現在隨著企業的發展和外部環境的變化，我們從去年開始提出了進入第三個品牌的理念，要打造成一個用戶品牌。 用戶品牌與產品品牌、服務品牌的區別，就在於我們一定要認清用戶真正需要的是什麼樣的產品、方案以及體驗，以及他們的喜好與習慣我們都要去了解，所以這是我們品牌在新階段下的第三次出發。 2）阿里CIO學院：在新冠疫情後，在房地產市場波動和消費者升級等因素影響下，德爾地板在獲客、服務場景、營銷渠道有哪些變革？ 姚紅鵬：從變革的背景出發，我簡單地把它總結為兩個關鍵詞：第一個關鍵詞叫多元，就是渠道、消費群、媒介都在不斷地多元；第二個關鍵詞是多變，就是時間週期變短了，原來是需要按一年去研究消費者，現在真的需要用月、甚至是用天去研究消費者，包括渠道研究也是一樣。 在這種大背景下，2018年我們就開始去思考這些事情，提出正本清源、頂層設計、戰略思考12字出發佈局。從根本上考慮清楚，在這種多變和多元的環境下，頂層應該是什麼樣的，企業出發是為了什麼，存在的價值是什麼。特別是在這種多變和多元的情況下，企業家很容易困惑、迷盲、焦慮，甚至抑鬱。 所以德爾2018年提出“正本清源、頂層設計、戰略思考”之後，形成了新的“未來十年再出發”的指導綱要，就是新的使命、願景、戰略、目標，這是我們所謂的上四板斧，而下五板斧是要研究人，就是我們的組織、人員、KPI、文化和價值觀，落實到企業運營，我們把整個企業做運營總結出五大運營體系： 運營體系一：進取創變的新營銷體系 營銷一定是進取的，在這個多元、多變的大背景下一定要去創變，我們怎麼獲客，怎麼和消費者去交互，新的營銷體系必須要重新構建。 運營體系二：精準的全流程交付體系 新營銷體系創建之後，就要很好地去做交付，我們內部構建了第二個體系叫精準的全流程交付體系。 運營體系三：精益的適合時代的製造新體系​

今天，國家醫療保障信息平臺在天津市試點醫藥機構順利上線運行，新舊系統無感切換，參保群眾看病就醫不受影響。 天津作為全國醫保信息化建設試點地區，自2019年8月開始建設統一、高效、兼容、便捷、安全、智能的天津醫療保障信息平臺。 天津市醫療保障局先後開展了測試區驗證、信息編碼貫標、機房及雲平臺建設、歷史數據清洗治理、業務系統部署聯調等多項工作。 在信息化工作專班的大力協調和駐場建設人員加班加點通力配合下，成功克服了“時間緊、任務重”的難題，順利完成了平臺系統的上線試運行。 阿里雲作為天津醫療保障信息平臺核心業務區雲平臺提供商，通過快速交付提供了醫保信息平臺所需的各類雲資源。 在平臺建設期間，阿里雲還派出經驗豐富的技術和業務專家，協助用戶和應用廠商完成資源分配、數據上雲、系統部署聯調、壓力測試等一系列工作，有力的保障了平臺的順利實施和業務上線。 作為試點地區，天津創造性地探索出按兩定機構上線模式，在全國領先上線醫保電子憑證終端設備、無卡就醫、移動支付。且新舊系統無感切換，對於醫療機構和參保群眾看病就醫不受任何影響。 參保群眾到試點機構看病就醫取藥，實現“激活醫保電子憑證，無卡看病就醫”，天津醫保支付結算進入“脫卡時代”，真正讓群眾切身感受到醫保工作帶來的智能化、便捷化。