隨著ChatGPT大模型在全球的爆火，AI迅速在各個行業(yè)內(nèi)，助力于各行業(yè)的效率提升。而SaaS領(lǐng)域，AI同樣也大有可為。下邊的文章主要講述AI的能力、SaaS產(chǎn)品中的應(yīng)用，以及AI在SaaS中面臨的挑戰(zhàn)等方面的內(nèi)容，感興趣的可以進來看看了解哦！

AI（人工智能，Artificial Intelligence的縮寫）近一年來一直處于輿論風口，隨著ChatGPT大模型在全球的爆火，AI終于一改之前的“不智能”形象，迅速在各個行業(yè)開始形成落地解決方案，助力各行業(yè)的效率提升。

在SaaS領(lǐng)域，AI同樣大有可為。AI在自然語言處理、圖像識別、智能推薦等多個領(lǐng)域具備優(yōu)勢，我們在產(chǎn)品發(fā)展的過程中，持續(xù)的探索使用AI技術(shù)，幫助提升產(chǎn)品體驗。

本章節(jié)將對AI的能力，AI在SaaS產(chǎn)品中的應(yīng)用，以及AI在SaaS中面臨的挑戰(zhàn)等方面進行介紹。

一、AI的3種主要能力

AI的整體技術(shù)架構(gòu)是比較復雜的，涉及到多個技術(shù)領(lǐng)域，我們在這里主要介紹AI所能實現(xiàn)的能力。

AI已經(jīng)在計算機視覺、自然語言處理、語音識別、機器學習等方面取得了長足的進步和發(fā)展，這為很多系統(tǒng)接入融合AI，提供了堅實的基礎(chǔ)。

1. 計算機視覺

計算機視覺是研究如何使計算機能夠理解和解釋圖像和視頻的學科。它涉及使用計算機算法和技術(shù)來模擬和實現(xiàn)人類視覺系統(tǒng)的功能。計算機視覺的目標是讓計算機能夠感知、理解和分析圖像和視頻中的內(nèi)容，從而實現(xiàn)自動化的視覺任務(wù)，如圖像分類、目標檢測、人臉識別、圖像識別、圖像分割等。通過計算機視覺技術(shù)，我們可以讓計算機具備類似于人類視覺的能力，從而在各種領(lǐng)域中實現(xiàn)更高效、準確和智能的圖像和視頻處理。

計算機視覺的應(yīng)用場景非常廣泛，舉例：

B端产品经理的能力模型与学习提升

B端产品经理面临的第一大挑战，是如何正确的分析诊断业务问题。 这也是最难的部分，产品设计知识对这部分工作基本没有帮助，如果想做好业务分析诊断，必须具备扎实 ...

查看详情 >

• 圖像識別和分類：計算機可以通過圖像識別技術(shù)，對圖像中的物體、場景、人臉、文字等進行自動識別和分類，如人臉識別、物體檢測、文字識別、車牌識別等。
• 視頻監(jiān)控和安防：計算機視覺可以應(yīng)用于視頻監(jiān)控系統(tǒng)，實現(xiàn)對視頻流的實時分析和處理，如行人檢測、異常行為識別、目標跟蹤等，提高安防效果和減少人力成本。
• 醫(yī)學影像分析：計算機視覺在醫(yī)學領(lǐng)域的應(yīng)用非常廣泛，可以輔助醫(yī)生進行疾病診斷和治療，如腫瘤檢測、病灶分割、醫(yī)學圖像重建等。
• 自動駕駛和智能交通：計算機視覺是自動駕駛技術(shù)的核心之一，可以通過對道路、交通標志、車輛等的感知和分析，實現(xiàn)自動駕駛和智能交通系統(tǒng)的安全和高效。
• 工業(yè)質(zhì)檢和機器人視覺：計算機視覺可以應(yīng)用于工業(yè)生產(chǎn)中的質(zhì)量檢測和機器人視覺導航，如產(chǎn)品缺陷檢測、零件定位、物體抓取等，提高生產(chǎn)效率和質(zhì)量。

以上只是計算機視覺應(yīng)用的一部分場景，隨著技術(shù)的不斷發(fā)展和創(chuàng)新，計算機視覺在更多領(lǐng)域?qū)l(fā)揮重要作用。

2. 自然語言處理

自然語言處理（Natural Language Processing，簡稱NLP）是一門研究人類語言與計算機之間交互的學科，旨在使計算機能夠理解、處理和生成自然語言。它涵蓋了多個方面的內(nèi)容，舉例：

• 語言理解（Language Understanding）：通過分析文本或語音，將自然語言轉(zhuǎn)化為機器可理解的形式。這包括詞法分析、句法分析、語義分析等技術(shù)。
• 語言生成（Language Generation）：根據(jù)機器的理解，將機器生成的信息轉(zhuǎn)化為自然語言的形式，以便與人類進行交互。這包括文本生成、語音合成等技術(shù)。
• 信息檢索（Information Retrieval）：通過對大量文本數(shù)據(jù)的索引和搜索，實現(xiàn)對特定信息的快速檢索和提取。這包括關(guān)鍵詞提取、文本分類、文本聚類等技術(shù)。
• 機器翻譯（Machine Translation）：將一種自然語言的文本或語音轉(zhuǎn)化為另一種自然語言的文本或語音。這包括基于規(guī)則的翻譯、統(tǒng)計機器翻譯、神經(jīng)機器翻譯等技術(shù)。
• 情感分析（Sentiment Analysis）：通過對文本的情感、態(tài)度和情緒進行分析，了解人們對特定主題或事件的情感傾向。這包括情感分類、情感詞典、情感推斷等技術(shù)。

3. 語音識別

語音識別是將人類語音轉(zhuǎn)換為文本的技術(shù)。它的處理過程包括以下幾個步驟：

1. 音頻采集：通過麥克風或其他錄音設(shè)備采集用戶的語音輸入。
2. 預處理：對采集到的音頻進行預處理，包括降噪、去除雜音等操作，以提高語音信號的質(zhì)量。
3. 特征提?。簭念A處理后的音頻中提取特征，常用的特征包括梅爾頻譜系數(shù)（MFCC）等。
4. 聲學模型：使用訓練好的聲學模型，如深度神經(jīng)網(wǎng)絡(luò)（DNN）或隱馬爾可夫模型（HMM），將特征與語音識別的概率模型進行匹配。
5. 語言模型：使用語言模型來對識別結(jié)果進行校正和優(yōu)化，以提高識別準確性。語言模型可以是基于統(tǒng)計的n-gram模型或基于神經(jīng)網(wǎng)絡(luò)的語言模型。
6. 解碼和后處理：根據(jù)聲學模型和語言模型的結(jié)果，進行解碼和后處理，得到最終的文本輸出。

語音識別涉及到的技術(shù)包括信號處理、機器學習和自然語言處理等。其中，深度學習在語音識別中得到了廣泛應(yīng)用，如使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進行特征提取和建模。同時，語音識別還需要結(jié)合語言模型和后處理技術(shù)，以提高識別的準確性和流暢性。

二、AI的主要學習方式

1. 機器學習

機器學習是AI的一個分支領(lǐng)域，它通過使用算法和統(tǒng)計模型，使計算機能夠從數(shù)據(jù)中學習和改進，而無需明確編程。機器學習的應(yīng)用非常廣泛，除了前邊提到的圖像識別、語音識別、自然語言處理等，還包括推薦系統(tǒng)，預測分析，自動駕駛等。

機器學習有多種方式，常見的包括監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習。

• 監(jiān)督學習（Supervised Learning）：通過給定輸入和對應(yīng)的輸出標簽，訓練模型來學習輸入與輸出之間的映射關(guān)系。在訓練過程中，模型通過與標簽進行比較來調(diào)整自己的參數(shù)，以便在未知數(shù)據(jù)上進行準確的預測。
• 無監(jiān)督學習（Unsupervised Learning）：在無監(jiān)督學習中，模型只能獲得輸入數(shù)據(jù)，沒有對應(yīng)的輸出標簽。模型的目標是發(fā)現(xiàn)數(shù)據(jù)中的隱藏結(jié)構(gòu)和模式，例如聚類、降維、異常檢測等。
• 半監(jiān)督學習（Semi-supervised Learning）：半監(jiān)督學習是介于監(jiān)督學習和無監(jiān)督學習之間的一種學習方式。它利用有標簽的數(shù)據(jù)和無標簽的數(shù)據(jù)進行訓練，以提高模型的性能和泛化能力。
• 強化學習（Reinforcement Learning）：強化學習是通過與環(huán)境的交互來學習最優(yōu)行為策略的一種學習方式。它通過智能體與環(huán)境的交互來學習最優(yōu)的行為策略。在強化學習中，智能體通過觀察環(huán)境的狀態(tài)，采取行動，并根據(jù)環(huán)境的反饋（獎勵或懲罰）來調(diào)整自己的行為，以最大化長期累積的獎勵。強化學習在許多領(lǐng)域都有廣泛的應(yīng)用，例如機器人控制、游戲策略、自動駕駛等。

機器學習的每種方式都有其適用的場景和算法。具體選擇哪種方式取決于問題的性質(zhì)和可用的數(shù)據(jù)。

2. 深度學習

深度學習是一種人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用，是機器學習的分支之一。它是通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來模擬人類的神經(jīng)系統(tǒng)，從而實現(xiàn)對大量數(shù)據(jù)的自動分類和預測深度學習是機器學習領(lǐng)域中的一個新的研究方向，主要是通過學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，讓機器能夠具有類似于人類的分析學習能力。深度學習的最終目標是讓機器能夠識別和解釋各種數(shù)據(jù)，如文字、圖像和聲音等，從而實現(xiàn)人工智能的目標。

深度學習在許多領(lǐng)域都取得了顯著的成果，如語音和圖像識別、自然語言處理、推薦和個性化技術(shù)等。深度學習的應(yīng)用范圍非常廣泛，如搜索引擎、數(shù)據(jù)挖掘、機器翻譯、多媒體學習等。它通過模仿人類視聽和思考等行為，解決了許多復雜的模式識別難題，為人工智能技術(shù)的發(fā)展帶來了許多進步。

三、AI在SaaS產(chǎn)品中的4種應(yīng)用場景

現(xiàn)在，AI已經(jīng)從早期的概念性產(chǎn)品開始滲透到各行各業(yè)，成為各行業(yè)提升效率的有效途徑。對于SaaS產(chǎn)品來說，AI可以在SaaS產(chǎn)品營銷、售后咨詢、產(chǎn)品能力提升等多個方面提供助力，甚至可以重塑一些產(chǎn)品的功能體驗，極大的提升工作效率。

1. 產(chǎn)品能力提升

AI在語音、圖像處理等方面，具備了很高的識別度，已經(jīng)可以在數(shù)據(jù)輸入方面，體現(xiàn)出效率優(yōu)勢。

我們財稅類SaaS產(chǎn)品需要處理大量的圖片，傳統(tǒng)的OCR識別技術(shù)，因票據(jù)的打印清晰度、角度、模板規(guī)范性等問題，準確度一直不夠。這些圖片上的信息此前主要依靠人工輸入或人工檢查，比如商品品目、金額，票據(jù)號等等一系列信息，處理一張票據(jù)快的需要幾十秒，慢的需要幾分鐘，遇到一些清單票據(jù)，耗時則會更長，并且人工處理容易出錯。

使用AI的圖像處理技術(shù)，識別準確率大大提升，可以做到上傳一批圖片，批量處理，以往大量的員工錄入工作，現(xiàn)在交由系統(tǒng)自動處理，解放了員工大量的精力。

機器學習能力可以助力業(yè)務(wù)規(guī)則處理自動化。

舉個例子，我們發(fā)票SaaS產(chǎn)品中有稅收分類編碼的概念，這個稅收分類編碼只有4000多個，而各類商品品目多達數(shù)百萬甚至上千萬個，為了提升開票效率，我們一般會將商品品目自動匹配到稅收分類編碼（這是一項稅務(wù)政策要求）?；趥鹘y(tǒng)的規(guī)則匹配，實際上很難窮舉，總會有各種各樣新的商品出現(xiàn)，沒法完全做到自動化，需要人的參與。

基于機器學習技術(shù)，我們將匹配規(guī)則從人工匹配轉(zhuǎn)為AI匹配，處理過程大致如下：

• 數(shù)據(jù)收集和處理：第一步，我們將數(shù)據(jù)庫中沉淀的大量商品品目和稅收分類編碼的數(shù)據(jù)進行處理。對這些數(shù)據(jù)進行清理和預處理，去除重復數(shù)據(jù)、處理缺失值等處理。
• 特征工程：接下來，我們將商品品目和稅收分類編碼的數(shù)據(jù)轉(zhuǎn)化為機器學習模型可以理解的特征。使用詞袋模型、TF-IDF、詞嵌入等技術(shù)對文本數(shù)據(jù)進行處理。
• 模型選擇和訓練：有了特征數(shù)據(jù)，我們選擇一個合適的機器學習模型進行訓練。我們主要是文本，嘗試使用了樸素貝葉斯、支持向量機、深度學習模型（例如循環(huán)神經(jīng)網(wǎng)絡(luò)）幾種模型。
• 模型評估和調(diào)整：每次模型訓練完成后，我們使用一些評估指標來檢查模型的性能，根據(jù)準確率、召回率、F1分數(shù)等進行評估。初次跑的模型，往往需要調(diào)整模型的參數(shù)，如果還是不合適，再嘗試使用其他類型的模型。
• 模型部署和使用：我們經(jīng)過多次摸索，選擇了神經(jīng)網(wǎng)絡(luò)模型，這個模型準確度較高，能夠滿足要求，接下來將它部署到生產(chǎn)環(huán)境中，再將模型能力封裝為接口服務(wù)，供業(yè)務(wù)系統(tǒng)直接調(diào)用，實現(xiàn)系統(tǒng)的自動化處理流程。

最后我們設(shè)計了系統(tǒng)反饋機制，如果用戶發(fā)現(xiàn)匹配不準確，他們可以修改，這些修改信息，可認為原有的數(shù)據(jù)匹配不準確，保存數(shù)據(jù)，用于后續(xù)的模型改進。

經(jīng)過幾個月的實踐探索，深刻體會到AI對于這類問題的處理，相比傳統(tǒng)方式擁有極大的優(yōu)勢。一是準確度更好，二是支撐了系統(tǒng)的自動化處理，用戶使用過程更為順暢，體驗度提升明顯。

這種大數(shù)據(jù)量窮舉困難的規(guī)則匹配，很適合AI進行處理，比如財稅產(chǎn)品中的會計科目匹配等。大家可以多留心日常工作中的一些產(chǎn)品痛點，很有可能通過AI解決是合適的。

2. SaaS產(chǎn)品營銷

在SaaS產(chǎn)品營銷方面，AI也能夠提供一些助力。比如個性化推薦、產(chǎn)品使用指引、提供快速幫助等。

• 個性化推薦：AI算法可以分析用戶行為和偏好，為用戶提供個性化推薦，幫助企業(yè)為客戶提供更加個性化的體驗。
• 產(chǎn)品使用指引：我們發(fā)現(xiàn)，用戶對于產(chǎn)品的理解程度和使用熟練度非常影響后續(xù)的體驗和續(xù)費，并且我們的服務(wù)團隊無法準確的了解用戶當前面臨的問題。我們通過調(diào)查問卷了解到，一般新用戶在接觸產(chǎn)品使用的前三個月，容易面臨較多問題，前三個月中，每個用戶面臨的情況也不一樣，這對服務(wù)團隊構(gòu)成了較大的挑戰(zhàn)，全面培訓不夠準確，部分培訓又不容易準確了解客戶的問題點。我認為最好的服務(wù)是在他剛好需要的時候提供服務(wù)。如果要做好服務(wù)，我們就需要分析用戶的操作，遇到的異常問題，以及匹配的解決方案，我們已經(jīng)開始著手做些工作，AI在問題判斷的精準性和及時性方面，要比人的響應(yīng)速度快很多，有希望為用戶提供更好的服務(wù)。這是我們需要持續(xù)努力的方向。
• 提供快速幫助：通過官網(wǎng)、APP、產(chǎn)品等入口，提供及時的響應(yīng)，如需人工溝通，可及時根據(jù)用戶情況，自動轉(zhuǎn)接售前、客戶成功或售后等團隊進行支持。

3. 智能客服

智能客服已經(jīng)在多個行業(yè)大規(guī)模使用，具備了較為成熟的解決方案，雖然我們有時候仍然會吐槽智能客服不智能，但隨著更多數(shù)據(jù)的沉淀、知識庫的積累、對AI運用和理解能力的提升，都在逐步的提升AI客服的質(zhì)量。優(yōu)秀的AI客服，用戶體驗上提升明顯、對企業(yè)的降本效果明顯、對客服團隊來說，不再需要處理大量的低價值問題，可專注于個人成長和團隊進步，一些優(yōu)秀的客服人員逐步轉(zhuǎn)行為AI的“訓練師”，給AI模型不斷提供優(yōu)質(zhì)的知識內(nèi)容。

隨著AI基礎(chǔ)設(shè)施的發(fā)展，訓練AI客服機器人的成本越來越低。比如我們可以借助一些大模型，在大模型的基礎(chǔ)上再訓練企業(yè)專用模型，既可以避免高昂的技術(shù)投入，又可以保障數(shù)據(jù)的安全，是一種成本相對較低的解決方案。

4. 數(shù)據(jù)分析

AI在處理數(shù)據(jù)上的能力，可以幫助我們應(yīng)用到數(shù)據(jù)分析領(lǐng)域，比如數(shù)據(jù)預處理、數(shù)據(jù)探索、預測建模，支撐決策等，AI還可以用于用戶畫像的標簽處理等。

• 數(shù)據(jù)預處理：利用人工智能可以自動識別和處理數(shù)據(jù)中的噪聲、缺失值和異常值等問題，提高數(shù)據(jù)質(zhì)量和準確性。
• 數(shù)據(jù)探索與可視化：人工智能技術(shù)可以對大規(guī)模和復雜的數(shù)據(jù)集進行自動分析和探索，采用無監(jiān)督學習等方式，進行聚類分析，發(fā)現(xiàn)隱藏的模式和趨勢，并生成交互式的數(shù)據(jù)可視化，使得用戶更直觀地理解數(shù)據(jù)。
• 預測建模：通過機器學習和深度學習技術(shù)，AI可以根據(jù)歷史數(shù)據(jù)建立模型，并預測未來事件或趨勢。
• 支撐決策：通過結(jié)合數(shù)據(jù)分析和機器學習技術(shù)，AI可以為決策者提供實時的、基于數(shù)據(jù)的建議和決策支持。

AI在SaaS產(chǎn)品中將會有越來越豐富的應(yīng)用場景，隨著SaaS團隊對AI理解的加深，技術(shù)的進步，AI一定會和SaaS產(chǎn)品多個方向進行深度融合，助力產(chǎn)品發(fā)展。

四、AI在SaaS產(chǎn)品中面臨的3個挑戰(zhàn)

AI與SaaS產(chǎn)品的結(jié)合過程中，可能會面臨以下挑戰(zhàn)，并且也嘗試給出一些應(yīng)對的方法：

1. 數(shù)據(jù)隱私和安全

AI技術(shù)需要大量的數(shù)據(jù)來進行訓練和改進。這意味著在將AI與SaaS產(chǎn)品結(jié)合時，必須確保數(shù)據(jù)的安全和隱私。我們的客戶肯定不希望自己的數(shù)據(jù)出現(xiàn)在公眾的問答中，這可能會傷害其競爭力。

保障數(shù)據(jù)安全是SaaS公司的重要責任，在應(yīng)用AI的過程中，我們必須采用嚴格的數(shù)據(jù)安全措施，例如數(shù)據(jù)脫敏、數(shù)據(jù)加密、訪問控制和安全審計等。同時，需要建立嚴格的數(shù)據(jù)使用規(guī)定，確保用戶數(shù)據(jù)不會被泄露和濫用。在模型訓練過程中，可以采用上文提到的基于大模型的企業(yè)專有模型訓練方式，保障數(shù)據(jù)訓練過程，在企業(yè)內(nèi)部完成，避免敏感數(shù)據(jù)外泄。

2. 技術(shù)集成

將AI技術(shù)與SaaS產(chǎn)品進行集成時，可能會遇到技術(shù)上的挑戰(zhàn)。一般AI技術(shù)棧和正常產(chǎn)品迭代的技術(shù)棧，有所不同，再加上一些SaaS公司對AI的理解可能不夠，會導致對AI的使用面臨認知和投入雙重障礙。

在開始集成之前，需要詳細了解AI技術(shù)和SaaS產(chǎn)品的功能和架構(gòu)。確定可行的集成方案，并制定詳細的技術(shù)實施計劃。此外，可能需要雇傭?qū)I(yè)的技術(shù)團隊或與外部AI公司合作完成AI集成任務(wù)。

3. 數(shù)據(jù)質(zhì)量問題

AI算法的準確性和可靠性在很大程度上取決于數(shù)據(jù)的質(zhì)量。即使是SaaS公司，數(shù)據(jù)質(zhì)量也存在偏差、缺失或不完整等問題，可能會影響AI算法的輸出結(jié)果。另外數(shù)據(jù)收集工作也可能會變的復雜或低效，阻礙了AI技術(shù)在SaaS產(chǎn)品中的應(yīng)用。

在應(yīng)用AI算法之前，我們需要確保數(shù)據(jù)的準確性和可靠性。這需要進行數(shù)據(jù)清洗、數(shù)據(jù)預處理和數(shù)據(jù)驗證等步驟。此外，可能需要采用一些技術(shù)手段來提高數(shù)據(jù)質(zhì)量，例如數(shù)據(jù)挖掘、數(shù)據(jù)分析和數(shù)據(jù)可視化等。并且針對一些數(shù)據(jù)缺失的問題，還需要進行產(chǎn)品迭代或借助一些監(jiān)控系統(tǒng)，完成原始數(shù)據(jù)的收集。對一些專業(yè)類的問題，甚至可能需要人工進行數(shù)據(jù)清洗，或數(shù)據(jù)標注。

五、AI在SaaS發(fā)展中的作用

在產(chǎn)品的發(fā)展過程中，借助AI能力，實現(xiàn)產(chǎn)品效率、營銷效率、售后效率提升，是重要的發(fā)展方向。

• 提高效率：AI技術(shù)可以幫助SaaS企業(yè)自動處理一些繁重、重復和無效的任務(wù)，從而提高企業(yè)的工作效率。
• 降低成本：通過AI技術(shù)，SaaS企業(yè)可以減少人力資源的投入，降低人力成本，同時也可以提高資源的利用效率，從而降低運營成本。
• 提高客戶滿意度：AI技術(shù)可以自動處理客戶服務(wù)，快速響應(yīng)客戶的需求，提高客戶服務(wù)的效率和質(zhì)量，從而提高客戶滿意度。
• 增強易用性：通過自然語言與產(chǎn)品的交互，例如文本或語音命令，AI技術(shù)使SaaS產(chǎn)品更加易于訪問和使用，提高用戶效率和生產(chǎn)力。
• 提高數(shù)據(jù)利用效率：AI技術(shù)可以幫助SaaS企業(yè)更容易形成適用的算法、模型，從而提高數(shù)據(jù)的利用效率，促進企業(yè)的發(fā)展。

六、AI助力SaaS發(fā)展

AI和SaaS的結(jié)合，未來的發(fā)展方向可能會表現(xiàn)在以下幾個方向：

1. 提供個性化服務(wù)：通過AI和NLP等技術(shù)，可以自動處理人類語音模式和語音控制，提供更加個性化的服務(wù)。
2. 提高SaaS產(chǎn)品的智能化水平：未來SaaS產(chǎn)品的智能化水平將越來越高，通過AI技術(shù)提高SaaS產(chǎn)品的自動化和智能化水平。
3. 催生新的SaaS業(yè)態(tài)：AI和SaaS的結(jié)合可能會催生出一些新的SaaS業(yè)態(tài)，例如基于AI技術(shù)的智能客服、企業(yè)級AI訓練平臺等等。
4. 提高SaaS產(chǎn)品的安全性：通過AI技術(shù)，可以加強SaaS產(chǎn)品的安全性和可靠性，有效保護用戶數(shù)據(jù)和隱私。
5. 優(yōu)化用戶體驗：通過AI技術(shù)，可以優(yōu)化SaaS產(chǎn)品的用戶體驗，提高用戶效率和生產(chǎn)力。

AI將會像互聯(lián)網(wǎng)一樣，成為整個社會的基礎(chǔ)設(shè)施，和各行各業(yè)深度整合，AI和SaaS的融合只是時間問題，期待SaaS行業(yè)的從業(yè)者能夠盡早的認知AI、理解AI、擁抱AI。