今年疫情突发性爆发，以往广泛应用于新一代信息技术的商业领域，迅速渗透到社会治理的各个方面。在国内战争中，"疫情"中，数字政府在振兴数据后的应用，令人耳目一新。然而，在疫情期间，数字治理中也暴露出一些不足，如政府各业务部门数据集成不足、技术能力不足、场景融合薄弱等。

其核心原因是传统科技企业在数字政府业务组合中缺乏知识积累和产业落地能力，可以预见通用技术将越来越难以解决具体问题，因此它将逐渐具有产业属性，而数据智能技术产业是解决这些"困难而复杂的疾病"的必然途径。

首先，将数据处理技术与行业相结合。为了掌握行业的核心数据知识，必须解决多源异构的跨领域数据治理问题，从公安、民政、教育、住宅建设等不同来源收集数据，形成统一的指标体系、统一的标签系统、统一的ID，引入行业专家，在出现不同的应用场景时，将数十年的业务经验沉淀到明确的算法和模型中，形成不同的概念模型框架，为外界提供服务。

同时，要建设政府产业重点数据库，对不同行业、不同部门、不同领域的政府数据进行管理，并将其转化为标准数据，形成基础数据库、学科数据库、专题数据库、知识库和案例库。今后，这些数据库将遵循国家标准、省级标准或与政务有关的行业标准，通过政府数据资产管理系统、标签管理系统和共享服务系统进行多种管理和应用。

他说："第二，人工智能科技是与业界结合起来的。数字政府领域存在大量的非结构化数据，如图片、音频等。数据融合涉及到多种处理技术，而传统的数据库和大数据技术自然被用来处理结构化数据，包括文本、图像、音频、视频等。需要利用语音识别、机器视觉、自然语言处理等技术从这些多模态数据中提取语义标记。然后通过知识图技术将这些语义信息构建在一起，转化为知识，进行知识分析、知识问题回答和知识挖掘，最终支持决策。

目前，人脸识别、语音识别等人工智能技术日趋成熟，但仍停留在感知层面，如果没有商业知识背景，很难实现智能。就像知识图技术已经逐渐成为一个行业一样，它的自然优势是表现出直观，能够理清数据上下文，看到数据之间的关系，但不同的行业数据模型、业务需求也是有区别的，只有结合行业知识和规则的应急产业知识图、环保产业知识图、法律产业知识图等。为了保证知识库的质量和规模、可扩展性和推理能力，从而更好地开展知识服务。

可以看出，与政府业务分离的系统只能是一个技术平台。如果不理解政府运作和业务相关数据的含义，就很难有效利用数据价值。只有结合政府情况，建立与业务相结合的数据模型，系统才能更好地支持应用。

作者认为，在技术与商业的碰撞中，将产生越来越多的新的业务类型、新的应用和新的模式，特别是在这一流行病之后，我们将看到数据情报在整个社会治理和政府决策中发挥着越来越重要的作用。除了技术层面，数据情报的专业化还需要在以下三个方面加以突破：

一是需求驱动。在技术产业渗透的过程中，我们必须根据具体的业务场景需求，探索数据智能技术在行业中可以做什么，基于不同领域的结合，内部和外部业务环节的区分和集成，最终形成一个新的技术服务模式，特别是在这一过程中，它还将完成技术本身的转变和演变。相比之下，以往用普通技术寻找场景的模式已不再适用。

第二，感性应用。当数据智能技术逐渐应用到各个领域时，非专业人员也需要能够应用数据智能来辅助决策。通过语音交互而不是编写代码，未来人机交互将变得更加自然。例如，在疫情期间，每个城市的应急中心都有一个指挥中心，政府决策者可以基于视觉大屏幕实时了解防疫材料、救护车位置等，通过智能交互实现点线排列。

第三，联合创新。在实践中，要开拓上下游合作的可能性，根据国家、省、行业规范制定一系列数据标准，在此基础上建立数据模型，为各行业形成"大脑"，帮助政府更科学地制定相关政策，逐步实现智能交通、智能医疗、智能教育等，建设更加完善的智能城市。

因此，数据智能需要行业厚度，甚至需要重塑数据价值链。数据技术服务不仅需要结合特定行业的知识和标准，还需要让人们更好地看到数据、与数据对话、与数据互动。只有将业务、数据、模型、交互和技术结合起来，我们才能发现规律，发现问题，真正创造价值。