前面幾個部分都跟數據處理相關,數據處理的部分直接交給數據中臺來完成,AI 中臺只提供數據中臺的訪問介面,主要操作包括:通過數據中臺的可視化工具觀察數據,利用數據中臺數據模型預處理數據,標註平臺開展各模型數據標註。其最終目標是支持模型訓練過程中訪問數據中臺綁定訓練數據,比如文件、資料庫以及其他數據存儲系統。
以上部分介紹了 AI 中臺產生的背景、目標、定義、實施路線。
AI 中臺的構建可以復用現有的技術、能力和平臺,是一種敏捷的智能業務支持方案;
AI 中臺是數據 / 業務智能化發展的產物,以自動化模型代替人工流轉,降低資源和人員成本;
AI 平臺的能力建設基於數據平臺 / 中臺,面向前臺業務需求,提升響應業務需求的能力。
通過 AI 中臺沉澱技術、共享服務、優化流程、整合資源、降低成本、提升效率是我們構建 AI 中臺的最終目標,要想實現這一目標,還需要一個比較漫長的探索和實踐過程。
從平臺到中臺,面向業務一步步實現躍遷,這是一個循序漸進的過程,不可一蹴而就。企業實施落地中臺化戰略,最重要的是從自己的業務實際、具體的研發條件出發,以共享服務、整合資源、降低成本、提升效率為目標,建立符合業務需求的中臺體系和方法論。
6 Q & A
Q1: AI 中臺要從哪些維度來評估需求的重要程度?業務需求多種多樣,如何設計可復用的 AI 模型?
A: 評估需求的部分不應交由 AI 中臺來完成,在業務前臺將需求提交過來時應該與業務分析專家、需求分析專家進行合理的討論確定項目的優先順序,評定的維度主要從業務的重要性、影響客戶的範圍、時間緊迫性等維度出發綜合評估,一般在專門的需求分析系統中完成。
AI 模型的可復用設計問題實在太泛化了,主要從業務中自行體會,對於有經驗的架構師可以比較容易地識別出不同粒度下的復用方案設計。這裡簡單從不同層次討論一下。
演算法級不必多說,而模型級別主要考慮單個模型的功能粒度,一般來說我們不建議一個模型過於複雜,過於複雜的功能我們通常會採用多個模型分別實現各功能,再在服務設計中通過模型編排來實現;模型的通用性需要定義好模型的數據介面,以及模型結構,考慮模型重訓練和增量訓練的機制,便於復用時進行模型適應;此外模型的功能通用性同樣需要關注。服務級別的復用相對比較容易識別,是比較固定和獨立的場景服務,例如聊天機器人、客戶風控等等,一般需要復用的服務基本不需要過多的重訓練和調整,相對固定,直接調用或簡單配置後調用即可,服務的復用設計類似於 SOA 過程中 web 服務的設計,增加考慮服務的可配置性。方案級別的復用比較少,因為解決方案已經是一套相對固定的產品了,我們主張的復用也更類似於一種模板和指導架構,中間的服務模型填充由用戶自己實現,所以方案級別的復用設計可以直接從重要的產品抽象。
Q2: 這些平臺都已經落地了嗎?對業務提升的效果是怎樣的呢?
A: 已經部分落地,不斷完善中。研發速度快了,工程師省事了,效率高了,對業務輸出的智能化產品也多了:)
Q3: 請問你們這邊 AI 中臺是否對外輸出,是否支持本地化部署?
A: AI 中臺在發育成熟後會考慮將部分能力以工具的形式對外發布,本地化部署當然在我們的考慮之內。
Q4: 前臺和中臺是否會出現分工不明確的問題,怎麼才能更好地解決?
A: 映射到我們的研發流程裏,前臺和中臺的劃分還是很明確的,前臺在確定研發計劃時,將只負責前臺業務邏輯的設計和交互管理,對於其餘的數據功能、AI 功能會直接推送到技術中臺、數據中臺、AI 中臺等中臺模塊獲取支持;而前臺和中臺的劃分在組織架構層面得到了更加清晰的劃分,業務團隊的不同反映了工作性質的不同。
兩者唯一可能出現交叉的人員角色就是業務分析專家了,可能來自於前臺團隊,但其許可權也是有限的,角色分工完全通過中臺管理進行配置,各個環節所能映射的角色是不同的,所以不會出現前臺業務人員介入演算法工作的情況,也可以管理技術人員參與業務分析的程度。總而言之,前臺和中臺的劃分是企業中臺化戰略的一個重要環節,不光要從業務流程上梳理,還要對組織架構、人員職責進行統一的調整。
本文彩蛋
在 AI 前線 後臺回復關鍵詞:AI 中臺 ,獲取井玉欣博士本次關於 AI 中臺分享的完整版 PPT。
註:請在公眾號對話框回復關鍵詞,留言區回復收不到鏈接哦~
今日薦文
點擊下方圖片即可閱讀
Python 2 將死,你準備好了嗎?
如果你喜歡這篇文章,或希望看到更多類似優質報道,記得給我留言和點贊哦!╰( ̄ω ̄o)
推薦閱讀: