AI进入工业大生产，科技企业的下一场变革
添加时间：2021-06-29 点击次数：334
本文摒弃从概念到单点技术模式，直接从产业落地讲起，以业务为根基、实战为血肉，勾画出智能产业落地转型升级的脉动
每个时代都带着历史赋予的使命而来，当下这个时代我们称之为人工智能时代。AI更被科技行业称为“第四次工业革命”，这是一次以AI为重要驱动的科技革命和产业革命，不仅为未来城市建设和管理引进了新思路，也将持续强化智能经济的核心引擎。
IDC曾经预测，到2022年，75%的企业将把智能自动化嵌入到技术和流程开发中，使用基于人工智能的软件来指导创新，国际咨询公司Gartner 也将“AI工程化”列为2021年度九大技术趋势之一。这些不仅仅是预测，2021年过半我们可以看到自动驾驶、医疗、智能交通、零售电商等等领域利用AI实现智能化的案例接踵而至。
AI发展至今，技术人仍需执桨破浪
1956年的夏天，在美国东部的达特茅斯，一批年轻的科学家召开了一次传奇的学术会议。会上首次提出了“人工智能”这一术语，标志着“人工智能”这门新兴学科的正式诞生。
在这之后的六十几年里，人工智能领略过技术的繁荣，也体会过时代的衰落。人工智能的兴衰史在2012年迎来了新的里程碑。深度学习技术的应用让语音识别准确率一年的提升比过去15年的提升总和还要多；图像识别以图搜图的准确率从20%提升到了80%。这一年深度学习在学术界和应用方面迎来了重大突破，这次突破使得人工智能又迎来了一次“技术复兴”，从此进入到了智能革命时代。
这次复兴深深影响着如今的社会，AI不再是商业世界里的陌生词汇，而成为一个个新名词：
-
智能助手：过去我们用文字搜索，现在可以用语音和图像进行搜索；
-
自动驾驶：开车不需要司机，AI可以完成驾驶，更安全，更有效率；
-
智能客服：AI代替人工解答用户问题，7*24小时可以工作。
-
......
人工智能对人的赋能，超过了以往任何一个时代。
十年时间里，神经网络技术在工业生产界逐渐兴盛，云计算的大力发展使得依靠大算力、大数据的AI硬件条件逐渐走向成熟。实现一个高可用、分布式、高效的AI平台成为一个企业战略应用转型与工业生产的基本需求。
关键技术人员作为企业的技术“舵手”，如何执桨破浪建设AI架构既是机遇也是挑战。像百度飞桨等的深度学习框架可以帮助工程师解决数值计算、算法实现以及模型训练的问题，但要想建设一个高效支持工业生产的AI平台仍然有很多问题需要解决。
想要打造这样的AI平台，AI架构师一定要建设好三个系统：
-
第一是数据系统。无论任何行业数字化过程的基础都是数据，数据原料的完备性、正确性、时效性和一致性等等问题十分关键。
-
第二是用深度学习建模的训练系统——这也是大家通常所说的深度学习训练框架。
-
第三是AI算法或者模型的应用系统。基于不同的真实应用场景，会有不一样的实现。此外还包括一些辅助的工具或者说是稳定性监测工具等——与传统应用场景下的工具区别不大。这部分的挑战通常来源于性能。
目前看传统业务受限于数据的获取以及处理效率，训练和预估精确数据的获得依然是个难题。但对于AI长期要保持耐心，短期有信心，难题必定会迎来新的解决方案。
转型复合型AI人才的3项能力和2个方向
回看2016年，百度基于多年的深度学习技术研究和业务应用，在国内首个开源了产业级深度学习平台飞桨PaddlePaddle，从深度学习核心训练和推理框架，到基础模型库、端到端开发套件、工具组件，全面开源开放，降低深度学习应用门槛。
这之后的几年里，企业逐渐开始进入AI创新的深水区，行业内顶尖的AI技术人化身「AI架构师」开始走进业务。
-
转型AI架构师的3项基本能力
所谓AI架构师的“AI”指的是算法技术，“架构师”则涉及工程架构和业务把握，AI架构师就是要具备把AI技术带入工业生产应用的能力。AI架构师的能力可以总结为三个基本能力：
第一，对AI技术和工业生产流程有整体掌握能力
AI架构师要对AI技术以及工业生产架构有递进式的理解。AI技术是一项复杂的技术，入门难度较高、学习的曲线陡峭。如果对AI技术缺少系统的掌握，在面对企业复杂的项目或者新的任务场景必会手足无措。
要先熟悉机器学习的基本原理、再掌握相关技术栈、结合算法模型与网络结构、熟悉AI开发应用部署的流程这是一个渐进的过程，不能期望一蹴而就。作为企业的技术架构师最好先成为AI技术专家再进行业务的落地，结合项目实践不断迭代深入。
这些是针对AI技术本身而言，尚未涉及业务。就像超级英雄电影里的情节一样，拥有超能力或者黑科技，才能带领众人拯救世界。
第二，理解上层业务，有很好的技术抽象能力和技术判断力。
AI架构师尤其需要重视理解业务的诉求和逻辑，只有抓住业务问题的关键点，才能够做出正确的抽象设计和技术选型，切忌只从AI技术出发去理解业务。从业务的关键问题和核心逻辑开始，掌握在机器学习技术层面的抽象以及对应技术匹配，做完技术匹配再往下做具体的模型选择。
图中的三个环节对解决问题效果的影响，越往前面（对业务的理解）越重要，越往后（技术实现方式）影响力越小。如果业务关键问题的把握和大的技术选型不对，具体模型算法的调优只能事倍功半。
在AI落地的过程中有太多未明确的情况，都是要根据实际的业务场景构造对AI技术的需求，这需要架构师具备整体的架构能力，而不是简单的生搬硬套。
第三，设计并实现高效合理的AI落地方案的能力。
解决一个复杂业务问题不止一个AI技术，AI架构师需要根据业务的实际场景合理选择工具和资源，去进行组合、组装、串联以达到工程实践的要求。
大多数情况下，由于业务的时间要求、成本限制、质量要求等等，很难在理想状态下解决问题。在受到限制的情况下提升技术方案的可扩展性，使之能随着业务的变化而不断演进，这才是AI架构师的价值所在。
在方案落地的时候，一定会较多地涉及系统构建和部署的问题，AI架构师要对系统的整体设计、部署和硬件环境相关的问题进行深思熟虑，到底硬件资源该怎么选、部署怎么实现、系统怎么运行等等。最后，还少不了“开着高速换轮胎”的迭代意识，毕竟效率影响着业务的价值。
-
算法工程师的转型要多关注业务
其实AI架构师不同于传统的AI算法科研人员，算法科研人员针对的任务往往都是抽象后的、环境变量相对固定的问题，基于这些问题做模型算法层面的研究；
从算法工程师转型成为AI工程师从对技术的深入理解到对业务的深入了解的渐进过程。最开始做算法工程师的时候，更关心和聚焦AI技术的原理；随着工作的展开，关心和聚焦的方向就一点一点的变成算法的价值在哪里、算法能解决什么问题；再到面对把算法应用到真实的业务场景里，解决算法落地的瓶颈以及存在的其他问题。
“抓业务”“找问题”“看场景”，只有转变对业务的思维方式，再融合算法和工程方面的经验，才能实现高效的AI业务系统。
这个过程相当于从算法本身到业务/问题本身的融合与渐进的过程，AI架构师要做的核心工作是在具体的业务场景中设计并实现相应算法的最佳实践。
-
传统架构师转型要攻克AI知识
传统的架构人员通常直接按业务需求设计工程实现，没有AI算法这一层从而对技术要求和思考角度有较大不同。AI架构师对AI算法、业务理解和工程实现都有比较高的综合性要求。
从传统架构到AI架构师的转型过程中，遇到的最大的难题就是AI专业知识。这是一条没有捷径的路，因为深度学习更贴近数学，而计算机技术更贴近大数据和高性能，偏重经验和实践。目前还没有任何一个算法称得上通用，都需要根据不同的场景去做选择和尝试不同的建模方式，才能找到最优算法。深度学习是理论与实践的结合，用好深度学习技术需要丰富的经验积累。
AI工业大生产阶段的优秀AI架构师