AI大勢之下,越來越多的企業積極擁抱AI。然而,現實與憧憬還有很大的距離。眾多傳統行業要實現AI應用還遠沒有想象中的那么簡單。
從企業中有人開始思考“我們面對的問題能不能用AI來解決”,到真正的實現高效、高質量的大生產,把AI技術的價值帶入到企業的生產活動當中,是否存在一條可以參考、可以實踐的路徑?
百度集團副總裁、深度學習技術及應用國家工程實驗室副主任吳甜在WAVE SUMMIT 2021深度學習開發者峰會上,首次公開分享了飛槳通過與產業伙伴的廣泛合作所觀察到的實踐路徑。她指出,企業應用AI會經歷三個階段。
百度集團副總裁、深度學習技術及應用國家工程實驗室副主任 吳甜
第一階段是企業中有少數先行人員嘗試引入AI,稱之為AI先行者探路階段;當進行了驗證成功落地后,會從個人實踐轉變成建設團隊來學習和應用AI,稱之為AI工作坊應用階段;當企業逐漸進行大量的AI應用,幾百、幾千人一起工作,多人多任務協同生產,就進入了AI工業大生產階段,更長期看,還會實現社會化協同生產。
企業在應用AI的這三個階段會遇到的主要問題是什么?如何有效解決,以實現進階呢?吳甜用現實事例給出了產業一線的經驗分享。
首先,在“AI先行者探路階段”,先行者們看到業務場景中的問題,考慮引入AI來解決,真實場景問題往往有別于實驗室中的。以一個智能質檢的案例為例,企業希望用AI替代人工質檢,需要高準確率、低漏檢率,對算法要求非常高。這個案例需要在大物件上找到非常小的瑕疵和缺陷,是大尺幅里小目標的檢測。還需要模型體量小,預測速度快。另外,缺陷類型復雜,雖然產線上可能拿到很多的數據,但是缺陷的數據樣本往往很少。面對這個場景問題的時候,首先需要有在這樣場景上真正實踐過的模型才能夠快速的解決問題,還需要有適配這個場景的調優工具。飛槳基于大量產業實踐打磨的PP-YOLOv2模型解決了上述問題,對先行者來說就具備了一個條件可以快速的進行模型驗證。
但是光有了模型還不夠,需要把模型部署到需要的生產環節中,新的問題又隨之而來。在產業場景適配的硬件支持上,算力、存儲容量、模型支持程度、軟硬件結合優化,設備價格等因素讓部署變得復雜。為此,飛槳平臺提供了多端多平臺部署環境支持,并且推出配套的部署工具鏈,可完美解決部署的一系列復雜問題,幫助企業便捷地走完AI應用的“最后一公里”。
到了第二階段“AI工作坊應用階段”,一般來說是規模體量不太大的AI團隊以相互獨立的方式在進行創新工作。以一家工業制造業企業的AI團隊為例。這個團隊由12人構成:4名機械化工工程師,7名軟件工程師,1名AI專業研發人員。從模型研發的視角看,模型研發的深度有不同層級,最便捷的是無代碼開發方式,可以快速上手,門檻非常低。對于可以進行代碼開發的工程師,可以使用場景類套件快速復用。若團隊研發人員具備AI算法能力,還可以在算法類套件上進行算法模型配置。再進一步,若團隊研發人員能夠在模型庫上進行代碼改寫,可以得到更符合自己需要的額新模型,如果能使用核心框架進行研發,就可以實現更深度的模型自研工作。可以說,飛槳打造了針對不同類型開發者需要的完備產品結構體系,不僅有可視化界面產品、場景類套件、算法類套件,還有模型庫,以及動靜統一的核心框架,助力AI應用創新。
最后,“AI工業大生產階段”,該階段具有“多人多任務進行協同生產”的典型特征,并面臨著四大挑戰:第一,需要高效管理大規模異構算力基礎設施;第二,支持大并發多類型任務調度;第三,需要支持多人協同,滿足不同類型使用者需求;第四,需要高效滿足各類場景的定制化建模需求。面對這四個挑戰,飛槳平臺打造了兩類核心功能:面向資源算力層面,飛槳塑造了高效的算力管理與調度平臺,對模型和服務進行科學有序的管理,提升整體的研發效率;面向開發人員提供全流程集成開發環境,提升整個AI研發流程的易用性和效率,幫助研發人員站在更高的起點開展工作。放眼更長期,將會形成社會化的協作生產。
飛槳自正式對外開源至今,已完成第一個技術發展與產業創新“雙豐收”的五年。截止目前,飛槳平臺聚集了320萬開發者,服務了12萬企業,創建了36萬模型,已經覆蓋到了工業、能源、金融、醫療、農業、城市管理、交通、信息技術等各種各樣的行業和場景,而這組數據還在增長。
人工智能對世界經濟、社會進步和人類生活產生的影響愈加深刻,以深度學習為核心的新一代人工智能技術已經具備了非常強的通用性,顯現出標準化、自動化和模塊化的特征。在此過程中,飛槳作為成熟完備的產業級開源開放平臺,更進一步扮演著夯實中國科技發展的創新底座的“基石”角色。與產業共進的同時,“飛槳也將持續面向科學研發提升靈活性,助力前沿探索,希望為產學研一體化貢獻力量,希望我們與開發者、與產業界、與科研界、與教育界攜手,共同推進人工智能的發展。”吳甜說。
