园子的商业化努力-AI人才服务:招募AI导师

Posted 博客园官方博客

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了园子的商业化努力-AI人才服务:招募AI导师相关的知识,希望对你有一定的参考价值。

各位园子的小伙伴,感谢大家对园子的支持,园子差不多接近20年的历程,一直是最低配模式生存和发展,感谢大家对于前段时间的困局给予了商业化的各种建议!在大家的鼓励与支持之下,园子的商业化努力正在以更快的步伐向前推进!

各位园子的小伙伴:

感谢大家对园子的支持,园子差不多接近20年的历程,一直是最低配模式生存和发展,感谢大家对于前段时间的困局给予了商业化的各种建议!在大家的鼓励与支持之下,园子的商业化努力正在以更快的步伐向前推进!

最近,我们认为AI方向是一个非常好的突破点,众所周知,现在AI大模型出现之后,各行各业都在积极思考如何应对,如何把业务场景和AI结合。在这个过程中,AI人才缺乏是最核心的问题。基于此,园子打算在AI人才培养方面做一些力所能及的事情,我们和和园子的天使投资方顺顺智慧决定合作成立一家做AI人才培养和服务的新公司——行行智能,专注于为AI人才的职业生涯成长提供全方面的服务。也在这个过程中寻找一些商业机会!

AI浪潮将对软件开发工作产生翻天覆地的影响,希望新公司能够帮助大家用AI武装自己,将更多时间投入在软件开发工作中最需要创造力的部分。

在推出AI人才服务的前期,我们想在园子里找一些有AI研发和应用经验的园友,成为AI人才的导师,和我们一起做一些AI领域的探索,比如,未来我们可以一起做一些AI方面的内容,一起尝试做AI领域的产品,一起指导AI领域的新兵。园子的文化是互相帮助,我们非常希望把社区氛围做起来,让老人帮助新人,牛人帮助初学者,从而让我们的园子变得更好!如果您有兴趣成为园子里面的AI导师,欢迎加我们的企业微信!

进击的速溶咖啡:当中国AI开始玩工业化

从2017年AI借助围棋大规模出圈开始算起,我们经历了这么几个阶段的变化:

第一阶段,全社会一起讨论AI到底有什么用;

第二阶段,相关产学政各方一起讨论,AI应该怎么用;

第三阶段,负责出钱和收钱的双方努力讨论,AI怎么用才能便宜点?

随着产业化的推进,公众范围对AI的探讨也随之收窄。如今,基本看不到营销号那些关于AI的惊悚标题,也很少有让业界惊喜的底层算法突破。也许有人认为AI泡沫正在破裂,AI寒冬又将到来。但在大众狂欢消退之余,却又能看到商用AI正在中国市场快速兴起。到了2021年,大部分云计算和AI供应商似乎都无暇继续讨论AI的应用场景和应用可行性,而是专注于另一个关键词:成本。

随着AI开始变成企业服务的一种,部署成本过高开始变成业界最显著的问题,而且在中国AI产业中尤甚。与其他企业IT技术不同,AI作为一种灵活多变的软件形态,需要长期投入和专业人才。这导致AI在大型科技公司或者平台型企业具有非常弹性的投资曲线,可以战略性投入,从而灵活多变地解决各种问题。但对于传统企业、中小型企业、缺乏信息化基础的企业来说,应用AI往往能在理论上解决非常重要的问题,却缺乏直接、可操作且成本可控的执行方案。

回到云计算和AI服务提供商这边,虽然面向企业卖AI理论上潜力巨大。但现实是每家客户都有大量需要定制解决的需求,往往要投入众多行业专家、算法架构师、软硬件工程师来解决一些细小问题。这样做出来的成果虽然可观,但其实只具备案例性质,缺乏推广可能。

另一方面,疫情导致美国AI行业创新缓慢,头部公司算法突破不理想。同时欧美的AI to B市场净值较高,客户数字化能力较强。谷歌云、微软云的崛起虽然都与AI息息相关,但适配的更多是大规模、分散式的企业软件市场。反而中国市场中的AI目标用户更多是政企、实体经济企业,需要一对一的AI能力与行业化的AI解决方案。

这种情况下,把AI技术推向高度工业化、标准化,就猛然间变成了中国科技界的独立任务。虽然在2019年谷歌等头部AI公司已经开始推动机器学习简单化的相关技术,但其目标更多集中在所谓“AI民主化”,而非今天中国云计算与AI厂商面向的大规模AI部署与工业级AI场景。

不夸张地说,低成本的AI工业化,已经成为目前中国AI产业的主线任务,但相关分析却并不充沛。本文希望讨论一下中国AI工业化这条赛道的几种产品逻辑,以及代表案例、商业模型。由于各家厂商的命名方案与产品标准并不统一,为免误会这里选择隐去具体的厂商与技术名称。但将相关技术逻辑带入到几家大厂,不难发现聚焦程度已经不低。

看过东野圭吾《神探伽利略》系列的朋友,可能对主角汤川学钟爱速溶咖啡钟爱印象深刻。看似廉价、低端的速溶咖啡,其实凝结了喷雾干燥等20世纪初人类科学与工业能力的精髓。也正是速溶咖啡的出现,才让咖啡大规模生产、运输、存储成为可能。

如果说,深度学习是人类发现了咖啡这种饮料;那么中国AI正在努力完成的,就是炮制出一杯进击的速溶咖啡。

真正的咖啡时代,或许更可能开启于后者。

行业知识图谱

对于大部分企业用户来说,AI提供的都是机器视觉、NLP体系下的几种固定能力。基于这些能力衍生出企业的定制化变体复杂度很高。但有一种AI技术却很容易与企业和行业的特殊需求进行适配,那就是知识图谱。

知识图谱的技术逻辑是将一些知识进行人为关联,从而在调用A知识时驱动B知识,从而达成近乎“智能”的效果。这并不是多么新颖的技术,甚至早已机器学习诞生前,知识图谱已经在很多领域有了广泛应用。今天在搜索引擎和电商产品中的相关推荐功能,很大一部分都依靠知识图谱来完成。

在AI to B的应用中,一个巨大问题在于企业处在特定行业里。每个行业不同的知识,或者说经验,决定了应用AI的需求不同、成本各异。比如说,安防场景需要的AI识别,就和质检场景大相径庭。

因此一种新的AI产品服务模式,是技术供应商上升为行业信息化服务商,主动打造符合具体行业需求的知识图谱产品。比如工业知识图谱里可能包含分拣、质检、产品流程等方方面面,当工业识别解决方案与之结合,AI就不仅能够完成单点任务,还可以依据行业知识图谱完成一定程度的复杂需求,比如知识推理、知识预测等等。

类似的行业知识图谱拥有广泛的应用可能性,无论是在工业、能源这样注重“经验”的场景,还是金融、物流这样看重“数据关系”的领域。另外,行业知识图谱也可以帮助AI打入那些通识类算法难以奏效的行业,比如说油气勘探、生物医药等等。最重要的是,如果云计算厂商提供有效的行业知识图谱服务,那么就可以免除一个个订单去给企业做知识、经验适配,从而降低人工成本。

但行业知识图谱的问题在于,行业知识是一个非常抽象、难以标准化的版图。每个行业有多少知识可以取公约数也是个问题。因此市面上的类似服务,都大体集中在金融、能源、工业质检等几个基础板块,难以细化到更具体、小众的行业。并且行业知识图谱已经极大改变了云计算、AI供应商的角色,使其从算法等基础能力提供商变成了行业咨询、行业数字化解决方案提供商,这对商业模式和行业认可也提出了挑战。

目前,与机器视觉、NLP等基础能力适配的行业知识图谱,还是中国AI界独一份的产业板块。它能走到多远,或许是接下来AI产业一个非常重要的发展指示物。

自动机器学习

虽然苏大强都知道手磨咖啡好喝,但让每个人都去磨咖啡显然不现实。速溶咖啡的价值也因此得到了确认。

这就像AI虽好,但每家企业都高价聘用算法架构师,花费大量时间做数据调优、分类、提取也很不现实。为了解决这个问题,谷歌早在2018年就推出了AutoML,也就是自动机器学习的相关工具。这类工具的基础逻辑在于,尽量让普通开发者,甚至不会写代码的AI应用者,都能通过按要求上传图片的方式生成固定的AI模型。这些模型虽然简单,但胜在零门槛,低成本。大众熟知的类似应用,可能就是以给明星换脸而出圈的deepfake。当这东西被全球集体封杀,或许也侧面证明了自动机器学习的威力。

随着产业发展,自动机器学习也不再仅仅能做简单的视频处理。尤其随着大厂的不断投入,今天中国AI产业的自动机器学习平台与工具,在能力的多元化与工业化上已经远远超过了谷歌等美国公司。广义来看,从数据处理到数据特征提取,再到数据调参和训练,几乎每一个AI步骤都可以在今天找到一些办法来进行自动或半自动简化。而国内几大相关厂商也推出了自动机器学习平台的升级版,以此来提升复杂模型的开发效率,或者帮助进行行业化的AI落地。

在产业端,自动机器学习的最突出价值在于可以快速渗透那些缺乏AI,甚至缺乏信息化基础,同时也无法进行定制化服务的微型领域。比如说农业、医疗,甚至校园场景。即使缺乏AI能力甚至编程能力的个人开发者,也可以依靠自动机器学习平台很快完成一个简单AI模型的开发,并且在手机、摄像头等设备上完成部署。比如在一个案例中,农村扶贫干部可以依靠类似平台快速开发一个识别房屋、果树、农作物的软件,从而加强扶贫工作标准化以及提升工作效率。

当然了,自动机器学习类软件既然瞄准的是低门槛,那么问题也随之产生。这类平台的自动化能力,导致其往往难以处理复杂数据或者完成算法创新。而一旦给平台加强更多技术能力,又容易变得更为专业复杂,不适配缺少技术能力的企业和开发者。其中的平衡点很难拿捏。

无论如何,近两年我们在看到越来越多的工业级AI项目开始基于自动机器学习平台来搭建,AI开发的时间成本与人力成本也在极速下降。

这些真正面向解放生产力的升级,构成了中国AI的最佳风景。

大规模预训练模型

说到工业级AI,那么就不得不提AI应用的另两个核心问题:数据量和训练算力。

在工业、能源、金融、医疗这些行业中应用的AI,需求特征是参数精度高、训练数据需求量大。但问题也来了,一家传统企业去哪搞那么多数据,又哪来的算力进行长时间、需要复杂调参优化的模型训练呢?

面对这个问题,业界也有个办法。就是平台提供预训练模式,然而企业买回去进行二次加工,从而生成自己想要的AI能力。这个逻辑很容易理解,有点像买熟食回家再二次烹饪一下。家里人还是会夸你手艺好,谁又在乎前面98%的步骤都是在餐厅完成的呢?

在AI领域,这个用半成品再加工的逻辑被叫做迁移学习。其在大数据集训练的预训练模型上再完成小数据的迁移,最终在企业用户时间、人力成本的基础上,保证了模型的精度和使用效果。

大规模预训练模型的逻辑很早就被提出,但近两年在中国AI产业中开始不断得到重视,形成了解决AI工业化的核心思路之一。一般来说,云计算企业会提供NLP、机器视觉等主要品类的AI预训练模型,或者重要行业、重要工作场景中的预训练模型,供企业下载部署。一方面以此带动企业用云量,另一方面还可以衍生出更多的智能化解决方案服务。

预训练模型这个领域的竞争主要集中在两个方向,一是有效数据的参数规模和收敛精度,以此来决定模型在通用赛道上的能力指数;二是预训练模型的行业细分度,以此来决定与行业、任务场景的适配广度。

最典型的预训练模型应用场景,应该是工业巡检、质检等领域。这些领域的绝大部分数据精度要求都是一样的,就是识别能力的精准度。这个可以在云计算厂商进行大数据预训练。而厂商到底是要识别划痕还是识别污垢,就可以回到厂里进行迁移训练来搞定。

最后说说问题,预训练模型目前还更多属于云计算厂商提供的附加产品,不像基础AI算法一样有稳定的市场空间。究竟其前景如何还有待检验。另外预训练模型虽然比较受企业用户的欢迎,但商业模式还有待探索,给供应商带来的实际价值不太清晰。

结束语

当中国AI走到2021,工业级、产业级成为了三句不离口的关键词。但真正具备工业化特征的AI,其实就像齿轮、轴承、钢筋一样,是标准化、规模化、低成本的产物,而不是某种美好的智能魔法。

中国AI开始大面积拥抱工业化、流程化、标准化,也许将构成一个交叉点。这条赛道上的AI,不那么受资本关注,理论上更接近企业IT而非传统意义上的AI生态,至少一点也不极客,不够酷炫。

但这条路很重要,或者可以说是全球AI产业的一个拐点。尤其重要的是,中国AI的前景,不能一直被美国AI的上限所制约。行业知识图谱、自动机器学习这些东西其实都发源于美国,但在应用化、平台化和标准化上,美国AI并没有中国业界来的干脆有力度。

至少在今天看来,沉默前行的AI工业化是一条孤独的路。

前方一无所有,也因此给人安慰。

以上是关于园子的商业化努力-AI人才服务:招募AI导师的主要内容,如果未能解决你的问题,请参考以下文章

园子的商业化努力-开篇:绝境求商

园子的商业化努力-困境求助:开设捐助通道

营员招募|心怀世界的AI青年们,联合国需要你为可持续发展助力!

园子的现代化建设-社群运营:欢迎加入园子的细分社群微信群

垃圾图像分类,街景图像识别!华为云AI主题赛火热招募中!

进击的速溶咖啡:当中国AI开始玩工业化