最新人工智能：人工智能的四个层次.docx

人工智能：人工智能的四个层次
前面我们分析了人工智能的行业格局，见?凯哥讲人工智能：行业格局?，了解了人工智能的开展，带来了软件技术行业的一次革命，所有的企业都希望在这一次革命中弯道超车，快速建立起自己的相关的国际顶级学术会议的赞助商中，有很多我们中国的企业了，比方ACL2022的顶级赞助商里出现了今日头条这样的中国企业。
学术算法层有几个特性：
根底性
学术论文层的能力，往往是非常根底的理论，解决的是某一个理论领域的根底性问题。
通用性
这个层次的成果，很多时候能够在多个细分领域应用，具有一定的通用性。
持续性
程序语言本身会不断地进化，而论文本身那么有一定的持续性。随着编程语言，工程技术的开展，对一篇论文算法的实现经常是持续优化的。
总结一下，学术算法层是人工智能现阶段的核心层，目前大局部人工智能所应用的算法都是公开通用的，很多经典的算法都已经存在了十几年以上。
在人工智能的商业应用行业里，这一层大家的差异都不是很大，根底都差不多。
第二层，工程实现层：
有软件编程能力的工程师〔一般我们叫他们数据科学家
〕将第一层的论文学术成果实现成工程代码，从而能够被软件所调用。这一层是人工智能的核心能力层，同样的算法，不同的工程代码实现的效果，速度是有差异的，也会影响在软件中的应用。软件工程能力直接决定了这些算法的优化程度。
比方CNN的算法相关的实现在GitHub上就有不下15000种，见下列图所示：
第一层学术算法层，大局部的人工智能从业公司差距都不大，根本上使用的都是公开的通用的算法。所以第二层，工程实现层是区分能力的一个关键分水岭，如何将算法实现的最优化，效率更高？工程能力很重要。
第三层，平台效劳层：
当业务被数字化后，我们发现，很多原来跨行业的场景其实在底层的算法层有很多类似的地方，比方异常检测的场景，在审计预警和预测检修这样两个跨行业的应用中有很大的趋同性，只是训练和处理的业务数据本身的差异。为了让人工智能技术能够更快，更高效的被业务所使用，就出现了AI as a Service的平台效劳层。
有公有效劳平台，比方百度大脑，阿里云，腾讯，同时众多的大型企业也在构建自己的私有智能
效劳平台。平台效劳层主要的作用是算法和模型效劳化，更容易的被各种场景所调用。
第四层，业务应用层：
所有的技术都是要为了业务去创造价值，人工智能一定要在适当的业务场景中才能发挥作用。这一层是可以直接由第二层工程实现层构建而来的，并不一定需要经过平台效劳层。
所有的企业都意识到智能时代的来临，希望用人工智能技术赋能自己的业务，加速数字化转型工作。
结合上面的四个层次的总结，我们可以得出几个关键发现：
业务场景是人工智能产生价值的最重要的根底
场景选对了，就成功了一半。智能类工程拥有不确定性，有限投资要定位到适宜的业务场景，那就是业务价值高，投入产出比高，数据和技术成熟的场景。而一点依赖于对企业战略的认知，业务的深刻理解，需要很强的业务能力和战略思考能力。所以在企业进行人工智能投资的时候，我们建议早期启动一个智能探索的敏捷规划工程，识别和定位业务场景，进行早期成熟度调研，效果预言，从而尽可能的保证投资的有效性和价值。
工程实现是将人工智能应用到场景的核心能力
选择对了场景是成功的第一步，最终，我们的人工智能的价值是需要通过软件效劳，应用的方式提
供应用户的。所以，这就意味着，这个软件需要具备顺畅的流程，用户体验要好，运行速度要快，系统要稳定平安，否那么一个有缺陷，体验很差的应用是不会被用户所持续使用的，那么人工智能投资依旧是失败的。所以工程实现是将人工智能应用到场景产生价值的核心能力，这里就包括业务需求分析、用户体验设计、软件技术架构、开发测试上线部署，持续的运营和运维能力。我们的实践统计，一个人工智能的应用工程，智能算法局部一般只会占到总工作量的30%以下，大局部的工作都是软件工程的构建。
大型企业需要建设自己的智能效劳平台
在目前的阶段，数据是智能算法的原材料，如果企业调用公有智能效劳，那就意味着，企业要将自己的数据
奉献给外部效劳商。这个对于局部大型企业来讲是不可接受的。而与此同时，我们会发现人工智能技术并不是以前想象的那么的阳春白雪，众多的开源工具，框架，算法的实现让我们更多的是需要去将智能技术应用到场景中，而非去重新开发一套算法。
比方，我们团队的工程师，在GitHub上，依托一个开源的人脸识别模型，结合我们公司的内部员工图片数据，训练出来的模型也有一定的准确度，而这个过程，只用了2周的时间。
所以，大型企