云原生AI開發(fā)場景與實踐

1、云原生 AI 開發(fā)場景與實踐技術(shù)創(chuàng)新，變革未來人工智能應(yīng)用現(xiàn)狀人工智能基礎(chǔ)設(shè)施算力服務(wù)CPUGPUFPGAASIC算法服務(wù)人工智能算法模型數(shù)據(jù)挖掘數(shù)據(jù)服務(wù) 數(shù)據(jù)存儲數(shù)據(jù)治理智能語音智能對話人體識別計算機視覺直接應(yīng)用圖像識別解決方案呼叫中心智能安防智能監(jiān)控感知智能相對成熟，認(rèn)知智能加速發(fā)展一般認(rèn)為，人工智能可分為感知智能和認(rèn)知智能兩大類。感知智能以智能語音、計算機視覺和部分生物體征識別（如體態(tài) 識別）為核心底層技術(shù)，對應(yīng)的上層應(yīng)用為智能對話、圖像識別和人體識別等，分別直接應(yīng)用于客服機器人、智能安防、 智能監(jiān)控等解決方案；認(rèn)知智能以機器學(xué)習(xí)/深度學(xué)習(xí)、知識圖譜和自然語言處理等為核心底層技術(shù)，對應(yīng)的

2、上層應(yīng)用為預(yù) 測建模、知識倉庫、機器翻譯等，分別直接應(yīng)用于商業(yè)決策、智能推薦、全文信息檢索等解決方案，二者是互為支持和補 充的關(guān)系，同一個AI解決方案中往往包含多種技術(shù)。目前我國感知智能的算法研發(fā)和應(yīng)用落地相對成熟，而認(rèn)知智能正在 加速發(fā)展過程中，未來將有著更廣闊的應(yīng)用空間。當(dāng)前AI感知智能&認(rèn)知智能算法及應(yīng)用AI感知智能AI認(rèn)知智能生物體征識別監(jiān)督學(xué)習(xí)預(yù)測建模商業(yè)智能決策知識圖譜文本匹配直接應(yīng)用知識倉庫機器翻譯解決方案智能推薦全文信息檢索互為支持 互為補充7 人工智能應(yīng)用現(xiàn)狀營銷、客服、質(zhì)檢、安防等應(yīng)用的市場價值已獲得驗證具體到實際應(yīng)用中看，人工智能已廣泛滲入各行業(yè)經(jīng)營管理的諸多環(huán)節(jié)，為企業(yè)

3、帶來更高效的自動化流程、更精準(zhǔn)的情報 分析以及更智能的運營管理。當(dāng)前國內(nèi)人工智能應(yīng)用成熟度較高的領(lǐng)域包括：在金融、互聯(lián)網(wǎng)等需要密集與客戶溝通交 流的行業(yè)中用于智能呼叫、客服、銷售等環(huán)節(jié)，幫助企業(yè)提升觸達(dá)能力和服務(wù)質(zhì)量，從而提升用戶粘性；賦能公安、交 通和企業(yè)內(nèi)部的安防監(jiān)控以及制造業(yè)企業(yè)的物流配送、產(chǎn)品質(zhì)檢等環(huán)節(jié)，代替人眼進(jìn)行大規(guī)模監(jiān)測并提升監(jiān)測精準(zhǔn)度、從 而提高調(diào)度和管理效率。整體來看，感知智能的諸多應(yīng)用對于企業(yè)的應(yīng)用價值已得到了市場驗證，而涉及認(rèn)知分析、智能 決策的認(rèn)知領(lǐng)域的應(yīng)用成熟度也正在逐步提高，已在部分行業(yè)展開試水，應(yīng)用滲透有望加速。人工智能應(yīng)用于我國不同行業(yè)企業(yè)經(jīng)營管理活動的主要環(huán)節(jié)

4、產(chǎn)品設(shè)計、采購評估 工藝優(yōu)化 貨倉物流 產(chǎn)能補充 情報研判、客戶觸達(dá) 設(shè)備運維 管理調(diào)度 質(zhì)控、風(fēng) 窗口服務(wù) 遠(yuǎn)程辦事 人機對話 定價優(yōu)化效率提升 決策支持 營銷運營 故損分析 運籌優(yōu)化 控和安全遠(yuǎn)程作業(yè)政府金融 互聯(lián)網(wǎng)醫(yī)藥 交通零售 教育制造能源 電力 電信嘗試應(yīng)用圖例行業(yè)較少涉及示范項目增加，形成典型場景價值得到驗證，規(guī)模化推進(jìn)計算機視覺ML&DL智能語音交互NLP&知識圖譜8 人工智能與云服務(wù)建站推廣19%專業(yè)服務(wù)17%企業(yè)應(yīng)用15%AI&大數(shù)據(jù) 12%基礎(chǔ)軟件10%API 10%小程序9%3%3%物聯(lián)網(wǎng) 其他安全服務(wù)2%云服務(wù)平臺成為企業(yè)獲取和應(yīng)用AI能力的重要渠道當(dāng)前各類前沿信息技術(shù)

5、彼此融合促進(jìn)，界限正逐漸模糊，無論是在技術(shù)開發(fā)、實施還是應(yīng)用階段，包括云計算、大數(shù)據(jù)、 人工智能等在內(nèi)的多項技術(shù)都互為依托和補充。云計算在我國經(jīng)歷了十余年的發(fā)展，目前基礎(chǔ)云服務(wù)已經(jīng)進(jìn)入成熟階段， 各類上層應(yīng)用以云服務(wù)平臺為技術(shù)基座和分發(fā)渠道，逐步構(gòu)建起云上的IT服務(wù)生態(tài)閉環(huán)。具體到人工智能領(lǐng)域，云計算為 人工智能研發(fā)和部署提供計算集群、存儲陣列等基礎(chǔ)設(shè)施，通過大數(shù)據(jù)和AI算法PaaS提升企業(yè)進(jìn)行AI開發(fā)的節(jié)奏和效能， 而信息安全、敏捷開發(fā)等應(yīng)用則間接提升了企業(yè)采用云上AI能力的穩(wěn)定性。對于企業(yè)的AI開發(fā)和應(yīng)用工作而言，云平臺已 成為他們加強AI能力的重要助力。云上人工智能服務(wù)品類及應(yīng)用現(xiàn)狀20

6、21中國云服務(wù)產(chǎn)品市場份額企業(yè)AI能力使用情況調(diào)研93%的企業(yè)使用云上的AI能力IaaS高性能存儲陣列CPU面向人工智能的計算集群GPUFGPA高速通信網(wǎng)絡(luò)數(shù)據(jù)類PaaSPaaS數(shù)據(jù)倉庫數(shù)據(jù)治理工具大數(shù)據(jù)計算分析算法類PaaSAI開發(fā)平臺AI開放平臺人工智能APISaaS人臉識別語音合成錄音識別機器翻譯文字識別工業(yè)大腦配套服務(wù)信息安全敏捷開發(fā) 可視化資源統(tǒng)計來源：1.2021年中國基礎(chǔ)云服務(wù)行業(yè)發(fā)展洞察；2.德勤（2020），咨詢研究院根據(jù)公開資料研究及繪制。9 人工智能與云服務(wù)云原生成為業(yè)界認(rèn)可的云計算技術(shù)發(fā)展方向以Docker和K8s為代表的容器和容器編排技術(shù)是云原生應(yīng)用的典型代表，容器對

7、基礎(chǔ)資源的調(diào)用相較虛擬機更加輕量、敏 捷、高效，能夠直接部署于物理機上作為資源調(diào)度器，但在當(dāng)前的企業(yè)用云實踐中，無論對于公有化還是私有化部署模式， 容器引擎普遍架構(gòu)于虛擬機之上，對虛擬化的IT基礎(chǔ)設(shè)施實行彈性資源調(diào)度、流程自動化以及集群管理。整體來看，云原 生架構(gòu)具備彈性擴容、敏捷分發(fā)、高效易用、兼容適配等主要優(yōu)勢，在云計算成為企業(yè)數(shù)字化轉(zhuǎn)型標(biāo)配的今天，云原生帶 來了更加靈活的用云模式，能夠幫助用戶降低用云成本、提高云服務(wù)可用性和云端服務(wù)的質(zhì)量，其價值已獲得了產(chǎn)業(yè)界的 普遍認(rèn)可，云原生也被認(rèn)為是云計算未來的技術(shù)發(fā)展方向，諸多云端服務(wù)也被業(yè)界證實能夠與云原生架構(gòu)充分融合并帶來使用性能的提升。AR

8、M架構(gòu)X86架構(gòu)虛擬化（云服務(wù)器）應(yīng)用服務(wù)物理機容器引擎云服務(wù)器應(yīng)用管理ServerlessDevOps微服務(wù)監(jiān)控 管理應(yīng)用測試 應(yīng)用部署 版本控制發(fā)布管理 訂購管理 升級管理鏡像倉庫 鏡像打包 流水線微服務(wù)架構(gòu) 微服務(wù)治理 灰度發(fā)布系統(tǒng) 監(jiān)控 系統(tǒng) 日志 告警 管理資源調(diào)度自動化部署負(fù)載均衡彈性伸縮API管 理集群管理安全策略服務(wù)管理容器管理容器云計算平臺一般系統(tǒng)架構(gòu)及容器云的主要優(yōu)勢容器云的主要優(yōu)勢來源：中國信通院（2021），研究院根據(jù)公開資料研究及繪制。10 人工智能與云服務(wù)伴隨大數(shù)據(jù)的爆發(fā)、AI應(yīng)用在各場景不斷滲透和云計算 的普及，基于分布式計算架構(gòu)進(jìn)行人工智能模型訓(xùn)練和 應(yīng)用部署既

9、存在客觀需求，也具備了技術(shù)條件。分布式計算概念 集中計算概念屏蔽異構(gòu)環(huán)境輕量化運行橫向擴展高顆粒度開發(fā)應(yīng)用&平臺分離Serverless微服務(wù)DevOps容器化云原生組件云原生融合分布式計算性能更具優(yōu)勢，應(yīng)用前景廣闊伴隨著數(shù)據(jù)量的大爆發(fā)和數(shù)據(jù)應(yīng)用的豐富，傳統(tǒng)的集中式計算架構(gòu)已無法支撐超大規(guī)模的數(shù)據(jù)處理需求，現(xiàn)今AI應(yīng)用主要 部署在以分布式為基礎(chǔ)的云平臺之上，AI模型開發(fā)以及應(yīng)用事實上也是以分布式計算為基礎(chǔ)。分布式計算通過將數(shù)據(jù)負(fù)載 分配到不同的終端進(jìn)行統(tǒng)籌處理，以異步、并行、多線程的方式提高計算效率，同時，分布式系統(tǒng)的復(fù)雜化帶來了環(huán)境一 致性下降、可用性不足、容錯能力降低等問題，對于復(fù)雜的模型

10、訓(xùn)練和超大規(guī)模的應(yīng)用部署尤其突出。作為云計算未來的 總體發(fā)展趨勢，云原生自誕生之始就以輕量的模塊組合以及分布統(tǒng)籌為核心理念，其性能優(yōu)勢可以幫助使用者應(yīng)對分布式 計算架構(gòu)帶來的諸多問題，從而為云原生與人工智能的融合提供了廣闊的應(yīng)用前景。分布式計算系統(tǒng)架構(gòu)帶來的一般性問題&云原生潛在性能優(yōu)勢CAP“不可能三角”環(huán)境一致性C下降應(yīng)用可用性A不足分區(qū)容錯性P需求編程協(xié)作摩擦安全性挑戰(zhàn)災(zāi)備需求運維復(fù)雜度提高相較于傳統(tǒng)模式，分布式計算帶來了計算能力整體的提升，但系統(tǒng) 復(fù)雜度隨之增加，帶來包括CAP難題在內(nèi)的一系列負(fù)面影響，而云 原生理念不僅與分布式概念天然契合，其應(yīng)用架構(gòu)和性能恰在一定 程度上為分布式帶來

11、的問題提供了解決方案，二者相輔相成。11 16云原生AI開發(fā)平臺云原生AI開發(fā)平臺以云原生容器服務(wù)為基礎(chǔ)架構(gòu)調(diào)用云資源，配合大數(shù)據(jù)計算、人 工智能計算以及分布式計算框架，服務(wù)于企業(yè)的數(shù)據(jù)分析、模型訓(xùn)練以及AI應(yīng)用部 署需求。借助容器、微服務(wù)、無服務(wù)器等云原生優(yōu)勢，企業(yè)和開發(fā)者得以在IT成本 優(yōu)化的條件下實現(xiàn)AI算法高效訓(xùn)練、應(yīng)用敏捷開發(fā)、程序靈活部署和全生命周期管 理。云原生AI開發(fā)平臺架構(gòu)以云原生的敏捷高效賦能人工智能應(yīng)用開發(fā)與部署云原生AI開發(fā)平臺以云計算為基礎(chǔ)，因為考慮到信息安全和數(shù)據(jù)隱秘性，該類項目在實踐中通常以私有化部署和專有化部 署的云服務(wù)器為基礎(chǔ)，通過容器組件進(jìn)行IT資源的調(diào)用，

12、以微服務(wù)架構(gòu)指導(dǎo)應(yīng)用設(shè)計和開發(fā)，并配置分布式、大數(shù)據(jù)和人 工智能計算框架作為底層計算平臺。云原生AI開發(fā)平臺內(nèi)置數(shù)據(jù)智能標(biāo)注、智能模型開發(fā)、API開放平臺管理以及云原生 應(yīng)用部署等功能模塊，輔以包括數(shù)據(jù)挖掘、網(wǎng)絡(luò)安全等在內(nèi)的數(shù)據(jù)資源管理系統(tǒng)，幫助企業(yè)敏捷、高效、安全地利用數(shù)據(jù) 進(jìn)行人工智能應(yīng)用開發(fā)，并在應(yīng)用部署過程中實現(xiàn)成本優(yōu)化和靈活的版本控制。云原生AI開發(fā)平臺產(chǎn)品和服務(wù)架構(gòu)行業(yè)應(yīng)用場景人工智能機器 學(xué)習(xí)平臺云計算-云原 生基礎(chǔ)設(shè)施基礎(chǔ)硬件（CPU/GPU/FPGA/NPU）及網(wǎng)絡(luò)通信設(shè)施云原生分布式人工智能開發(fā)平臺機器學(xué)習(xí)框架（TensorFlow/PyTorch/Caffe/Alink

13、etc） 云計算虛擬化平臺分布式計算框架云原生容器服務(wù)大數(shù)據(jù)計算引擎數(shù)據(jù)挖掘和清洗高性能數(shù)據(jù)存儲基于知識圖譜的數(shù) 據(jù)資產(chǎn)盤點智能搜索與查詢可交互數(shù)據(jù)可視化監(jiān)控全鏈路數(shù)據(jù)使 用， 保障數(shù)據(jù)信息 安全數(shù)據(jù)資產(chǎn)ROI評估數(shù)據(jù)資源管理面向金融、安防、互聯(lián)網(wǎng)、醫(yī)療等的行業(yè)的AI SaaS服務(wù)模型編輯器大數(shù)據(jù)建模組件行業(yè)場景化模板可視化拖拽模型 構(gòu)建組件模型倉庫兼容AI框架兼容大數(shù)據(jù)引擎模型開發(fā)和管理圖像、視頻、文本、語音標(biāo)注多場景模板：圖 像檢測、分割、 綜合標(biāo)注數(shù)據(jù)集管理主動學(xué)習(xí)智能預(yù)標(biāo)注數(shù)據(jù)智能標(biāo)注API開放平臺API網(wǎng)關(guān)API插件API編譯器行業(yè)及場景化API應(yīng)用模板API后臺管理云原生部署 17

14、藍(lán)綠部署灰度發(fā)布A/B測試云基礎(chǔ)資源彈 性伸縮模型部署優(yōu)化AIOps/DevO ps高效運維相關(guān)應(yīng)用圖譜注釋：本圖譜企業(yè)排名不分先后。云計算基礎(chǔ)設(shè)施AI&大數(shù)據(jù)計算框架容器引擎容器編排云原生應(yīng)用部署OAM智能模型效率化生產(chǎn)AI StationBrain+深泉先知AI 云TempoAI云原生AI開發(fā)平臺BMLPAIOpen Data HubModelArtsTISageMaker云原生AI開發(fā)平臺相關(guān)應(yīng)用圖譜 18核心技術(shù)優(yōu)勢資源靈活運用，模型敏捷開發(fā)，應(yīng)用高效部署我們著眼于企業(yè)在云上進(jìn)行AI開發(fā)的各個主要環(huán)節(jié)，可以發(fā)現(xiàn)這一過程也符合著名的“2-8法則”，在AI應(yīng)用中模型設(shè)計和 算法精度才是決定

15、其應(yīng)用價值的核心關(guān)鍵，但企業(yè)和開發(fā)者實際上將大部分的時間和精力投入了平臺搭建、系統(tǒng)調(diào)試、團(tuán) 隊磨合、監(jiān)控運維等“非核心”的工作中，云原生與AI開發(fā)平臺的結(jié)合幫助開發(fā)者減少對基礎(chǔ)IT資源的關(guān)注，并通過底層 技術(shù)復(fù)用、開發(fā)流程可視化等方式提高開發(fā)效率，因而在IT基礎(chǔ)設(shè)施調(diào)用、模型編寫和測試優(yōu)化、模型和應(yīng)用封裝、應(yīng)用 交付及運維等領(lǐng)域更具備成本效率優(yōu)勢。企業(yè)應(yīng)用云原生AI開發(fā)平臺的優(yōu)勢與價值鏡像倉庫模型測試優(yōu)化敏捷化模型編寫IT基礎(chǔ)設(shè)施調(diào)用運行維護(hù)容器鏡像用于保存程序代碼及運行環(huán)境，與人工智能算法融合用于封裝AI算 法和應(yīng)用，便于模型的部署交付以及版本更迭，也便于通過云原生技術(shù)社區(qū) 進(jìn)行交流學(xué)習(xí)通過

16、藍(lán)綠部署、灰度發(fā)布等功能，云原生組件幫助企業(yè)在進(jìn)行人工智能應(yīng)用 發(fā)布時更加靈活和敏捷，幫助企業(yè)在時刻變化的市場環(huán)境中快速應(yīng)對，縮短 應(yīng)對的窗口期由于數(shù)據(jù)資產(chǎn)的隱私性，實踐中AI開發(fā)平臺多以公有/私有化部署結(jié)合的形式存在，容器及容器編排組件能幫助企業(yè)更高效地利用各類基礎(chǔ)設(shè)施性能結(jié)合Serverless無服務(wù)器架構(gòu)，能夠免去企業(yè)開發(fā)者用于配置平臺的繁瑣工作，提升企業(yè)創(chuàng)造力人工智能開發(fā)框架為開發(fā)者提供可視化、可拖拽的編程模型，使開發(fā)者能夠 實時對模型運行過程進(jìn)行把握，提高模型質(zhì)量，節(jié)約開發(fā)時間微服務(wù)架構(gòu)配合DevOps開發(fā)工具，使得開發(fā)團(tuán)隊能以敏捷的方式進(jìn)行復(fù)雜人工智能應(yīng)用的協(xié)同開發(fā)，提升企業(yè)IT效

17、率和市場競爭力人工智能模型訓(xùn)練需要對模型進(jìn)行反復(fù)運行、評估、修正，通過pipeline等 云原生帶來的自動化流程組件，能夠提高參數(shù)選擇、超參調(diào)優(yōu)等過程的自動 化水平，提升模型產(chǎn)出速度隨著數(shù)據(jù)量的增大和應(yīng)用規(guī)模的橫向拓展，人工智能在運行過程中易遇 成本高、可用性不足等問題隨著系統(tǒng)的復(fù)雜化，各類系統(tǒng)故障也易發(fā)生，通過日志分析、云原生智能運維等，能夠更快定位問題，快速恢復(fù)服務(wù)8020人工智能應(yīng)用開發(fā)也 遵循普遍的“ 2-8法 則”，通常認(rèn)為最有 價值的部分是模型設(shè) 計及算法精度，但實 際工作中大量的成本 被用于平臺搭建、系 統(tǒng)調(diào)試等，云原生組 件在這一領(lǐng)域幫助企 業(yè)和開發(fā)者節(jié)省大量 的時間和精力。發(fā)

18、布/交付 19核心技術(shù)優(yōu)勢：模型敏捷開發(fā)多種開發(fā)模式，賦能人工智能低門檻、高效能開發(fā)云原生AI開發(fā)平臺配備多種人工智能模型開發(fā)模式，其中較為典型的是可視化建模和編程式建模。前者利用JavaScript腳 本等組件對算法進(jìn)行封裝，使得用戶能夠通過拖拽等圖型界面進(jìn)行模型開發(fā)，幫助對編程語言不熟悉的甲方企業(yè)的開發(fā)者 乃至業(yè)務(wù)部門進(jìn)行定制化開發(fā)；另一方面，編程式建模一般基于Tensorflow、PyTorch、Caffe等AI開發(fā)框架，利用 Python等通用編程語言進(jìn)行模型開發(fā)，由于上述開源框架普遍具備完備的功能，能夠賦予開發(fā)者更多的開發(fā)選項和進(jìn)行 編程優(yōu)化的空間。云原生組件如容器和微服務(wù)框架也能夠

19、從底層架構(gòu)方面對編程、測試等過程進(jìn)行支持，進(jìn)一步提升開發(fā) 者的開發(fā)效率?？梢暬?編程式建模為開發(fā)者提供多種AI開發(fā)方式可視化建模視圖編程式建模視圖Worker:replicas: 3 restartPolicy: OnFailure template:metadata: annotations:sidecar.istio.io/inject:falsespec:containers:name: tensorflow image: gcr.io/your-image command:python-mtrainer.task-batch_size=32-training_steps=1000利用J

20、avaScript腳本等組件對算法和計算過程進(jìn)行 封裝，讓使用者能夠通過圖型界面進(jìn)行人工智能算 法的開發(fā)降低了AI開發(fā)門檻，提升了模型編寫效率尤其適合甲方企業(yè)內(nèi)部、對AI開發(fā)框架熟悉度較低 的開發(fā)者乃至業(yè)務(wù)人員通過軟件開發(fā)者熟悉的Python等通用編程語言進(jìn)行 人工智能模型的開發(fā)，融合Tensorflow、PyTorch、 Caffe等人工智能開發(fā)框架等能夠調(diào)用人工智能開發(fā)框架成熟的底層能力，擁有 相對完備的功能和更高的自主性更適合有編程以及人工智能開發(fā)經(jīng)驗的熟練開發(fā)者來源：Kubeflow，研究院根據(jù)公開資料研究及繪制。20 23云原生 AI 開發(fā)場景與實踐目錄互聯(lián)網(wǎng)娛樂場景的AI需求分析A

21、I提升用戶體驗，并幫助企業(yè)實現(xiàn)精準(zhǔn)營銷互聯(lián)網(wǎng)娛樂行業(yè)的成長植根于各類前沿IT技術(shù)，其產(chǎn)品服務(wù)和商業(yè)模式的演進(jìn)與IT技術(shù)的發(fā)展緊密相關(guān)。近年來隨著人工 智能技術(shù)的進(jìn)步，互聯(lián)網(wǎng)娛樂產(chǎn)品的形式和內(nèi)容也在不斷迎來創(chuàng)新，互聯(lián)網(wǎng)企業(yè)運用各類智能組件為用戶帶來了更強的沉 浸感、交互感和趣味性，同時也利用用戶畫像和智能營銷系統(tǒng)充實客戶群體、提高用戶粘性?？偟膩碚f，人工智能在互聯(lián) 網(wǎng)娛樂領(lǐng)域的應(yīng)用非常廣泛，同時，互娛企業(yè)在應(yīng)用人工智能的同時也面臨著設(shè)備、用戶體驗、推薦模型精度等方面的不 足，仍有較大的改進(jìn)空間。人工智能在互聯(lián)網(wǎng)娛樂場景的應(yīng)用需求和難點智能特效低時延交互 畫質(zhì)重塑 音質(zhì)優(yōu)化美顏/濾鏡高并發(fā)訪問自動

22、標(biāo)簽 視頻摘要影視+直播領(lǐng)域智能音效風(fēng)格識別 智能創(chuàng)作 外語轉(zhuǎn)譯真人K歌平滑切換聽歌識曲 音樂鑒權(quán)防沉迷系統(tǒng)低時延交互AR/VR操作評估反作弊系統(tǒng)高并發(fā)訪問動作捕捉 機器人玩家用戶畫像個性化推薦 內(nèi)容分發(fā) 智能運維關(guān)聯(lián)交友語音交互負(fù)載均衡 智能客服通用互聯(lián)網(wǎng)娛樂主要場景中的AI應(yīng)用需求音樂領(lǐng)域游戲領(lǐng)域互聯(lián)網(wǎng)娛樂場景中的AI應(yīng)用難點包括互聯(lián)網(wǎng)廠商的服務(wù)器、網(wǎng)絡(luò) 設(shè)基礎(chǔ)設(shè)施、用戶使用的終端在內(nèi) 備設(shè)備本身的性能限制了包括AI在 內(nèi)的應(yīng)用的性能，對于游戲、超高清視頻應(yīng)用尤其如此。無論是直播互動、音視頻增強還是機，體器人玩家，在互娛場景，AI應(yīng)用始終 驗需要關(guān)注的是用戶體驗，目前許多領(lǐng) 域的AI應(yīng)用仿

23、真度、實時性等并不能讓用戶完全滿意，還有很大提升空間?；ヂ?lián)網(wǎng)娛樂行業(yè)對流量邏輯有著 精較強依賴，利用AI進(jìn)行精準(zhǔn)用戶 度畫像和智能營銷已成為企業(yè)重要 的獲客手段，然而目前這一領(lǐng)域的算法精度還有待提高。24 互聯(lián)網(wǎng)娛樂場景應(yīng)用案例：南瓜電影智能推薦助力打造私人定制影院，提升差異化服務(wù)體驗?zāi)瞎想娪笆菍Ｗ⒂谟耙暰坊\營的垂直類視頻產(chǎn)品，通過移動互聯(lián)網(wǎng)、OTT等客戶端提供精品化、差異化的內(nèi)容運營 服務(wù)。隨著互聯(lián)網(wǎng)娛樂行業(yè)對用戶時間和關(guān)注度的持續(xù)爭奪，通過智能算法對用戶進(jìn)行精準(zhǔn)畫像并提供內(nèi)容推薦成為行 業(yè)趨勢，但在實踐中存在推薦精度不足、算法參數(shù)復(fù)雜等問題?；诎⒗镌频闹悄芡扑]方案為南瓜電影APP提供

24、了“南 瓜為你推薦”、“根據(jù)您看過的XX推薦”、“類似影視”板塊的推薦服務(wù)，結(jié)合電影語義分析、內(nèi)容關(guān)聯(lián)以及用戶 行為分析，融合多目標(biāo)優(yōu)化，包括停留時長、點擊率、消費等指標(biāo)，可根據(jù)不同用戶的習(xí)慣智能生成用戶畫像、結(jié)合用 戶長短期興趣喜好進(jìn)行個性化推薦。南瓜電影阿里云：長/短視頻智能推薦服務(wù)業(yè)務(wù)難點長視頻推薦需兼顧多目標(biāo)：電影、連續(xù)劇作推薦具備時長、集數(shù)等概念，需要兼顧點擊率、停留時長、播放數(shù)量等目標(biāo)和 參數(shù)推薦精準(zhǔn)度要求高：需要結(jié)合電影的素材、主題、核心內(nèi)容、片段內(nèi)容等包含語義理解、深 度解讀等特征來豐富物料畫像曝光過濾設(shè)置：有時用戶缺少 完整的時間段來完成一次長視 頻觀看，平臺需考慮用戶的重

25、復(fù)觸達(dá)需求，設(shè)置合理的曝光 過濾時間長短視頻的多樣性結(jié)合：短視 頻板塊將電影中的精彩畫面集 中呈現(xiàn)，為用戶帶來獨特的觀 影體驗，推薦需要根據(jù)用戶的 需求、習(xí)慣，融合不同視頻類 型的特點、目標(biāo)，多方位激發(fā) 用戶興趣，增強用戶粘性，增 加用戶停留時長解決方案&產(chǎn)品價值豐富的電影標(biāo)簽：結(jié)合電影題材介紹、影評等內(nèi)容，通過語義分析和自動打 標(biāo)來豐富電影標(biāo)簽，并通過專業(yè)的運 營、剪輯團(tuán)隊，將這些標(biāo)簽作為物料 的重要特征輸入到推薦系統(tǒng)中，提高 推薦的精準(zhǔn)度時間因素分析：經(jīng)試驗分析，計算出 將曝光過濾時間設(shè)為3天較合理。對 于用戶群體而言，可將內(nèi)容適當(dāng)重復(fù) 觸達(dá)，達(dá)到提升推薦效果的作用打造短視頻專區(qū)：南瓜電影

26、為用戶打造了電影片段（短視頻）的推薦專區(qū)，既能為用戶的碎片時間提供別致的觀 影體驗，又能將電影精彩片段快捷呈 現(xiàn)，引導(dǎo)一次完整的觀影行為用戶習(xí)慣全方位打通：通過長短視頻 的智能算法接入，將用戶的興趣全方 位打通，根據(jù)用戶習(xí)慣，喜歡觀看的 電影題材，實現(xiàn)進(jìn)一步的精準(zhǔn)推薦。 同時，兼顧推薦電影的多樣性，讓用 戶擁有新發(fā)現(xiàn)，促進(jìn)觀看時長的增加阿里云智能推薦產(chǎn)品架構(gòu)推薦模型和處理開發(fā)自有數(shù)據(jù)庫數(shù)據(jù)實時召回業(yè)務(wù) 邏輯 處理單目標(biāo) 預(yù)測算法 實驗 與 效果 監(jiān)控處理歷史召回及 清洗多目標(biāo) 預(yù)測冷啟動實時計算離線計算在線計算開發(fā)者運營需求用戶類數(shù)據(jù)物品類數(shù)據(jù)行為類數(shù)據(jù)業(yè)務(wù)配置開發(fā)者業(yè)務(wù)控制中心行業(yè)場景數(shù)據(jù)管

27、理高級配置25 金融場景的AI需求分析AI貫穿金融機構(gòu)運營多個流程，提升機構(gòu)經(jīng)營質(zhì)量金融行業(yè)的運行無處不與數(shù)字打交道，這一特性決定了金融業(yè)務(wù)與大數(shù)據(jù)和人工智能應(yīng)用有著天然的契合性，加之金融機 構(gòu)普遍資金充足、信息化水平相對較高，因此對人工智能的投入度較高，與IT企業(yè)的合作開發(fā)也較多。具體來看，人工智 能在金融機構(gòu)的營銷決策、智能門店建設(shè)、在線服務(wù)、風(fēng)控合規(guī)等領(lǐng)域都有較多的應(yīng)用，與低代碼、RPA等效率工具配合， 能夠替代金融機構(gòu)員工完成大量重復(fù)性高且復(fù)雜的工作，提升機構(gòu)運營的效率，并避免人工操作帶來的疏漏。另一方面， 金融機構(gòu)客戶群體較大，需要實時處理海量數(shù)據(jù)，且金融服務(wù)對交易數(shù)據(jù)實時性和同步要

28、求超過其他任何行業(yè)，更需要人 工智能在滿足客戶和機構(gòu)需求的同時不能夠?qū)ο到y(tǒng)性能造成顯著影響。金融業(yè)務(wù)場景放中的AI開發(fā)需求與難點應(yīng)用難點營銷運營客戶畫像精準(zhǔn)營銷資金追蹤量化投資產(chǎn)品推薦信用評級資本充足監(jiān)控智能門店網(wǎng)點布局證件識別語音交互人臉識別安防攝像智能門鎖機器大堂經(jīng)理遠(yuǎn)程服務(wù)風(fēng)險偏好評估智能客服身份認(rèn)證智能理賠智能投顧圖文識別保險認(rèn)定風(fēng)控合規(guī)身份認(rèn)證反洗錢違約風(fēng)險欺詐風(fēng)險逾期風(fēng)險智能預(yù)警政策文本分析海量數(shù)據(jù)超低時延數(shù)據(jù)時效性異構(gòu)性系統(tǒng)環(huán)境差機構(gòu)復(fù)雜市場噪音隱私保護(hù)26 金融場景解決方案：金融量化科學(xué)集成科學(xué)計算引擎Mars，高效利用計算資源賦能業(yè)務(wù)量化金融是大數(shù)據(jù)時代金融行業(yè)的發(fā)展方向之一

29、，金融量化科學(xué)計算大量依賴NumPy、pandas等庫來處理數(shù)據(jù)，這些工 具運用符合直覺的處理方式來分析數(shù)據(jù)和提煉有用信息，然而，金融量化數(shù)據(jù)具備數(shù)據(jù)計算量大、性能要求高、開發(fā)資源 不夠集中等特點。阿里云自研的科學(xué)計算引擎Mars與NumPy和pandas API兼容，能夠利用分布式和GPU硬件提升計算框 架的性能，并與PAI-DSW深度集成，使得用戶能夠在PAI-DSW中直接使用Mars。用戶通過阿里云PAI進(jìn)行金融量化計算， 能夠充分實現(xiàn)計算環(huán)境容器化、計算資源彈性化、離線任務(wù)工程化，幫助解決環(huán)境管理困難、資源分配復(fù)雜、策略回測難 度大等量化計算的關(guān)鍵問題。阿里云：金融量化科學(xué)計算方案開發(fā)

30、者離線數(shù)倉MaxCompute文件存儲NAS對象存儲OSS日志存儲SLS業(yè)務(wù)數(shù)據(jù)庫SQL/NoSQLPAI-DSW云原生交互式建模ACR容器鏡像服務(wù)PAI-DLC云原生AI基礎(chǔ)平臺DataWroks調(diào)度中心PAI-EAS模型在線服務(wù)業(yè)務(wù)場景數(shù)據(jù)讀寫數(shù)據(jù)讀寫推送鏡像提交 離線任務(wù)提交定時調(diào)度提交定時調(diào)度定時調(diào)度模型服務(wù) 調(diào)用拉取鏡像場景及方案介紹：金融量化數(shù)據(jù)在大規(guī)模計算上常 常遇到性能瓶頸。PAI平臺金融 量化科學(xué)技術(shù)實踐為客戶帶來基 于 PAI-DSW 、 Mars 和 PAI- EFLOPS進(jìn)行大規(guī)?？茖W(xué)計算的 加速方案27 解決問題：環(huán)境管理困難本地化自建策略研發(fā)平臺容易導(dǎo) 致環(huán)境不一致

31、資源分配復(fù)雜任務(wù)資源分配不均導(dǎo)致資源搶占策略回測麻煩數(shù)據(jù)量大、算法版本不一致導(dǎo)致 策略測試?yán)щy自動駕駛場景的AI需求分析AI為實現(xiàn)自動駕駛的核心技術(shù)，準(zhǔn)度和性能要求極高在智能化、網(wǎng)聯(lián)化、電動化、共享化的背景下，自動駕駛成為智能網(wǎng)聯(lián)汽車行業(yè)發(fā)展的重點，也成為了下一代汽車企業(yè)轉(zhuǎn) 型升級的技術(shù)高地。自動駕駛對算力、實時性、安全性等系統(tǒng)性能的要求極高，且自動駕駛的工作環(huán)境復(fù)雜多變又涉及公 共交通安全，要求計算機在極短時間做出正確的判斷，因此需要以強大的算力、算法和數(shù)據(jù)傳輸能力作為支撐。在自動駕 駛實現(xiàn)過程中，人工智能算法承接傳感器接收的實時信息并進(jìn)行數(shù)字化處理和分析，經(jīng)過決策算法對周圍環(huán)境進(jìn)行的判斷

32、和預(yù)測，并對駕駛操作進(jìn)行調(diào)整。自動駕駛場景中的人工智能應(yīng)用需求及難點計算處理決策規(guī)劃控制網(wǎng)絡(luò)通信安全模組感知車身控制動力控制雷達(dá)攝像頭其他傳感器自動駕駛?cè)斯ぶ悄苡嬎憧刂破脚_控制算法感知算法決策算法目標(biāo)檢測與識別來源：2018-2019年中國自動駕駛產(chǎn)業(yè)發(fā)展藍(lán)皮書，研究院根據(jù)公開資料研究及繪制。28 目標(biāo)跟蹤傳感器融合感知算法負(fù)責(zé)綜合各傳感器的反饋內(nèi)容確 定數(shù)字圖像中物體的類別和位置，并對后 續(xù)幀中的目標(biāo)的大小和位置進(jìn)行預(yù)測決策算法基于感知層提供的信息 預(yù)測道路、行人、車輛情況的變 化，做出進(jìn)一步的駕駛決策避障路徑規(guī)劃行為規(guī)劃車輛操控系統(tǒng)通過總線與決策系統(tǒng) 相連接，并按照決策系統(tǒng)發(fā)出的總 線指令

33、精確地控制加速程度、制動 程度及轉(zhuǎn)向幅度等駕駛動作在實際應(yīng)用中的道路、行人、汽車狀況紛繁復(fù)雜，計算機需要在極短的時間內(nèi)處理海量異構(gòu)數(shù)據(jù)并以超低時延的方 式傳達(dá)給汽車控制終端，從而對網(wǎng)絡(luò)、算力和算法都提出了極高要求。同時，自動駕駛過程所涉深度學(xué)習(xí)模型復(fù)雜， 模型可見度低，在出錯后難以進(jìn)行溯源和改進(jìn)難點自動駕駛場景解決方案：數(shù)據(jù)訓(xùn)練融合AI開發(fā)、存儲及專網(wǎng)服務(wù)，提供高性能數(shù)據(jù)訓(xùn)練服務(wù)為了應(yīng)對復(fù)雜的自動駕駛實際環(huán)境，一方面需要后臺的自動駕駛算法盡可能做到精確，另一方面也需要人工智能應(yīng)用通過 高效的部署模式來提高運行效果，才能夠最大程度保障行車安全。阿里云自動駕駛解決方案以飛天AI加速工具PAI-DL

34、C為 核心，一方面借助網(wǎng)絡(luò)專線、對象存儲等功能收集行車數(shù)據(jù)進(jìn)行清洗標(biāo)注和模型訓(xùn)練，另一方面利用云原生工具進(jìn)行應(yīng)用 部署和任務(wù)分發(fā)，更好地調(diào)用GPU、裸金屬服務(wù)器、神龍等底層算力設(shè)施的能力。整體來看，該解決方案面向自動駕駛場 景中的諸多難點，全方位融合了AI開發(fā)、存儲及專網(wǎng)服務(wù)，打造一體化的數(shù)據(jù)服務(wù)能力。阿里云：自動駕駛數(shù)據(jù)云上訓(xùn)練解決方案數(shù)據(jù)采集清洗標(biāo)注模型訓(xùn)練模型部署與推理車載閃電立方阿里云ECC網(wǎng)絡(luò)專線1-10G專線用于采集數(shù)據(jù)上云無人車/車載設(shè)備數(shù)據(jù)源清洗標(biāo)注集群OSS對象存儲海量數(shù)據(jù)存儲/分發(fā)/歸檔飛天AI加速工具 PAI-DLCACK聚群管理&任務(wù)分發(fā)層GPU云服務(wù)器裸金屬實例神龍G

35、PU實例NAS/CPFS并行文件存儲50Gb/sRDMA50Gb/sRDMA自動駕駛數(shù)據(jù)訓(xùn)練方案應(yīng)用價值借助PAI平臺豐富的模型積累和友好的開發(fā)工具，提升模型訓(xùn)練效率，降低開發(fā)工作難度利用云原生架構(gòu)統(tǒng)籌諸多云基礎(chǔ)設(shè)施，提升計算效能和訓(xùn)練精準(zhǔn)度通過阿里云存儲、網(wǎng)絡(luò)等基礎(chǔ)設(shè)施提升數(shù)據(jù)運營效率、保障隱私數(shù)據(jù)安全，提升應(yīng)用穩(wěn)定性29 銷售 運營客戶畫像智能客服產(chǎn)品定價故障識別銷售策略AR看貨維修方案自動送貨銷售分析制造業(yè)場景AI需求分析通過高效自動化和智能決策，幫助企業(yè)實現(xiàn)降本增效以人工智能應(yīng)用賦能制造業(yè)發(fā)展是我國進(jìn)行制造業(yè)產(chǎn)業(yè)升級、建設(shè)工業(yè)互聯(lián)網(wǎng)平臺的關(guān)鍵。當(dāng)前人工智能主要通過三種模 式融入工業(yè)互聯(lián)

36、網(wǎng)：第一，將AI模型嵌入工業(yè)互聯(lián)網(wǎng)平臺層，提升平臺層數(shù)據(jù)分析能力；第二，提供工業(yè)AI軟件系統(tǒng)，并 通過云端部署形成工業(yè)互聯(lián)網(wǎng)SaaS層應(yīng)用；第三，提供工業(yè)互聯(lián)網(wǎng)框架下含軟件和邊緣側(cè)硬件的完整系統(tǒng)。具體到制造 企業(yè)的生產(chǎn)流程中，上述應(yīng)用廣泛融入企業(yè)從產(chǎn)品設(shè)計、供應(yīng)鏈管理到生產(chǎn)制造和銷售運營的各個環(huán)節(jié)，能夠通過提升自 動化和決策智能化水平為企業(yè)帶來降本增效價值。制造業(yè)場景中的人工智能應(yīng)用需求及難點生產(chǎn)制造電力控制質(zhì)量追蹤工業(yè)機器人員工管理數(shù)控流水線產(chǎn)品質(zhì)檢事故預(yù)警設(shè)備維護(hù)智能安防供應(yīng) 鏈管 理需求預(yù)測無人巡檢價格預(yù)測流水出貨自動駕駛貨物質(zhì)檢 事故預(yù)警自動堆垛 智能安防產(chǎn)品 設(shè)計需求分析產(chǎn)品策略文字

37、識別圖片識別智能繪圖30 、，效能人工智能幫助制造業(yè)企業(yè)提升 自動化程度和數(shù)字化程度，更 好地利用數(shù)據(jù)實現(xiàn)企業(yè)經(jīng)營的 降本增效應(yīng)用難點IT基礎(chǔ)差：企業(yè)尤其是工廠 往往地處較偏遠(yuǎn)位置，網(wǎng)絡(luò) 算力等基礎(chǔ)能力較差；部分 經(jīng)過早期數(shù)字化升級的工廠 采用的數(shù)據(jù)標(biāo)準(zhǔn)、通信協(xié)議 不統(tǒng)一，造成數(shù)據(jù)孤島問題 需進(jìn)行改造AI成本較高：制造業(yè)人工智 能應(yīng)用需要較多的傳感器、 機器人硬件設(shè)備作為基礎(chǔ)， 后期的算法開發(fā)、運維成本 也相對較高工控要求高：對于部分高精 制造類應(yīng)用，要求IT系統(tǒng)提 供超低時延、超高精度的識 別和控制性能制造場景解決方案：線路安全檢測智能監(jiān)控高壓線路狀況，降低生產(chǎn)安全隱患在制造場景的諸多人工智

38、能應(yīng)用中，電源線路檢查屬于最基本的需求之一，不僅關(guān)系到最核心的人身和財產(chǎn)安全性問題， 在生產(chǎn)場景中的部署密度也較高。一般而言，生產(chǎn)場景中的電源線路可能面臨的安全隱患包括線路自然老化、交通工具擦 刮、異物附著、煙火點燃、其他施工機械接觸等，上述隱患通過人工檢查不僅工作繁雜，在實踐中更難以面面俱到。阿里 云高壓線路安全檢測方案依托云原生機械學(xué)習(xí)平臺PAI，以計算機視覺為基礎(chǔ)，配合豐富的圖像數(shù)據(jù)庫和精準(zhǔn)的模型算法， 再輔以分布式部署的線上模型推斷服務(wù)，幫助制造企業(yè)以更高效、高精準(zhǔn)度和低成本的方式進(jìn)行線路檢查，保護(hù)企業(yè)的經(jīng) 營安全。阿里云：高壓線路安全生產(chǎn)檢測方案阿里云 云原生機器學(xué)習(xí)平臺PAI自定義

39、模型訓(xùn)練復(fù)用已有模型訓(xùn)練數(shù)據(jù)科學(xué)家/ 開發(fā)人員靈活的模型 訓(xùn)練方式線上模型服務(wù)部署模型檢測分類模型已標(biāo)注數(shù)據(jù)集圖像打標(biāo)Rest API調(diào)用OSS/NAS圖片源/庫計算機監(jiān)控31 人工智能線路安全檢查難點線路較長，途徑生產(chǎn)環(huán)境多變高壓線路可能面臨自然老化、交通 工具擦掛、異物附著、煙火點燃、 其他施工機械等安全隱患高壓線路如果發(fā)生意外，對人身和生產(chǎn)安全的危害極大，安全檢測能 力須達(dá)到極高要求解決方案綜述該解決方案結(jié)合物聯(lián)網(wǎng)設(shè)備采集和 系統(tǒng)圖庫進(jìn)行圖像打標(biāo)，依托阿里 云PAI豐富的模型訓(xùn)練框架進(jìn)行圖 像識別和決策判斷，并利用云原生 架構(gòu)進(jìn)行靈活的邊緣側(cè)應(yīng)用部署， 提高AI應(yīng)用的準(zhǔn)確性和速度其他場景

40、應(yīng)用案例：極光算法與IT基礎(chǔ)能力共同提升，顯著優(yōu)化關(guān)鍵業(yè)務(wù)ROI極光（Aurora Mobile）成立于2012年，專注于為開發(fā)者提供穩(wěn)定高效的消息推送、一鍵認(rèn)證以及流量變現(xiàn)等服務(wù)，助力 開發(fā)者的運營、增長與變現(xiàn)，在市場洞察、金融風(fēng)控與商業(yè)地理服務(wù)等場景中都有應(yīng)用。企業(yè)希望優(yōu)化基礎(chǔ)資源能力和算 法能力以提升消息推送效率，最終提升用戶粘性和活躍度。通過與阿里云PAI的合作，企業(yè)將FM模型轉(zhuǎn)化成DeepFM模型 并將線下的Angel模型轉(zhuǎn)化成PAI-TF，實現(xiàn)了算法模型指標(biāo)的提升；同時，企業(yè)利用線上的模型訓(xùn)練環(huán)境大幅增加了模型 訓(xùn)練的迭代次數(shù)，擺脫了此前線下IT基礎(chǔ)設(shè)施的限制，最終實現(xiàn)了AUC、上

41、線后點擊率等相關(guān)業(yè)務(wù)指標(biāo)的顯著提高。極光阿里云：通過PAI平臺實現(xiàn)推送效果提升政企客戶第三方App業(yè)務(wù)系統(tǒng)管理控制臺極光SDK短信&認(rèn)證設(shè)備接入設(shè)備影子設(shè)備管理設(shè)備日志JMlink（調(diào)用鏈）統(tǒng)計服務(wù)JIOT (IOT SAAS)數(shù)據(jù)服務(wù)營銷平臺SSP媒體服務(wù) 城市規(guī)劃 風(fēng)控建模研發(fā)管理缺陷跟蹤CI/CD版本管理運營監(jiān)控監(jiān)控大屏告警管理 調(diào)度切流調(diào)度系統(tǒng)日志系統(tǒng)大數(shù)據(jù)系統(tǒng)線下IDC公共云平臺TCPHTTPS開發(fā)者業(yè)務(wù)JPushJMessageJShare（推送）（IM）分享RestAPI解決方案企業(yè)需求為了幫助開發(fā)者增加其APP的用戶粘性、 提升活躍度、盡可能喚醒APP沉默用戶， 極光需要根據(jù)標(biāo)

42、簽來決定推送哪類App的 信息，所以需要用到CTR預(yù)估的相關(guān)推薦 技術(shù)?？蛻羰芟抻诰€下原有技術(shù)架構(gòu)，算 法模型，以及算力規(guī)模，期望借助云計算 廠商的能力提升ROI。解決方案與實施一期升級借助PAI-Studio幫助客戶從基 于機器學(xué)習(xí)FM模型升級到基于深度學(xué)習(xí) 的DeepFM，將線下的訓(xùn)練轉(zhuǎn)化為云上 的訓(xùn)練；二期升級將客戶的線下離線推理 也轉(zhuǎn)化成PAI-EAS在線推理，進(jìn)一步提升 應(yīng)用效能。32 行業(yè)趨勢綜述雛形期探索期驅(qū)動需求： 處于AI應(yīng) 用的初級階段， 更關(guān) 注算法層面的資源易 得性。算法庫開源框架規(guī)?；a(chǎn)初期驅(qū)動需求：企業(yè)不再滿足于 多渠道采購單點式工具資源 的方式，希望有滿足覆蓋數(shù)

43、 據(jù)治理、算法模型開發(fā)、算 力調(diào)用等的一站式、全流程 效率化生產(chǎn)工具。借助平臺化的開發(fā)工具集合， 突破算法訓(xùn)練、模型評估及部署等阻礙AI模型生產(chǎn)應(yīng)用 的瓶頸，幫助企業(yè)建立自身 的AI能力，實現(xiàn)AI能力的快 速迭代生產(chǎn)。專業(yè)化商用AI開發(fā)平臺產(chǎn)品易用性、綜合性不斷提升，幫助企業(yè)形成AI規(guī)模經(jīng)濟(jì)企業(yè)進(jìn)行人工智能應(yīng)用開發(fā)的核心資源大致經(jīng)歷了三個發(fā)展階段：在雛形期，應(yīng)用開發(fā)主要依靠開源模型或開發(fā)者自發(fā)分 享的代碼進(jìn)行；隨著AI技術(shù)發(fā)展和需求激增，開源框架陸續(xù)出現(xiàn)，助力開發(fā)人員快速生成及訓(xùn)練模型，開源框架也成為了 眾多AI開發(fā)平臺的基礎(chǔ)；后續(xù)AI產(chǎn)業(yè)化進(jìn)程加速，為滿足智能化轉(zhuǎn)型需求方對多層次資源的多樣性

44、需求，專業(yè)化的商用的 AI開發(fā)平臺出現(xiàn)，致力于為甲方提供一站式的AI模型生產(chǎn)服務(wù)。為了進(jìn)一步滿足企業(yè)運用人工智能過程中全方位的需求， AI開發(fā)平臺還將朝著易用性、專業(yè)化、綜合性、產(chǎn)用協(xié)同等方向發(fā)展，在這一過程中，在底層技術(shù)、IT資源、人才和經(jīng)驗 等方面具備優(yōu)勢的頭部平臺產(chǎn)品將能夠更好地協(xié)助企業(yè)形成人工智能應(yīng)用的規(guī)模經(jīng)濟(jì)。人工智能開發(fā)的核心資源演化以及未來發(fā)展趨勢易用性受到更多關(guān)注：隨著模型庫完善和獲取渠道34 的增加，企業(yè)用戶將更加關(guān)注人工智能在應(yīng)用層面 的便捷性和實用性，產(chǎn)品設(shè)計和包裝的重要性加強。垂直場景專業(yè)化加強：現(xiàn)階段人工智能算法和應(yīng)用 的通用性較強，由于缺乏行業(yè)實際經(jīng)驗和專業(yè)人才，

45、大多行業(yè)性應(yīng)用也僅僅是對通用模型進(jìn)行微調(diào)，未 來這一狀況有望得到改善。綜合性的人工智能服務(wù)平臺：企業(yè)需要的人工智能 服務(wù)與大數(shù)據(jù)服務(wù)、云計算服務(wù)等將越來越緊密融 合，綜合性的人工智能服務(wù)平臺將成為業(yè)界主流。產(chǎn)用協(xié)同的行業(yè)生態(tài)：人工智能的進(jìn)步將越來越多 地依靠用戶側(cè)的自主模型優(yōu)化和自適應(yīng)調(diào)整，在這 一過程中，開源社區(qū)和開放的AI交流平臺將發(fā)揮重 要作用。頭部平臺將凝聚AI生產(chǎn)力：綜合考慮包括人才和經(jīng) 驗積累、IT基礎(chǔ)資源、研發(fā)投入以及社區(qū)交互等因 素，結(jié)合全球AI產(chǎn)業(yè)經(jīng)驗，頭部人工智能平臺將為 企業(yè)在AI領(lǐng)域?qū)崿F(xiàn)規(guī)模效應(yīng)提供更強大助力。產(chǎn)品廣度（1/2）3數(shù)據(jù)應(yīng)用飛輪 以數(shù)據(jù)為核心的企業(yè) 運營，

46、形成產(chǎn)品創(chuàng)造數(shù)據(jù)、 數(shù)據(jù)打磨產(chǎn)品循環(huán)AI模型開發(fā)飛輪 數(shù)據(jù)價值挖掘，提升自 動化水平，實現(xiàn)業(yè)務(wù)創(chuàng)新商業(yè)數(shù)據(jù)智能飛輪1 經(jīng)營數(shù)據(jù)分析、賦能企業(yè)精準(zhǔn)決策數(shù)據(jù)資產(chǎn)查詢&搜索可視化智能標(biāo)注應(yīng)用創(chuàng)新敏捷封裝模型測試2AI敏捷開發(fā)35 大數(shù)據(jù)分析云原生發(fā)布生命周期管理AIOps/MLOps運營數(shù)據(jù)&報告以數(shù)據(jù)資產(chǎn)為核心，數(shù)據(jù)智能/模型開發(fā)/數(shù)據(jù)應(yīng)用緊密協(xié)同現(xiàn)今大數(shù)據(jù)產(chǎn)業(yè)在獨立的領(lǐng)域如數(shù)據(jù)庫、智能搜索、數(shù)據(jù)可視化及人工智能領(lǐng)域均實現(xiàn)了一定突破，應(yīng)用價值得到了普遍 的認(rèn)可。未來大數(shù)據(jù)相關(guān)產(chǎn)品將以數(shù)據(jù)資產(chǎn)為中心，實現(xiàn)進(jìn)一步整合和協(xié)同，最終形成商業(yè)數(shù)據(jù)智能、AI模型開發(fā)、數(shù)據(jù) 應(yīng)用三大飛輪，為企業(yè)的數(shù)字化運營提供

47、精準(zhǔn)決策、生產(chǎn)工具、經(jīng)營管理方面的支持。同時，三個飛輪所代表的業(yè)務(wù)體系 和流程將彼此融合、緊密關(guān)聯(lián)，對應(yīng)著一類鏈路更加復(fù)雜的工具，IT廠商或?qū)⒁袁F(xiàn)有的云原生AI開發(fā)平臺為基礎(chǔ)進(jìn)行服務(wù) 擴充和集成，而云原生組件則有望在這一高度集成的服務(wù)鏈中發(fā)揮服務(wù)編排作用。以數(shù)據(jù)為核心，融合AI與大數(shù)據(jù)分析的企業(yè)數(shù)據(jù)應(yīng)用飛輪精準(zhǔn)營銷產(chǎn)品廣度（2/2）DevOps和AIOps有望進(jìn)一步提升AI開發(fā)運維效率頭部云計算和人工智能廠商在不斷對包括人工智能在內(nèi)的數(shù)字化產(chǎn)品進(jìn)行豐富和升級，DevOps和AIOps/MLOps均有望與 當(dāng)前的云原生開發(fā)平臺進(jìn)行深度集成，進(jìn)一步提升企業(yè)進(jìn)行人工智能開發(fā)和應(yīng)用效率。其中，DevO

48、ps是云原生服務(wù)于軟 件開發(fā)的應(yīng)用流程，主要用于軟件的協(xié)作編程開發(fā)，目前和AI算法模型的編寫流程并不完全相通，但仍能用于模型封裝成 軟件應(yīng)用之后的開發(fā)流程。另一方面，AIOps/MLOps原本主要用于軟件上線部署后的運維，不僅能夠幫助甲方企業(yè)進(jìn)行復(fù) 雜AI應(yīng)用的監(jiān)測，從而提升客戶體驗，也能利用自動化流程來進(jìn)行模型效果的測試。目前AIOps不僅是國內(nèi)IT運維產(chǎn)業(yè)的 發(fā)展新方向，也有望成為云原生AI開發(fā)平臺優(yōu)先的集成方向。DevOps與AIOps與云原生AI開發(fā)平臺的協(xié)同DevOps云原生的主要概念之一適用于軟件編程開發(fā)通過流水線組件提供便捷的協(xié)同開發(fā)環(huán)境通過容器環(huán)境，讓開發(fā)者介入運維流程，打破開發(fā)-運維部門的壁壘，提升運維流程AIOps/MLO