• 應用

    技術

    物聯網世界 >> 物聯網新聞 >> 物聯網熱點新聞
    企業注冊個人注冊登錄

    中國企業軟件想成為世界級,核心不在于PaaS平臺,而在于人工智能

    2019-05-13 09:10 阿朱說
    關鍵詞:人工智能PaaS

    導讀:人工智能的出現,讓業務邏輯層開始發生翻天覆地變化。如何讓新技術從研究到研發逐環節培育轉移?如何讓新技術從原型到創新產品到核心產品逐層吸收應用?

    AI 人工智能,企業軟件,人工智能,PaaS

    圖片來自“123rf.com.cn”


    先來想想未來。

    未來的企業應用特征是社會化商業、網絡連接、數據智能

    未來的信息化場景是企業互聯網-產業互聯網-社會化商業

    未來的信息化產品體系是產業互聯網云服務、中臺與平臺、企業級云ERP

    未來的數字化場景是智能零售、智能倉儲物流運輸、智能車間、智能辦公、智能城市

    未來的數字化產品體系是智能硬件芯片、智能OS、IoT物聯網接入平臺、可視屏音箱助手

    未來的中臺與平臺:

    1.網絡連接:互聯網服務連接平臺、物聯網連接平臺、SaaS服務連接平臺、ERP集成平臺

    2.數據:數據中臺、大數據技術平臺

    3.智能:人工智能技術平臺、人工智能應用中臺

    未來的技術棧是:

    用戶交互層:傳感器、人工智能視覺識別/語音交互

    邏輯層:Open API Mesh、人工智能關聯推薦算法

    數據層:人工智能精準搜索/關系圖譜、區塊鏈

    未來商業模式:

    1.IT服務:云訂閱服務、智能硬件

    2.金融服務:大數據+AI驅動的金融信貸服務、大數據+AI驅動的金融科技服務(聚合支付服務、反欺詐服務、信用服務、實時風控服務)

    3.業務服務:大數據+AI驅動的:社會化財稅自動化服務、社會化用工調度服務、社會化營銷數字化服務、社會化供應鏈資源調度服務

    看,從客戶需求,到產品,到技術,到商業模式,全不一樣了。面對未來,不管是中國BAT互聯網公司,還是中國企業軟件公司,還是國外的企業軟件巨頭公司,還是實業企業的科技公司,大家全都同一個起跑線,全都懵逼探索,就看誰從研究、戰略合作、資本融資與投資并購、組織與人才、激勵多方組合,誰能做到:選準、做對、跑得快,誰就能贏得未來。

    01、筑底

    人工智能專業發展了60年,一共折翼兩次。一次是剛剛發展起來,想通用解決問題,太樂觀,當然折翼。一次是90年代,吸收了第一次的經驗教訓不搞通用了,專門做細分專業領域的專業系統,但太依賴專業領域知識加工,還是沒法做成商業。

    如何不強依賴專業領域知識呢?嘿嘿嘿,這就是這一次的發力重點:深度學習。這會對上層視覺識別、語音交互、自然語言處理三大應用領域都有加持助推效能。

    而在深度學習領域,Google收購的英國DeepMind公司在這塊有兩個重大突破:神經網絡(質量)、TransFormer(性能)。所以,各種CNN(卷積神經網絡)、MTCNN(多任務卷積神經網絡)、RNN(循環神經網絡)、DNN(深度神經網絡)、ResNet(深度殘差網絡)、LSTM(時間序列長短期記憶網絡)、GAN(生成式對抗網絡)。

    模型改進:大規模無監督模型GPT-2,并且結合了Attention機制,頗適合圖像生成質量優化。

    算法改進:如BERT算法,頗適合NLP訓練質量優化。

    當然,這些網絡結構、算法、模型、機制都已經被開源成深度學習平臺,這讓高深的人工智能走入普通IT公司:

    Google:Tensorflow/Koras

    Facebook:Caffe/Pytorch

    微軟:CNTK/DMTK

    AWS:MXNet

    OpenAI:Open AI(目前尚無完全開源)

    Apache:OpenNLP

    百度:PaddlePaddle

    Salesforce:TransmogrifAI

    除了在算法模型平臺層有開源外,在其他幾個方面也湊在了一起:

    算力芯片層:英偉達借助區塊鏈比特幣大風發展起來專用芯片GPU,也可用于人工智能。Google發布了TPU。

    算力資源層:AWS、Azure云計算廠商都提供了人工智能訓練所需的IaaS服務,正好適合人工智能訓練這種波峰波谷的工作。

    數據存儲層:AWS、Azure云計算廠商都提供了云分布式對象存儲服務、大數據存儲平臺、大數據計算平臺

    數據集層:4G、智能手機/高清攝像頭、照片相冊云盤這三樣的普及,讓圖像數據積累快速膨脹。

    所以說,這是學術界(算法模型)、工程界(開源)、云計算、智能手機移動互聯網四者疊加的效果。所以,為啥這次學術界的人紛紛加入產業界,就是因為這個原因,沒有數據沒有算力沒有應用場景,就沒法改進算法模型。

    02、開源

    開源是個好東西。

    我這里就是列了一些通用的、大面的。至于更詳細的,大家可以看:paperswithcode這個網站,浩如煙海的論文和代碼,你想要的都在這里。

    一、視覺

    OpenCV(Intel) DeepDream (Google)

    人臉識別:InSightFace

    物體檢測:Detectron(Facebook)

    二、語音

    語音到文字:wav2Letter(Facebook)

    語音識別:kaldi(約翰霍普金斯大)

    文字到語音:VoiceLoop(Facebook)、Merlin(英國愛丁堡大學)

    三、NLP

    搜索:Apache的Nutch、Luence、ElasticSearch

    關聯推薦:PredictionIO (Salesforce)  關聯推薦算法庫LibRec (中國東北大學)

    對話系統:如DeepPavlov(莫斯科物理學院)、ParlAI(Facebook)、Texar(卡耐基梅隆大學)

    通用NLP:Pytext(Facebook)、OpenNLP(Apache)、Spacy、AllenNLP、NLTK(賓夕法尼亞大學)、CoreNLP(斯坦福大學)、HaNLP(中國哈工大)、FastNLP(中國復旦大學)

    四、深度學習

    深度學習:Tensorflow/Koras(Google)、Coffe/Pytorch(Facebook)、微軟CNTK/DMTK、AWS的MXNet、百度的PaddlePaddle。Salesforce還針對Tensorflow出了一套簡化封裝的流水線TransmogrifAI

    增強學習:Dopamine(Google)

    五、機器學習/數據挖掘

    算法庫:Spark MLlib、Numpy、Pandas

    04、鴻溝

    最早我們寫應用,是UI、邏輯、數據一體化,如DBaseIII。

    后來出現了大型關系數據庫,我們才有了C/S結構,數據和應用分離。這是VB、PB、Delphi的輝煌時期。

    后來又有了組件、容器中間件,所以我們才有了三層結構:UI層、業務邏輯層、數據層三者物理分離,而且三個層使用的技術也都不一樣。尤其是出現了多端的時候,萬金油程序員終于頂不住了,開始分離出專門的前端程序員(Web/移動App/小程序)。在數據層也是對象存儲、SQL、NOSQL、數據倉庫、大數據計算平臺各種技術組合,就出現了數據層的專門程序員。反而業務邏輯層的技術變化并不大,編程語言也基本就是JAVA了。

    人工智能的出現,讓業務邏輯層開始發生翻天覆地變化。如何讓新技術從研究到研發逐環節培育轉移?如何讓新技術從原型到創新產品到核心產品逐層吸收應用?

    對于前沿技術,最佳的研發組織分工應該是:

    1. 戰略合作:云計算廠商合作、開源社區界合作、學術界合作。從云計算廠商來看,微軟Azure很牛,開源社區Google很牛,學術界看了看香港很牛,港大、香港理工大、香港科技大、香港中文大學、香港城市大學都是榜上有名的??磥聿季执鬄硡^很有必要。

    2. 科學家研究實驗室:戰略合作、論文閱讀理解、技術平臺選擇、原型算法原型模型原型應用快速突破驗證

    3. 技術平臺研發中心:人工智能技術平臺正式研發、與科學家研究實驗室合作開發技術算法模型、對人工智能應用平臺暴露簡化后的API

    4. 應用平臺研發中心:開發人工智能應用平臺、與應用雅畈中心合作開發應用算法模型、通過Open API平臺對外暴露簡化后的API

    5. 應用研發中心:微調節應用模型、調用Open API平臺的一個API就直接應用了人工智能能力

    6. 大客戶定制研發中心:微調節應用模型

    最佳的研發流程應該是:

    第一步 科學家研究實驗室(特種部隊尖刀連):搭建快而臟的原型,快速技術+應用驗證應用價值場景、技術使用性和技術成熟度,然后把成果轉移給創新產品研發中心

    第二步 創新產品研發中心:創新產品研發中心接到成果,當做最佳實踐案例進行產品分析,然后對新技術模塊、新產品模塊,按照產品管理流程與質量保證進行正式的微服務化設計(如可擴展、可定制、高性能、高可用、可實施、可運維)

    第三步 核心產品研發中心:在創新產品商業推廣一年后,核心產品研發中心對核心產品進行新技術的吸收與利用,升級核心產品


    75秒快3网址