开启辅助访问
 找回密码
 立即注册

AI中台如何搭建?

jone526379 回答数4 浏览数941
AI中台如何搭建?
yoyn
监管人员:
(1)监控屏幕多,工作强度大。巡查者需要实时监控多块屏幕,耗费自身的时间和精力且不间断一直工作。
(2)工作重复性高,长期坚持易疲惫效率低。需要巡查人员高频次的搜寻,容易产生疲劳感,长期坚持消磨工作热情。


企业老板:
(1)人工监测成本高。在正常施工作业的工厂中场地大,区域多,不仅需要大量的巡查工人且不间断巡视,而且也需要在监控屏幕面前检测,成本较高也会出现漏看疏忽的情况。
(2)传统监管系统效率低,出现问题难以实时反馈。传统的系统难以做到实时反馈,一旦出现危险很容易造成多方损失的局面。
(1)通过打通原有摄像头GB28181,RTSP协议等获取不同厂商的实时视频流,无需更换摄像头,摄像头利旧,汇总到Ai视频中台;
(2)通过系统即可针对不同区域的摄像头,完成不同的算法配置,操作人员无需算法能力,即可实现不同场景的监管全覆盖;且后续可以持续增加算法的种类和个数,灵活迭代。
(3)识别到危险动作,智能抓拍,系统自动储存,追溯方便,数据可视化,智能报表统计,支持每日数据分析。
1)工人知道摄像头可以智能化进行抓拍,安全作业意识得到了极大提高,安全违规问题发生率降低20%,年节省人工监管成本80w;
2)完成了所有摄像头的统一规整,后续可以只增加软件迭代,硬件部分可以直接利用原有摄像头,不用再做拆装,极大减少了后续的建设成本和便利。

我是老张,想要构建低成本高效的智慧仓库,就找我们,帮您轻松实现厂区智能化。
用PixPix生成超酷炫电视壁纸
回复 赞 踩
使用道具 举报
yxtianyouyou
后续文章以X度AI中台为例,介绍AI中台的产品架构、功能模块,以及实际如何应用AI平台赋能生产运营。

什么是AI中台?

AI中台覆盖从数据管理、数据标注、模型开发、部署上线到运营管理的AI能力研发与应用全生命周期建设和管理。

AI中台包含哪些模块?
AI中台是企业AI能力的生产、应用和集中化管理平台,AI中台包括智能数据、模型开发、模型中心、预测服务、AI集市和平台管理这几部分。
智能数据:提供样本数据采集、标注、清洗、加工等一站式数据服务。
模型开发:面向不同建模水平的人员提供Notebook建模(JupyterLab代码式开发环境)、可视化建模(拖拉拽组件方式)、AutoML自动化建模、作业式建模、生产线建模(场景化建模工作流,内置预训练模型)等灵活的建模方式、丰富的开发套件。
模型中心:提供对模型的统一纳管、转换和优化等能力,支持对平台自训练模型、第三方模型和镜像的管理。
服务中心:提供模型预测服务的统一接入、统一控管,支持在线预测、离线预测、端预测等多种服务部署形态,提供资源分配、调度、边缘服务管理和服务监控等能力;提供服务编排能力,加速企业智能化应用实施,通过将基础AI能力封装为通用场景服务,不同业务系统可以实现快速集成 。
AI集市:企业内的AI市场,支持样本数据、模型、服务等AI资产的发布与订阅,实现跨组织/跨平台的资产共享和交易,提升企业AI应用的协作效率,促进核心资产的共建和沉淀。
平台管理:提供组织用户及角色管理、权限审计、资源管理和调度、系统监控报警、日志管理等能力。满足平台建设内部管理要求,支持外部系统协同对接等IT管理诉求。
后续将分别对各功能模块展开介绍,欢迎关注讨论。
回复 赞 踩
使用道具 举报
egpfdgnwso
近年来,人工智能浪潮正在释放出巨大的创新能量。AI技术的加速演进,给各行各业、各类场景应用带来了颠覆性的变革。在全球数字经济飞速发展的时代背景下,行业数字化转型和智能化升级已经全面启动。
我们了解下AI中台如何在企业中落地?

一、我们先了解下AI在企业落地的痛点

企业中的业务都运行于大数据之上,大量的业务、财务、税务的沉淀数据都是处于待开发状态。在信息智能化转型时代,信息就是价值。如何使这些数据真正活动起来,得到有价值的信息,并创造额外的价值,是每个企业都非常关心的话题。比如根据历史数据,一方面可以分析生产经营状况,深度挖掘数据中的模式,清晰地发现销量变化趋势,以及受哪些数据维度影响最大;另一方面利用历史数据建模,可以对将来的业务、财务、税务状况进行评估和预测,及时进行战略调整。
小元元为大家整理一份关于“AI中台”的资料,供大家参考学习,元年方舟企业数字化PaaS平台解决方案。
大数据时代最活跃的消费者是人工智能(AI),AI可以赋能企业,对庞大的信息系统进行降维,提取其中最重要的结构化数据和要素矩阵。AI技术是这个时代普及最快的技术之一,企业都或多或少参与了AI能力的消费,但是只有积极参与AI的生产,才能从源头上抓住先机。

而AI的工作流非常复杂,并拥有一定的不确定性。面对海量的沉淀数据和庞杂的场景,如何从中发现知识,寻找隐藏在大数据中的特定模式、趋势和相关性(甚至因果性)以及其他可能的商业应用前景,都需要拥有更好的数据洞察,并对现实业务产生正向反馈。随着数据量的指数级增长,企业对高价值信息的模式发现和趋势判断都将变得越来越困难,由于缺乏清晰的实施路线图,企业往往无从下手,这主要受制于以下几个因素的影响:
技术门槛高
人工智能(AI)是一门结合计算机、统计学和认知科学等的跨学科技术,一方面需要技术人员有足够的数学知识来理解AI的算法;另一方面需要将人对业务和数据的理解,转化为人工智能的算法建模。处在数字化转型阶段,企业更加关注的是业务转型和场景优化,组织算法团队去解决技术问题的人力和技术成本非常高。
建模周期长
算法的实现过程,包含数据清洗、特征提取、特征编码、算法设计、算法开发、优化和部署等等,每一步都存在不确定性,会影响到模型的最终效果。而且还需要针对业务场景进行特定优化,业务或者算法团队内部经常会重复造轮子,不利于快速迭代,导致建模的成本高、时间长。
业务反应慢
从业务需求出发,从开始需求分析到最终算法建模完成,研发团队需要针对性开展数据分析处理、模型的构建训练等,过程复杂繁复,效率不高,且有可能错过决策的最佳窗口期,拖长了需求响应时间,从而造成业务的损失,特别是对时机比较敏感的行业,比如快消品生产零售行业。
零散需求多
企业的业务需求往往比较零散,需要AI能力的场景遍布横向的部门业务线和纵向的期间业务流水,实现、管理和迭代这些应用场景耗费大量人力和脑力,造成成本和资源的浪费。
模型黑盒化
众所周知人工智能的精度越高,模型越难解释,特别是深度学习算法,人们很难在黑盒化的模型中进行数据洞察以及做出业务决策,这是一个长期困扰企业业务人员和决策层的问题。企业从大数据中受益,也承担了模型难以理解的风险,最新的人工智能潮流就包含了模型的可解释性和信任方向的研究。
元年方舟AI中台的解决方案

以数据中台、技术中台、业务中台为代表的一系列技术,极大地增强了业务敏捷性,通过沉淀共享服务,提高复用率,打破“烟囱式”系统之间的协作,降低业务试错成本。企业专注于业务的快速创新能力,从而提升企业业务和技术的管理效能。
随着企业智能化发展的要求,AI应用参与业务的比例越来越高,但AI模型开发的周期长、不确定性高,严重影响了下游业务推进。而企业应用AI的目标通常是:根据业务数据和市场动态,对历史数据进行挖掘、分析和洞察,通过人工智能算法对数据进行降维并抽象出效率高、效果好的模型,从而对将来的业务进行预测、推演和决策。为此,元年算法团队推出了AI中台产品,可以全方位地为客户的业务优化进行AI赋能。


能否基于中台化思想对AI研发的数据、流程和模型成果进行高效的组织和管理?目前数据中台提供了贯通一致的数据管理,在未来,数据中台则更多基于数据和算法来进行科学决策,拥有为数据决策提供战略洞察的能力。为满足业务需求,数据中台背后需要有强大的计算引擎和AI算法引擎支持,这为打造AI中台提供了契机。元年方舟AI中台对接数据中台,实行统一的数据管理,并以此为基础形成了开发流程和模型管理的高效的一体化解决方案。图1展示了典型的AI中台架构图。
在了解了元年AI解决方案后,我们再来看下元年AI的建模方式




元年方舟AI中台提供了以下几种建模方式:
面向业务人员、分析人员的无代码建模场景
为业务人员和数据分析人员提供无代码建模平台。众所周知,人工智能算法要达到比较好的效果,需要完成冗长的建模流程,并且进行每一步流程的优化。使用元年方舟AI中台,用户无需调参,只需要上传表格数据集,就可以拥有快速实现分类、预测和时序预测的能力。
面向算法人员的jupyter建模方式
通过jupyter环境,赋能企业的算法人员自定义实现算法功能。企业算法人员只需要专注于算法本身的开发,而不需要关心数据的存储、环境的搭建、服务发布等细节,并可以自动化发布为服务API,经过测试的算法最终也可以成为通用的企业组件,在业务之间共享。
面向企业单业务场景的预置组件方式
预置组件是元年算法团队针对通用场景开发的一系列深度学习模型,用户只需要根据业务场景选择算法组件并提供训练数据,就可以实现诸如文本分类、文本匹配、实体识别、关系提取、情感分析等常用的功能。值得一提的是,元年会持续提供业财税和行业内的模型,帮助企业在业务中迅速实现相关场景的赋能。
回复 赞 踩
使用道具 举报
丁侦球
本文根据廖晓格老师在〖2021 DAMS中国数据智能管理峰会〗现场演讲内容整理而成。


讲师介绍

廖晓格,平安银行大数据AI部落负责人,负责平安银行AI平台的建设,推动银行零售智能化转型,曾就职于华为、携程、eBay、PPTV和泰为,有多年大数据平台及AI平台的研发经验。

平安银行的战略目标是打造“中国最卓越、全球领先的智能化零售银行”。零售业务转型的换挡升级,方法是“科技引领、零售突破、对公做精”。在平安银行行长特别助理蔡新发的带领下,零售业绩突飞猛进,仅仅三年,零售AUM突破2万亿元,再造一个新零售。用互联网思维经营银行,聚焦“银行人”能力,打造“AI Banker”。在2021年提出“五位一体”构建综合化银行,以“AI(AI Bank)+ T(远程银行)+ O(智能网点银行)”模式,以专业产品技术服务全面覆盖八大主打客群,随着5G、虚拟增强、区块链等技术普及,平台银行将打造全息银行,把最优质、最高端的金融服务推广到广大客户,以客户为中心,让客户感受到有温度的一站式陪伴服务。

金融科技对技术极其渴望,场景极为丰富,本人从互联网公司加入金融公司,深刻体会到未来科技必将以金融科技为主。为推动金融智能化转型,推动科技AI能力提升,急需打造行业领先的AI中台能力,经过几年的努力及对业务智能化应用的理解,支持AI应用快速孵化。为此,我们将AI中台分为五层:AI底层、AI数据、AI平台、AI服务、AI应用。


1、AI底座

首先是AI底座,为兼容AI各种各样的硬件,我们基于kubernetes构建基于容器的云平台,将AI与云计算结合,以云服务的形式提供AI的能力。集成主流深度学习与机器学习框架,包括Tensorflow、Pytorch、Mxnet、PaddlePaddle、Spark、Horovod等框架,支持业务各种各样数据分析和挖掘需求,并且能快速兼容其他新型的算法框架。在资源上,通过容器化进行资源隔离与资源限制,基于镜像发布,支持弹性计算、秒级动态扩容、HA、多租户等能力。在存储上,通过ceph来支持对象、块存储,支持海量非结构化数据训练,并且集成大数据核心计算引擎spark、flink等服务。

2、AI数据

在AI数据上,将AI数据进行分类,归为三类:样本中心、向量中心、特征中心。样本中心主要管理非结构化数据,将全公司的非结构化数据特征沉淀和治理;特征中心将大数据平台的数据进行特征化,通过特征分析,特征筛选,特征洞察,加快算法工程师在特征工程上的效率;向量中心提供一个向量模型管理的平台,支持将结构化数据和非结构化数据进行向量化,支持向量模型全流程的定义,提供向量召回和排序的能力。

3、AI平台

在AI平台上,首先是智能标注,为文本、图片、音视频提供一个一站式标注平台。在建模平台上,为不同的用户提供不同的建模平台,对于算法工程师,提供一个Notebook建模方式,与大数据平台权限进行打通,快速获取数据,进行算法建模;对于数据分析师,提供可视化的建模平台,将特征工程,算法建模,模型评估和模型输出都抽象成算子,将不同算力进行拖拉拽,形成工程流,完成建模过程;并且引入H2O进行自动化建模,让数据科学家和数据工程师进行快速机器学习和深度学习,支持自动化建模和自动化参数调优;面向业务人员,提供一个场景化建模的方式,业务定义业务数据,通过标准化的算法流程为业务提供结果,比如人群画像或者人群扩散等业务场景相关的建模。

这四大类型的建模平台都会输出到模型中心,进行模型全生命周期管理,在金融行业,对于模型的风险管理比较严谨,特别是风控场景,非常容易带来资损。所以我们所有上线的模型都需要在模型中心进行管理,通过模型验证、性能测试、安全测试、模型监控等进行全方位评估之后,将模型上线到推理服务平台上。推理服务平台是基于Kubernetes构建的AI推理服务云原生应用管理平台,帮助用户快速上线AI服务,提高AI计算资源的利用效率,实现AI产业的快速落地。


4、AI服务层

在AI服务层,通过AI服务编排能力,快速支持业务需求交付。将AI原子应用进行统一管理,可以进行快速编排,生成适用业务需求的AI能力,并且可以进行A\B测试和服务监控,可以将AI服务进行快速组装,支持AI中台应用进行快速孵化。

5、AI应用层

在AI应用层,金融AI应用场景非常广,主要包括CV中台、NLP中台、机器人中台、推荐中台、搜索中台。这里包含的业务场景非常多,每个都可以进行深度扩展,在每个领域我们也进行深度的突破,寻找一条适应银行业务的中台能力,支持银行业务第二曲线增长。未来,对于金融科技,核心竞争能力是以客户为中心,为客户提供一站式有温度的金融服务,这不仅仅是客户来门店或者登陆APP能享受到该有的金融服务,而是全方位的为客户考虑,在客户每个生命旅程上都能为客户提供独到的有温度的金融服务,主动站在客户角度,为客户提供最高综合价值的金融服务。

6、结语

最近,元宇宙成为最火的专业名词,元宇宙能成功的前提就是金融科技服务,这与“五位一体”的战略不谋而合。在“五位一体”的战略方针下,与客户进行超连接必将成为商业银行开展业务的必须项,以客户为中心,对客户进行全渠道超连接触达,这些都需要AI中台能力进行承接,相信AI必将使金融业务走向第二增长曲线。
回复 赞 踩
使用道具 举报
快速回复
您需要登录后才可以回帖 登录 | 立即注册

当贝投影