AI的研究和创新经常聚集在新算法、模型练习技能和使用优化上，在算力充分解放、练习数据极大丰厚的前提下，一定会出现的创新型的算法。近两年的GPT-3和BERT模型就是其中的代表，二者都是预练习模型，经过少数的的调整就能够得到比 较广泛的普适使用，模型参数较大，对其使用的应战在算力和分布式架构上。但算法模型的落地是一个细致和琐碎的进程，AI架构师需求根据事务场景和实践条件不断调试，直至找到效 率瓶颈的最优解。

深度学习的技能红利推动了AI工业化

深度学习推动了AI的第三次开展浪潮，大布景在于摩尔定律作用下的算力越来越廉价而且达到了深度神经网络可工业化使用的临界值，算力瓶颈的突破带来了使用层的井喷现象。深度学习其实并不是非常深邃很难学习的学识，它是在统计学的根底之上经由机器学习中学习到杂乱的神经元和杂乱的网络结构而发挥作用。数据剖析和深度学习都是机器学习的子集，而机器学习是人工智能(AI)的一个子集；数据剖析和深度学习技能在实践使用中经常互有交叠，处理实践世界的详细问题。

最近两年关于深度学习方面的讨论热度有些下降，而关于智能体系的根底架构的讨论热度在添加，高景行以为，这是深度学习的技能在工业界大规模使用时发生的一种现象，是充分享受深度学习技能红利带来的使用应战。深度学习或许说机器学习本质上是给整个的职业或许说是整个社会带来一次出产功率的进步，由于深度学习的普适性，加上摩尔定律作用下算力进步到了一定程度，使得杂乱的深度学习算法具有了低本钱和快速使用的根底。深度学习从一个更偏向于理论或许实验室的研究，演进到了能够快速使用到各行各业的爆发阶段。AI的落地进程， 是把高效的出产力敏捷遍及到各个职业的出产关系中，然后带来了上述现象。

以百度飞桨为例，飞桨在NLP模型上堆集深厚，文心(ERNIE)在多个职业都有大规模的使用，也为其查找技 术带来了明显的算法改进。别的在引荐体系中，飞桨根据大规模分布式核算和存储的10T等级超大模型处理了大规模离散稀少模型的并发练习功率问题，在业界具有实用领先性。

从练习到数据，AI领域的十年变迁

跟着AI和云核算的开展，完成一个高可用、分布式、高效的机器学习渠道成为一个根本需求。PaddlePaddle(飞桨)、PyTorch、Tensorflow等深度学习结构处理了数值核算、算法完成以及模型练习的问题，除此以外要想建造一个高效支持工业使用的AI渠道依然有许多问题需求处理，从工程的视点看，打造一个这样的AI渠道有三个建造部分。

• 第一部分，是数据体系，不管To B还是To C职业数字化进程的产出都是数据，对机器学习体系而言， 数据原料的齐备性和正确性至关重要，在有些使用场景还要考虑数据的时效性和一致性等问题。虽然不少职业现已或正在进行数字化转型，表面上看起来数据的获取现已唾手可得，但收集到的原始数据一般不能直接用作练习，需求先对数据进行收集、汇聚、清洗和处理，即常说的数据ETL；进入练习模型前经常还需求根据练习方针的样本标注。这些标注数据一般会作为练习数据的样本。除 了规划合理的模型结构，怎么取得足量、准确的标注数据，怎么规划模型特征等问题，现在业界仍没有标准化的处理手段。别的，数据的安全性问题有时也会很棘手。这是在许多To B的产品使用中， 最关键、也是最难的一部分。
• 第二部分，是用于机器学习建模的练习体系——这也是大家一般所说的机器学习练习结构。
• 第三部分，是AI算法或许模型的使用体系。根据不同的真实使用场景，会有不一样的完成。此外还包含一些辅助的工具或许说是稳定性监控工具等⸺与传统使用场景下的工具区别不大。这部分的应战一般来源于功能。

上述三个部分，十年前最难的应该是用于机器建模的练习部分，但是跟着各种开源结构包含飞桨的不断完善，现在业界干流的练习体系大同小异，而且本钱也变得越来越低。针对现在AI在各行各业落地的使用场景，比较难的部分现已变成数据体系和使用体系部分，关于传统的职业企业，受限于数据的取得以及处理的功率，练习和预估精确数据的取得依然是最难同时也是最重要的部分。

传统职业的AI使用落地

工程架构和AI事务的关系

传统职业的从业人员往往会对AI有一些误解，觉得事务攀上AI的枝头就会瞬间变得巨大上起来。其实AI技能是伴跟着信息化的进程开端的，AI技能的根底是数字化。AI并不仅仅是指Deep Learning，其实像传统的一些数据剖析模块还有一些线性模型都算是AI的范畴，传统职业尤其是To B的企业，完成AI化的前题是先做到一 定程度的数字化。从这个视点来讲，关于任意一个使用场景，只要能找到明确的建模方针和建模方法，然后就能答复到底要不要用AI、什么时分用AI、用什么样的AI等一系列详细问题。

在进行AI渠道规划的进程中，工程架构是连接事务和模型算法的桥梁、也是事务终究得以AI化的蓝图。但所有的蓝图都不是凭空诞生的，在AI项目中，工程架构才干是从一个个详细的项目中逐渐习得。许多传统事务线在AI方向上都有巨大的潜力，经过工程架构上一步一步的实践进程，终究构成了AI事务的宏伟蓝图。站在技能的视角来看，这将会是一个不断迭代和正反馈的进程。

传统企业上AI的主张

高景行表示，以多年从事工程架构的阅历来看，AI在传统职业的使用是一个建模以及处理问题的进程。任何一个新技能在工业界的使用首要就是做好建模作业。AI的使用也不例外，第一步要了解传统职业的方针是什么，以及这些方针能不能拆解成AI技能可快速处理的问题。举个比方来说，一般传统职业的一些问题是经过许多的人力来处理，将许多人力处理问题的方法或许方针变成一个可笼统、可解释、可建模的机器学习问题，终究能达到一定的准确度和精度的进程，就是AI在传统职业的落地实践。

整个进程可简略总结为，先了解传统职业的事务，并整理事务发生的数据(对数据进行清洗、标注等)，接着再笼统事务的方针是什么，再用AI的方法对事务方针中的瓶颈进程进行功率进步，最终根据事务体系运行的状况继续优化直至消除瓶颈。重要的是建模进程中必须找到功率瓶颈，然后剖析功率瓶颈中有没有一些可重复、可学习的进程；将可重复的进程变成机器可习得的智能，然后完成对可重复进程的AI建模;最终将AI完成的事务方针自动化地使用到传统职业的事务场景或产品线中去，来处理功率的瓶颈问题。

衡量许多算法和模型的两个维度分别是Precision和Recall，其中Precision注重精度、Recall注重覆盖率。一般一个AI事务体系的Precision&Recall达到了百分之九十几以上，就能够在环境改变较小的工业化场景中落地。关于环境改变比较大的使用场景，需求AI事务体系具有接连学习的才干，当然接连学习的进程也需求是 自动化的，但此时AI事务体系中模型的普适性或许泛化性在环境改变较大的事务场景中会略显不足，一个折中的做法是尽或许进步AI建模进程中对事务的笼统水平⸺以此进步模型的泛化性或适用范围。也就是说，对事务的笼统才干会影响建模规划，假如模型的规划不够全面，在某些情况下AI的使用作用或许不如传统的处理方案，但在某些情况下也有或许比传统处理方案功率更高，这完全取决于建模的方法和事务的优化方针，很难混为一谈。

除了处理重复性的功率瓶颈问题，机器学习带来的技能革新，使得之前许多不能测验的新方向就在AI加快下变得可行，比方现在的自动驾驶、生物制药、智慧城市等等。从这个视点讲深度学习使用的确是一次新的工业革命。

传统工程师转型AI架构师的应战

关于非互联网职业或许说传统职业，在开端进行数字化升级时就需求考虑AI。在数字化进程中堆集阅历，倘若在数字化根底不齐备时硬向AI转型，第一或许不得其法，第二即使磕磕绊绊上了模型成果未必符合预期，假如阅历不足、不知道怎么去优化改进，反过来会严峻冲击事务AI化的信心。

传统工程师转型AI方向一个难以跳过的环节是AI专业知识，这关于传统职业的工程技能人员而言很难有捷径。深度学习跟传统的核算机科学有一些不一样的当地。高景行以为作为核算机科学的分支，深度学习理论上更贴近于数学，即深度学习中许多时分需求用数学公式来证明算法的正确性;在核算机技能根底上更贴近于大数据 和高功能核算；在使用上，更偏重于阅历和实践，虽然能证明算法的正确性，但没有任何一个算法是能够使用 于所有场景⸺需求根据不同的事务场景去挑选和测验不同的建模方法，终究才干逐渐逼近匹配事务场景的最优算法。也就是说，深度学习是理论与实践的结合，用好深度学习技能需求丰厚的阅历堆集。

成功转型的几点主张

在高景行看来，应对上述应战比较“快速”的途径首要是向AI领域的专家“取经”，由于大多数AI架构师的成长是一个长时刻堆集的进程，他们在AI体系中浸淫了较长的时刻，一般在关键问题上有画龙点睛的才干，能够在算法的适用性、技能的堆集等诸多方面给予提点，使后者少走弯路；其次，传统工程师能够凭借丰厚的网络资源学习经典的深度学习课程教材，并结合作业中遇到的问题进行实践操作。

做到上述两点只是转型的开端，但要想成为AI架构师，还需求经常研读业内比较前沿的AI技能和使用体系、体系架构相结合的论文和文献，然后回到自己的作业中去探索实践。关于AI的技能体系尤其是工程架构这方面的技能体系，和传统的云核算、大数据、查找、引荐等架构其实是一脉相承的，传统的工程技能人员在转型进程中要坚持继续学习的才干。最好能掌握一定的数学知识，许多模型的算法都是能够证明的。深度学习会依靠丰厚的统计学、数学剖析、概率论和随机进程的知识，在使用的时分最好能够按需掌握，假如能体系地学习会更好。这样在探索创新型的开放问题时，不会由于一次、两次的失利而轻言抛弃，会踏实剖析在建模进程中或许的逻辑和算法原理的问题，不会轻易失掉下一次或许就会有所突破的有效测验。

转型进程是继续学习的进程，切忌跟风求快，一定要兢兢业业、结合使用场景挑选合适的AI技能，不同的场景侧重点不同但有规律可循，以作业和学习中的实践使用场景作为切入点，逐渐的在工程实践中训练自己的才干。传统企业的体系一般都阅历了长时刻的建造进程，作为工程师能够先了解当时的体系和事务特性是什么，然后再去和职业内的先进体系做比对，发现不足后去找新的开展方向，这一般会是一个好的起点。

最终要注意训练试错的才干，大部分的AI作业是一个试错的进程，重要的是会自己去剖析和纠错，这需求对职业技能有深刻的了解。假如能站在其他人的视点考虑问题，多了解事务需求场景的细节，进行体系规划时就能做到更全面、更成熟。