隨著技術(shù)的升級迭代,人工智能技術(shù)研發(fā)也正在逐漸從已有的瀑布式開發(fā)轉(zhuǎn)變?yōu)槊艚蓍_發(fā),MLOps(Machine Learning Operations)等模式應(yīng)運而生。AI工程化能力的高低很大程度上取決于AI生產(chǎn)運維管理水平,而MLOps為AI工程化落地的團隊協(xié)作難、過程管理亂、業(yè)務(wù)交付差等3大難題提供了最佳實踐和解決方案。近日中國信息通信研究院發(fā)布的《人工智能研發(fā)運營一體化(Model/MLOps)能力成熟度模型 第二部分:模型交付》更是標(biāo)志著行業(yè)在MLOps模型交付階段已取得階段性進展。

目前,各行各業(yè)都將AI工程化能力作為智能化轉(zhuǎn)型比拼的基礎(chǔ),智能時代下的數(shù)據(jù)迭代進程也隨著技術(shù)的發(fā)展各有側(cè)重。在云測數(shù)據(jù)總經(jīng)理看來,智能時代下的數(shù)據(jù)迭代進程一般要經(jīng)歷算法預(yù)研期、算法研發(fā)期再到算法持續(xù)優(yōu)化期三個階段,對數(shù)據(jù)的要求也在不斷深入。

階段一:算法預(yù)研期(數(shù)據(jù)產(chǎn)品),階段特點:1、基于成品數(shù)據(jù)集快速得到驗證;2、對傳感器及場景要求較低;在此階段,需要需要行業(yè)基礎(chǔ)數(shù)據(jù)集。

階段二:算法研發(fā)期(定制數(shù)據(jù)服務(wù)),階段特點:1、應(yīng)用場景及傳感器明確;2、需要大規(guī)模的場景化優(yōu)質(zhì)數(shù)據(jù)進行算法迭代;

階段三:算法持續(xù)優(yōu)化期(數(shù)據(jù)產(chǎn)品+持續(xù)數(shù)據(jù)服務(wù)),階段特點:1、模型及迭代方法論已趨于成熟;2、算法處理生產(chǎn)環(huán)境數(shù)據(jù);3、持續(xù)通過生產(chǎn)環(huán)境數(shù)據(jù)迭代算法;

在數(shù)據(jù)迭代升級過程當(dāng)中,每一個階段的算法皆有其特點,都是迭代過程中的重要一步,通過數(shù)據(jù)的升級迭代,可以幫助企業(yè)完成AI工程化,讓人工智能實現(xiàn)更快的產(chǎn)業(yè)落地。

數(shù)據(jù)推動AI的工程化實踐進程

中國人工智能產(chǎn)業(yè)正進入快速增長階段,AI領(lǐng)域?qū)I(yè)化和細分化程度將進一步提升。在人工智能概念熱度和巨大的市場前景背后,一個成功的AI應(yīng)用勢必更多的來自于精準(zhǔn)大量的訓(xùn)練數(shù)據(jù),諸如自動駕駛、工業(yè)制造等智能應(yīng)用場景越來越復(fù)雜,因而,高質(zhì)量、精細化的數(shù)據(jù)將直接影響未來AI的工程化實踐。

作為人工智能數(shù)據(jù)服務(wù)領(lǐng)域頭部代表廠商,云測數(shù)據(jù)也在積極推動相關(guān)行業(yè)標(biāo)準(zhǔn)化工作的建設(shè),積極參與《人工智能研發(fā)運營一體化(Model/MLOps)能力成熟度模型 第二部分:模型交付》的標(biāo)準(zhǔn)編寫。

云測數(shù)據(jù)在早期就已關(guān)注到AI數(shù)據(jù)服務(wù)的需求缺口和潛在的應(yīng)用市場,立足高質(zhì)量、場景化的AI訓(xùn)練數(shù)據(jù)服務(wù),率先形成AI訓(xùn)練數(shù)據(jù)的“采、標(biāo)、管、存”一站式服務(wù),實現(xiàn)了從“數(shù)據(jù)原料”到最后的“數(shù)據(jù)成品”全鏈條打通并通過數(shù)據(jù)產(chǎn)品、數(shù)據(jù)處理工具與數(shù)據(jù)服務(wù)的“三螺旋”,為智能駕駛、智慧城市、智能IOT、智慧金融等行業(yè)提供高效率、高質(zhì)量、多維度、場景化的數(shù)據(jù)服務(wù)與策略,最大化發(fā)揮訓(xùn)練數(shù)據(jù)的價值,為人工智能場景化落地輸送更多數(shù)據(jù)支撐。

云測數(shù)據(jù)認(rèn)為,AI最終是為了落地、為了被使用,所以對于AI所需的數(shù)據(jù)質(zhì)量要求會更高更精準(zhǔn)。其面向AI工程化率先推出的新一代數(shù)據(jù)解決方案,硬核實力在于——可在保障數(shù)據(jù)安全的基礎(chǔ)上,加速AI企業(yè)算法模型開發(fā)周期,在AI數(shù)據(jù)訓(xùn)練過程中綜合效能可提升200%以上、數(shù)據(jù)交付質(zhì)量最高可達99.99%標(biāo)注精度、助力企業(yè)降本增效。同時提升數(shù)據(jù)管理、場景庫管理能力,幫助運用人工智能的企業(yè)對數(shù)據(jù)資產(chǎn)加以沉淀、安全管控和風(fēng)險治理,提升企業(yè)AI治理能力,推動挖掘更加多元化的AI價值。

以自動駕駛領(lǐng)域為例,通過采用云測數(shù)據(jù)標(biāo)注平臺,可實現(xiàn)車企DataOps數(shù)據(jù)閉環(huán)中數(shù)據(jù)清洗、標(biāo)注工作,與原流程相比提升2倍流轉(zhuǎn)效率。

總結(jié):

作為人工智能產(chǎn)業(yè)的內(nèi)部驅(qū)動力,數(shù)據(jù)、算法和算力三大要素對人工智能技術(shù)的升級發(fā)展一直至關(guān)重要。以數(shù)據(jù)為例,由于人工智能技術(shù)以有監(jiān)督學(xué)習(xí)的模型訓(xùn)練方式為主,在產(chǎn)業(yè)蓬勃發(fā)展的背后,數(shù)據(jù)作為技術(shù)發(fā)展的基石,不斷發(fā)揮著越來越重要的作用。在這場面向AI行業(yè)未來發(fā)展的浪潮中,會有更多如云測數(shù)據(jù)的廠商,以硬核實力叩開人工智能落地的未來之門。