AI变成本中心的情况怎样避免出现

随着技术逐渐成熟，人工智能已经进入商业化落地各场景的阶段。由于深度学习需要大量的数据与样本，在进入新场景时，AI公司需要至少得到一套最小价值数据源进行训练，找到满足基本场景的算法组合，然后再收集尽可能多的极端案例进行持续迭代。但这也面临着数据获取成本将随着算法升级而越来越高、数据过时需重新标注或剔除等问题，从而引发各类成本的增加。人工智能企业该如何解决AI变为成本中心的问题？人工智能企业旷视通过自研的人工智能算法平台Brain++和人工智能数据管理平台Data++，为行业提供了新的思路。

图：旷视以Brain++和Data++避免AI变成本中心在人工智能真正落地前期，AI公司需要获得某一场景庞大且高质量的数据量和样本量，并利用深度学习技术进行海量的算法训练和模型的持续更新。在此过程中，调参并优化是一个非常缓慢的过程，且会造成成本高、落地难的问题。因此，如何规模化生产算法，同时尽可能降低数据源成本和算力消耗，避免AI成为成本中心成为了企业技术能否长期有效落地的关键。对此，人工智能企业旷视自主研发了人工智能算法平台Brain++和人工智能数据管理平台Data++，以效率高、成本低、自动化的算法生产能力，推动技术落地。

其中，旷视Brain++具备大规模算法研发能力，其核心的深度学习框架具备独特的训练和推理一体化技术架构，同时集成了行业领先的自动机器学习（AutoML）技术，可实现算法训练和模型部署的高效流程化，和深度神经网络模型设计自动化，在减少人员参与而不牺牲训练质量的条件下，大幅提高算法生产效率。

不过，人工智能算法从研发到部署是一套庞大的系统工程，目前业界普遍把深度学习框架作为算法开发工具，但是学习和使用成本高，难以规模化。究其原因，只有深度学习框架并不本质，需要拉通从数据到算力再到框架的端到端解决方案，人工智能时代亟需一个满足产业需求的操作系统。

为此，针对框架、算力和数据三个核心要素，旷视Brain++在总体架构上分为三部分，包括深度学习框架MegEngine、深度学习云计算平台MegCompute、以及数据管理平台MegData。涵盖了从数据的获取、清洗、预处理、标注和存储开始，到研究人员设计算法架构、设计实验环节、搭建训练环境、训练、加速、调参、模型效果评估和产生模型，再到模型分发和部署应用的深度学习算法开发的所有环节。

通过Brain++，旷视研发人员能够获得从数据到算法产业化的一揽子技术能力，不用重复造轮子也可以推进AI快速落地。同时，旷视Data++通过数据辅助算法，算法提升数据，亦能够降低部分成本。

目前，旷视已经基于Brain++开发出了大量部署于云端、移动端、边缘端全计算平台的先进深度神经网络，并打造了以人工智能驱动的物联网解决方案，实现在个人物联网、城市物联网、供应链物联网三大垂直领域的广泛落地。值得一提的是，旷视还最快预计将于3月底对Brain++进行开源，开放深度学习与低成本高效的算法开发能力，以技术的普惠助推人工智能产业的进一步发展，实现人工智能与各行业的深入融合，实现价值创造。

据艾媒咨询发布的《2019年中国人工智能年度专题研究报告》显示，作为全球最大人工智能应用市场，中国人工智能技术落地迅速，预计2030年中国人工智能核心产业规模将突破10000亿元。在此背景下，旷视依托Brain++有效避免AI成为成本中心，构建了技术壁垒与产品化能力，实现了人工智能的商业化，帮助创造更多价值，并将通过Brain++的开源，共同推动人工智能落地各行各业，助力社会的智慧化变革。

责任编辑：Ct