AI+机器学习：推动AI应用产业化，加快机器学习步伐

毫不客气地说，人工智能（AI）和机器学习（ML）已然“渗透”到了各行各业，企业们期待通过机器学习基础架构平台，以推动人工智能在业务中的利用。在机器学习加快推进的过程中，却是有喜也有忧。

近日，国际数据公司（IDC）发布了《中国人工智能软件及应用（2019下半年）跟踪》报告。据该报告显示，中国机器学习开发平台市场2019年市场规模达2.05亿美元。

机器学习开发平台的部署，包括数据获取、数据准备、模型训练、应用程序集成、模型运维、生产监控以及有明确KPI的业务治理过程。在这个过程中，由框架、算法模型、开发语言等各种工具赋能，由数据科学家、业务分析师、数据架构师和专业人员协作，基于数据建模，不断的进行概念验证，将好的模型部署到生产环境，协作以管理模型运维的全生命周期。

算力不断提升、算法模型创新、开源技术发展、厂商加大投入，已经成为了机器学习产业实现快速发展的重要驱动力。其中，算力的提升，对于AI技术的进步与成熟、相关智能产业的应用模式创新等，无疑提供了强大的支撑。

受益于加速计算技术的不断突破，机器学习、深度学习模型训练和推理速度持续提升，加快推动了AI应用产业化的进程。从厂商情况来看，2020年GTC、英伟达发布了将算力再度提升数十倍的安培架构的A100 GPU。此外，Intel华为昇腾系列，Xilinx Alveo系列、寒武纪等也在特定领域为AI负载提供加速能力。

单就商业化机器学习开发平台而言，2018年包括硬软服在内的中国机器学习市场达到10亿元人民币，预计2018-2023年五年复合增长率将达到62.0%。当前的机器学习开发平台基本可以提供30种以上的经典机器学习算法，且基本已支持TensorFlow、PyTorch、Caffe等主流框架。不仅是深度学习、机器学习，图算法也开始走向市场，现阶段应用十分普及的是经典机器学习。

从市场空间来看，对于还没有成熟的AI软件产品的领域，机器学习、深度学习开发平台建设将成为一大趋势，相关头部厂商将借助已有的软件、硬件、系统等技术优势，致力于为行业系统性机器学习体系的完善与健全贡献更大力量。

虽然机器学习是“显学”，但其发展还是存在不少阻力，其一，人工智能、机器学习等知识相对高深，相应的，掌握这些知识的人也就比较少，因此，各行业发展对于机器学习、图像识别等的人才十分迫切。

此外，机器学习的部署实施其实是一项非常复杂的工作。例如，对数据进行可视化、转换和预处理，算法的优化、模型的训练，而所有这些工作都需要大量的专业知识，并耗费庞大的算力、数据存储和时间成本。在较短的时间内，要达到相当的机器学习部署和推进能力实属不易。

机器学习平台底层，可以简单地理解成是把数据治理、算法与算力合在一起，第四范式叫之为先知平台。它既是一种科技平台，也是产品研发系统。它的目标是能够有更好的企业级适配效果，更大的延展性和更强的计算水平。在先知平台获得突破，已经成为许多企业的目标。