人工智能回到ABC?

说起人工智能，很多人会想到近期引发热议的百度无人驾驶汽车上北京五环事件、刷爆朋友圈的阿里无人超市“好人世界”。BAT抛出的黑科技足以赚取眼球，然而这些阳春白雪的人工智能，距离市场大规模推广应用尚有一段距离。卷积神经网络、深度学习、机器视觉以及生物识别等人工智能领域前沿技术，目前也只还停留在大规模商业应用的试炼场阶段。对此，天云大数据CEO在接受采访时表示：整体商用环境对于人工智能的整体需求，更在于AI的普及化与民主化，市场呼唤着A(Algorithm)算法、B(Bigdata)大数据、C(Cloud)计算能力的有效融合提交与理性回归。

目前AI产业化面临着诸多困难，从人才层面来讲，同时具备Hadoop、Spark等大规模数据处理能力以及数据科学能力的复合型人才非常稀缺；从组织形态层面讲，管理层需要就企业转型为数据驱动形态做出相应的战略规划和调整。复杂算法交付的成本是昂贵的，据德勤报告指出，世界上70%以上的算法人才都被linkedIn、Facebook以昂贵的代价挖走，在稀缺的算法人才面前，仅靠人才来换取商业价值的实现是不现实的。因此，（Algorithm）、B(Bigdata)、C(Cloud)的有效融合提交成为AI商业推广与工程化实施的关键。三者的融合，使得无需掌握太多前沿知识范畴即可实验深度学习。因为AI不是基于少数科学家的团队能够驾驭的，通过AI的Paas化，使得以前没有用过AI的团队也可以快速进入这个领域，以前使用传统SaS的数据挖掘平台可以更高效规模化的使用。

A（Algorithm）优势在于算法赋予了复杂真实世界中的弱特征有效表达的方法，从而得以复杂的方式反映着复杂的世界，这使得过往人类使用经验与规则以抽象、简单的方式反映复杂世界的做法不再适用。在大数据时代，难以量化与处理的复杂的高维结构需要更高维的算法来描述，机器学习使人类得以在难以精确描述规则的边界去完成任务。

泛在的AI，是利用基础的机器学习能力支撑企业流程的改造，即BI的升级。在大数据时代，用有监督的训练方式，通过大规模、持续的重复数据的输入，通过深度学习的层级网络不断迭代，使用AI的方式将隐含的人类无法定义的属性特征表达出来，同时使用具备采集、搜索、与存储能力的数据库工具实现A\B\C三者的有效融合与交付。

天云大数据在19日举办的中国财经峰会上荣获2017金融科技影响力品牌

天云大数据CEO雷涛荣获2017行业影响力人物奖

然而，数据之外的新挑战是A和C的融合，不同知识技能在工程上的融合，这边是博士，那边是分布式计算体系的互联网IT人才，如何融合？目前国内已经出现致力于将计算能力和数据科学能力融合在一起，面向业务定义快速生产AI的流水线的厂商与AI平台，如天云大数据的Maxim AI平台，去年已经在国内两家大型股份制银行投入使用，Maxim AI也获得了欧洲科学院院士Hans的高度评价认可。

Maxim AI突破了Hadoop、Spark在部署使用上的瓶颈，在SPARK/ALLUXIO分布式内存计算框架下，使用scala语言彻底重构了深度强化学习等前沿数据科学算法，同时采用Free coding的免代码交互式调参优化，不再依赖于昂贵的GPU，在商业化X86集群上即可运行深度学习，实现了从并行化计算到分布式计算的转变。从而解决了分布式与机器学习算法难结合的问题，帮助企业快速实现AI产业化。天云大数据同时在今年推出了具备采集、搜索、与存储能力的数据库工具BDRT（Beagledata Realtime Transaction），弥补了SPARK资源分配粒度粗，无法提供高并发查询、多表模糊查询可能出现数据倾斜、事务级一致性缺失等短板，系统保证光大银行能够在柜台对所有客户的交易明细数据在线进行实时查询，在银行核心业务实践中，其高并发的模糊查询教育，获得企业生产系统的成功验证。这两者都是基于提高C（cloud）能力背景下研发并已在银行核心业务实践中成功付诸运用的。

分布式AI平台对业务人员来说不需要写一行代码，可以在数分钟之内跑完一个深度学习任务，而且是全量在线数据上建模，这样可以更快的反馈。去年谷歌CTO也提到， Mobile Frist让位于AI Frist。安卓让大多数初学者可以驾驭一个互联应用的开发，今天AI的平台化将推动更多人工智能应用的落地。正如天云大数据CEO雷涛所说，“最终我们希望提供一个AI能够使用到任何一个角落里，获取机器智能能像读书一样简单的方式，让业务人员直接驾驭数据，而不再像以前一样是简单的规则抽取。”