数字化转型专家谈 | 中国信通院曹峰：人工智能工程化赋能企业AI落地的最后一公里

时间： 2022-10-31 10:12 |来源：

随着人工智能技术产业的不断发展，近年来工程落地应用呈现加速趋势。当前，构建标准化、规范化的工具产品体系、组织管理体系和安全体系，是整个人工智能产、学、研、用界不断关注和致力研究的课题。中国信息通信研究院（以下简称“中国信通院”）云计算与大数据研究所人工智能部副主任（主持工作）曹峰就人工智能工程化相关问题进行了阐述。

一、最近两年人工智能产业界最热词之一就是人工智能工程化，那么如何理解人工智能工程化这一技术？

Gartner已经连续3年将人工智能工程化列为重要的战略趋势。预计到2025年，建立人工智能工程化最佳实践的企业，其智能化产出的价值，将至少比未建立该实践的企业高出3倍。

我们认为人工智能工程化指在机器学习、深度学习等模型在企业大规模生产部署和应用背景下，面向数据、算法、模型、服务等要素，建立完备易用的工具体系、标准化的研发运营和管理体系以及可信治理体系，最终助力智能应用在企业大规模、高效率、低成本和安全可控的应用。

二、工具体系、管理运营体系和可信治理体系的内涵，以及解决的问题是什么？

工具体系：人工智能的工具体系是指面向传统机器学习和深度学习开发、部署、应用、运维、可信保障等全流程服务的工具。工具体系解决的主要问题是帮助开发者利用工具和资源，快速地标注数据，高效地开发模型，便捷地部署模型，并实现持续敏捷的运营维护。当前产业界典型的集成化的工具产品就是各类人工智能开发平台。市面上看到的机器学习平台、深度学习平台、AI中台都是指人工智能开发平台。人工智能开发平台的核心是将各类工具集成到平台之上，形成端到端的开发和支撑工具，主要包括数据标注、模型开发和训练、模型部署和推理以及运维管理，能够满足各种类型开发者的使用需求，比如算法科学家、IT工程师、行业专家等。

管理运营体系：从定义上来讲，机器学习和深度学习的管理运营体系，又称MLOps。目的是连接业务团队、AI团队和运营团队，建立一套标准化的模型开发、部署与运营流程，以管理机器学习项目的全生命周期，提高交付效率和质量。MLOps的核心价值在于，解决机器学习项目角色间的沟通壁垒，解决机器学习项目又慢又难的困顿，解决机器学习项目数据、算法、特征、模型等资产管理繁杂的问题，解决机器学习模型随时退化的先天缺陷。

可信治理体系：人工智能应用在深度和广度方向不断拓展，但在发展过程中人工智能也不断暴露出各类风险隐患，引发国内外信任焦虑。当前发展负责任和可信的人工智能成为共识，核心是将抽象的治理原则落实到人工智能全生命流程中。可信治理体系是从产业维度出发，落实人工智能治理要求的一整套方法论，是人工智能治理和产业实践之间的桥梁。可信治理体系包括技术的开发方和使用方，面向模型的全生命周期的治理和风险管理，涉及到的指标包括可解释、鲁棒、公平、可追溯等等一系列属性。

三、工程化的发展方向是什么？

工程化的发展方向，其实核心就是人工智能产业化的重点方向，总结起来有几点：

第一，在探索新技术的同时，更加注重通过工程化的方式释放技术红利。当前，人工智能技术创新非常活跃，一系列新的技术。例如大规模预训练模型、知识驱动的AI、AI生成技术等，但这些技术能否快速赋能各行各业，响应多样化需求，其关键因素在于工程化能力。

第二，在产业智能化进程中，传统行业的参与程度将越来越深入。产业发展重心已经开始从“人工智能 ”向“ 人工智能”转变，随着传统行业数字化进程的提升，将提供海量的数据和丰富的应用场景，为人工智能的应用打开新的空间。

第三，人工智能可信治理工作将越发关键，事关人工智能持续健康发展，统筹治理和发展成为必需。治理工作不仅切实关系到人工智能日常应用问题，也已上升为国际间竞争与合作的重要议题，需要政府、行业组织、企业等形成合力，安全可信的理念融入到人工智能的全生命周期中。

扫一扫在手机打开当前页