规模化|五年落地超8000家客户,这家公司找到AI规模化落地方法

_原题为 五年落地超8000家客户 , 这家公司找到AI规模化落地方法
得益于Windows系统 , 微软将PC的能力快速大规模地赋予了更多的企业和个人 。 在人工智能领域里 , 也有一家公司看到了AI操作系统的重要性 。
8月20日 , 在第四范式以“万悟赋能 商业生花”为主题的新品发布会上 , 第四范式正式对外发布Sage AIOS , 开辟中国乃至全球企业级AI操作系统 。 与Sage AIOS同时发布的新品还有第四范式自动化AI生产力平台Sage HyperCycle ML、线上化智能运营系统天枢以及全新AI算力平台SageOne 。
规模化|五年落地超8000家客户,这家公司找到AI规模化落地方法
文章图片

第四范式成立于2014年 , 业务范围覆盖金融、零售、医疗、制造、互联网、媒体、政府、能源和运营商等众多行业领域 。 在过去5年多时间 , 第四范式帮助超过8000家合作伙伴实现智能化转型 。
在发布会上 , 第四范式创始人兼CEO戴文渊表示:“多年来第四范式在AI落地的最前线 , 在摸爬滚打中 , 总结出数据治理难、科学家稀缺、业务价值不佳以及算力成本负担重 , 是企业AI转型中四个最常见的阻力 。 这些问题归根结底是因为缺少基于规范和标准的基础设施 , 所以 , 今天我们设计和构建了更标准化的AI产品 。 ”
规模化|五年落地超8000家客户,这家公司找到AI规模化落地方法
文章图片

【规模化|五年落地超8000家客户,这家公司找到AI规模化落地方法】图为“第四范式Sage AIOS产品界面”
据第四范式介绍 , Sage AIOS的定位是AI时代的Windows(操作系统) 。 在PC时代 , Windows的地位不可撼动 , 在其通用且强大的平台上 , 运行着各种应用软件 , 并基于低门槛的“桌面管理”实现人人可用 。
Sage AIOS作为人工智能的标准化管理平台 , 同样封装了各类AI应用 , 包括给AI科学家和开发者使用的工具类应用 , 以及针对某个场景一键上线的业务类应用 。
据第四范式AIOS产品负责人黄缨宁介绍 , AIOS最为重要的设计是数据治理 。 第四范式在帮助企业落地AI的过程中发现 , 数据治理甚至占据高达95%的时间 , 即便花费了这么多的时间 , 数据质量问题仍然困扰着AI业务效果的提升 , 效率和效果成为企业数据治理的两大难题 。 AI需要支持数据一致性、时序性和闭环的数据治理系统 , 而定义好数据形式 , 可以同时满足这三个需求 。
具体而言 , AIOS平台上规定了数据的准备和使用方式 , 其中包括不同业务场景中的模型需要什么样的数据 , 对应的数据需要从什么IT系统上去调取 , 以及如何将这些数据处理为AI ready的数据、“投喂”到AI系统中 。
针对不同场景AI数据形式不同的问题 , Sage AIOS浓缩了第四范式在多个业务场景下数据治理的经验 。 在AIOS平台上 , 企业想要构建某个AI应用场景 , 如推荐、反欺诈等 , 只需一键进入相应场景的数据形式、便可直接开始构建AI , 1-2天即能落地一个AI应用 。 长期来看 , Sage AIOS将沉淀越来越丰富的数据形式 , 承载越来越多的AI应用 。
如果说定义了“数据形式” , 相当于定义了AI版Windows的文件格式 , 那么有效的资源调度与管理机制 , 则是Windows的“进程调度器” , Sage AIOS采用HyperScheduler动态地对各个任务进行合理的资源分配 , 有效管理调度CPU、GPU、加速卡等各类异构设备资源 , 从而避免AI应用资源分配不均导致的任务响应慢、宕机等问题 , 将资源利用率提升50% , AI全流程耗时节约三分之二时间 。
除了解决操作系统便利问题外 , 在这次的发布会上 , 针对AI落地的其他困境 , 第四范式也提出了自己的解决方法 。
比如面临AI行业科学家紧缺 , 系统操作人员非AI专业人士的问题 , 第四范式推出了“HyperCycle ML” AI高级语言 。 它可以将AI过程简化为“行为、反馈、学习、应用”四步 , 自动完成从数据引入、数据定义、特征处理、模型训练、模型应用和模型自学习的AI全流程 , 操作简便易用 , 让用户能像使用自动相机拍照一样建立AI应用 。
在AI算力上 , 算力需求和成本的增加也是AI落地的一大困难之一 。 据Gartner预测 , 2022年平均每个企业在AI算力上的支出会是18年的4倍 , 总体市场支出将超过50亿美元 。 值得一提的是 , 在算力高昂成本的背后 , 实际上是算力的巨大浪费——企业数据中心对AI负载进行针对性优化 , 算力平均使用率依然达不到60% 。
为此 , 第四范式推出了SageOne , 为AI量身定做的软件定义算力平台 , 它将计算、存储、网路、调度全方面动态考虑 , 有针对性地进行优化 , 真正解决AI算力浪费的问题 。 据第四范式介绍 , 在某连锁餐饮企业实际应用场景中 , SageOne以一顶十 , 以8台替换了88台通用服务器集群 。
(本文来自澎湃新闻 , 更多原创资讯请下载“澎湃新闻”APP)


    推荐阅读