引领数据领域AI工程化落地，为什么会是云测数据？(2)

算法、算力、数据……AI落地现在还需要AI工程化

AI的发展有标准的算法、算力、数据三要素，在Gartner看来，任何一个行业、企业，只要有场景，有积累的数据，有算力，都可以落地AI应用。但Gartner同时指出，落地的效率、周期可能会远超预期，其研究摆明，“只有53%的项目能够从AI原型有效转化为生产”。

这意味着，在当下场景落地成为主流的阶段，并非只具备了精巧的算法、充沛的算力、足够的数据就一定能够做好AI场景应用、实现好技术的价值——正如Gartner所言，“AI 要成为企业的生产力，就必须以工程化的技术来解决模型开发、训练、预测等全链路生命周期的问题。”

“智能相对论”认为，传统的软件工程针对“产品”，主要经历需求分析、系统设计、代码实现、验证、发布以及运维的过程，瀑布式的流水线走下来，“产品”做好了发出去、做做售后就可以了。

而AI的场景落地虽然也给出的是“产品”，但其背后本质上是一系列智能化“能力”的组合。既然是能力，开发流程就与传统软件有较大出入，是问题抽象、数据准备、算法设计、模型训练、模型评估与调优、模型部署的过程，在部署之后，还需要根据场景实践不断反馈到数据准备和算法设计上，从而让AI的“能力”不断接近和达到预期。

因此，传统的软件工程体系做法已经无法支撑AI开发的需要，必须要有新的方式来推动，AI工程化提供了专门适配AI开发的一系列方法、工具和实践的集合，就起到了这个价值，为算力、算法和数据提供了新的利用方式，持续为场景创造价值。

这也说明，大规模落地阶段，AI工程化更加被深刻需要。目前而言，市面上大体有两种面向AI工程化的做法。

一种是AI开发框架型，也即原本就提供AI开发服务的各种深度学习框架，将服务延展而来，其优势在于AI框架原本就是AI领域的基础软件，处于承上启下的位置，提供面向AI工程化的服务“近水楼台”。

这方面，以Google、Meta等科技巨头为代表，国内有华为、百度等，以TensorFlow、PyTorch、MindSpore、PaddlePaddle等各自的深度学习框架为基础，提供一系列与AI工程相关的生态技术和工具，如领域套件、模型可视化工具、调试调优工具、高级API等。

另一种是AI服务平台型，也即过去为企业提供算力、算法、数据相关服务的企业，随着客户需求的发展专门提供面向AI工程化的能力。阿里的“灵杰”（算法方面）与云测数据面向AI工程化的解决方案（数据方面）都是如此。