今年是彻底的火了

这不是梦话，而是大势所趋

AI已经渗透到各行各业

无论是哪类客户

都表现出了对AI的“强烈意愿”

毕竟谁也不想被时代抛弃

所以，问题来了

现阶段考验客户的问题

不在于是否部署人工智能 (AI)

而是

如何部署人工智能？

然而

当大家怀着无限憧憬

迈向人工智能第一步的时候

就已经静静地等在那里了

无论何种项目、如何部署

都绕不开以上这四大关键要素

而那些“坑”，就隐藏在这些要素里

1.数据的坑

现在一提到人工智能

大家就说，必须要有“海量数据”

没错

“数据”对于AI来说至关重要

没有数据，一切是空谈

我们来看一下整个

AI处理的大致流程

就知道

数据就像婴儿奶粉一样

只有持续不断地“喂”

才能让机器完成不断学习

变得智能

构建模型、训练数据

训练使用的数据集越大、质量越好

训练出来的AI模型就越“聪明”

但是

深度学习的模型训练

决定了奶粉不能一次喂

今天吃了，明天还要吃

做不到“一次喂饱完事”

我们更应该重视的是

海量数据的“消化过程”

所以

2.算法的坑

我们经常被忽悠

一提到人工智能的算法

就是必须是深度学习

这是一个常识性错误

我们来看一下

人工智能、机器学习、深度学习

三者关系如下

其实

AI 领域的主流技术路径有三种

①深度学习

②一般的机器学习

③基于规则的学习

这三种技术路径之间的关系

与其说是彼此竞争或替代

更不如说是互补

所以

客户面对的技术路径

不只深度学习一条道

无论是传统推理、机器学习

或是它们的融合 ，都是可选项

举个例子

中国银联电子商务与电子支付国家工程实验室

推进银行卡反欺诈技术研究

刚开始，发现

1、如果只使用机器学习

将面临对序列化交易特征学习能力不足问题

2、如果只用深度学习

将面临单笔交易内特征学习能力有限的问题

最终研究结论是

两种技术融合才是最好的方案

并采用兼容性极大的CPU计算平台

完美实现

GBDT→GRU→RF 三明治结构

欺诈侦测模型架构

所以

3.算力的坑

高算力

也是AI的核心关键要素之一

现在一提到人工高智能

就立刻想上一套新的专用硬件计算平台

误认为

现有的数据中心基础设施

达不到AI对算力的要求

必须靠专用计算平台才能匹配

这是很严重的误导！

正确的姿势是

▼

现阶段

应该利用现有的数据中心基础设施

应该利用现有的、你熟悉的处理器平台

以最低的成本部署人工智能

相比另起炉灶、寻其他计算平台的方法

用时更短 、风险更低、性价比更高

为什么呢？

①

标准CPU平台，今非昔比

完全能够胜任AI所有应用

②

最小成本，做最大的事

利用现有的CPU平台

无需大量额外投资

现在人工智能属于“试错阶段”

同时技术也在快速演变和迭代

如果另起炉灶，得不偿失

③

最熟悉的平台，做最靠谱的事

CPU平台，你用了这么多年

用熟悉且信任的平台

构建“激进”的AI项目

本身就是一个绝好的平衡

让技术风险可控

所以

↓

4.场景的坑

用一套专用的AI方案绑架客户

意味着，不管啥场景、不管啥应用

统统只推荐一套方案

不灵活

是专用AI硬件平台的弊端之一

而CPU平台有极强的灵活性

满足上层AI场景的百变需求

所以

↓

数据、算法、算力、场景

踩完4大关键要素的坑儿

我们发现

AI的落地，需要一个

灵活的、成熟的、高性价比的平台↓

①能对数据进行持续分析和利用

②能让各种AI算法都愉快work起来

③能提供与训练需求相匹配的算力

④能灵活适配各类AI应用场景

……

而这个平台，可能早已拥有

或者，你可以轻松升级▼

↓

对，用你熟悉的硬件平台

再导入

英特尔在AI软件层面的最新优化组合

比如：框架、工具、库

就能立刻盘活你的数据中心

承载任何AI高强度应用↓

英特尔完成了对Caffe、TensorFlow、MXnet、BigDL等主流深度学习框架的优化。提供了英特尔MKL／MKL-DNN，DAAL等AI优化库以及英特尔深度学习Studio及开发套件等工具包。

很多客户已经基于这个平台

开始了大规模AI应用

比如▼

中国银联电子商务与电子支付国家工程实验室

基于英特尔至强平台、Cloudera CDH、Apache Spark和BigDL构建的人工神经网络风控系统，与基于规则的风控系统相比，能提升高达20%的正确度，并具备60%的涵盖率，从而在短短数月内就达到了最佳训练模式。该实验室的GBDT →GRU→RF 三明治 结构欺诈侦测模型 ，在至强平台 以及 BigDL 、面向英特尔架构优化的 TensorFlow 、 英特尔 MKL -DNN 和DAAL 等框架和工具的支持下，效率也得以大幅提升 。

京东

在基于至强的集群上将图像检测和提取方案升级为英特尔开源的BigDL，其性能比原有的基于专有架构的解决方案提升了3.83 倍。

由于BigDL允许以Scala或Python编写深度学习应用程序，也为开发、运维人员带来了极大便利。

UCloud

基于至强平台构建的AI在线服务在搭配面向英特尔架构优化的 Caffe 框架后，同时运行的线程数量显著增加，整体执行性能提高了10倍以上。

它在人脸表情识别的测试中，在并发数为8-16节点时，性能可与专用架构的平台相媲美。

GE 医疗集团

在使用至强处理器的四个或四个以下的专用内核对CT影像进行分类测试时发现，由英特尔深度学习开发工具包和MKL-DNN生成的优化代码，相比在同样系统上运行的基准TensorFlow模型，在推理吞吐量上平均提高了14倍。

众里寻它千百度，蓦然回首

AI就在，自家机房灯火阑珊处

从CPU平台开始

从熟悉和信任的平台开始

开始你的AI之旅吧