江苏龙网

  1. 首页 > 资讯 > 资讯 > >

| 第四范式：借势PC霸主，推出企业级AI操作系统

| 第四范式：借势PC霸主，推出企业级AI操作系统
文章图片
AI落地热火朝天，AI团队变身施工队，挨家挨户敲开传统企业的大门……然而，这是一种非常低效的做法。
第四范式创始人兼CEO戴文渊博士的洞察是：“重新按照AI的要求制定标准和规范，实现规模化。”
| 第四范式：借势PC霸主，推出企业级AI操作系统
文章图片
第四范式的定位一直不是SaaS产品公司，其核心能力在于 PaaS 层，AI应用的构建和积累都向平台集中发力。
回顾五年的产品发展路径，第四范式联合创始人、首席研究科学家，陈雨强告诉《亲爱的数据》：
“第一代、第二代产品的时候，AI对人才的要求特别高，需要非常强的统计学和编程功底，特别是C++底层编程，还要python编程和组件代码能力。先知平台(Sage)的出现，用一个拖拉拽的界面，先建模，后上线，方便了数据科学家。2015年，在建设先知平台的同时，(我们)科学技术部做了两件事情，第一，高维机器学习模型，保证效果。第二，AutoML技术，不依赖于大量科学家手工打造模型。归根到底，三个字，降门槛。”
AI的原始社会，自己动手、丰衣足食。AI的现阶段，陈雨强强调：“以后就不会这样了，都要现成的AI应用。”
| 第四范式：借势PC霸主，推出企业级AI操作系统
文章图片
原始社会喝水得从烧制陶器做盛水器皿开始，现代社会瓶装水3元一瓶，这是趋势。
AI进化，第四范式思考出一套“心法”。
2017年库伯学习圈(HyperCycle)。这个出生于1984年的理论在AI时代释放了新能量。暗合体验学习的四大步骤(反馈、反思、理论、行动)，又对应(数据采集、数据标注、机器学习、机器模型)，闭环结构实现对接和循环。用人类学习过程类比机器学习的过程，用一个熟悉事物的类似原理，去理解新鲜事物的规律。
可以这样说，理解了库伯学习圈，就理解了简版AI原理，绕过数学与编程的大山。
2019年，第四范式曾用「1+N」回答企业转型如何用 AI 构建竞争力。「1」代表企业的核心业务需要用 AI 做到极致，「N」代表企业的众多场景要用 AI 大规模落地。
“心法”解救普通人，“做法”解救无数亟需转型的传统企业。
2020年的发布会传达出，第四范式想做的是，“心法”+“做法”的双重智慧，这些都需要一个平台属性的产品去承载。
什么是数据形式?
过去的五年里，第四范式也有用高人力成本为合同项目填坑的事情，客户有时并不接受建议的方法论。陈雨强说：“我们的经验来自于踩坑，但不是100%的客户都接受。没有人配合数据改造，苦坐在现有的数据垃圾堆上，龟速前进，(项目)花了三年才完工。”
| 第四范式：借势PC霸主，推出企业级AI操作系统
文章图片
2020年，越来越多的解决方案瞄准AI整个生命周期。AI模型开发从启动到结束，包括数据准备、模型训练、模型测试、模型上线等环节。每一个环节做到极致，整个周期才有可能高效。在规模化中追求极致，有一样东西非常重要——标准化。图片、文本、日志，数据的形式多种多样，如何标准化?不同的业务场景，不同项目的数据平台，如何标准化?AI应用需要打通数据，第四范式就推出了“数据形式”。所谓“不定义，无数据”，数据从哪来、到哪去、类型、结构、关系……想要标准化，就是全方位地定义标准与格式。这些工作并不是一个新概念，名叫“数据治理”。数据形式是数据治理的终点。开始，一般是IT工程师对数据治理有深刻体会，也是他们最先意识到数据治理的重要性，而且数据治理最终是在IT层面落地。接着，AI工程师也感同身受了。
数据问题和IT问题高度混杂。第四范式是一家AI公司，几乎拥有一家IT公司全栈人才，与IT公司一模一样的人才配置。AI公司集体吐槽：“如果一个AI应用工作量是100%，那95%都是在数据上面。”陈雨强吐槽：“定义不清楚的话，AI生命周期后面所有环节，所有的人都会偏离，这也是做AI那么难的原因之一。做不到，AI科学家跑到每个细节去，跟每个工程师讲，为什么这个数据必须这么编码，为什么这个数据必须这么去拿，相当于做IT的人必须懂了AI，才能把这个事情完全做对。”一场嵌入式的革命，工程化、集成化随处可见，烦Skr人。
让一个新事物融入原有的体系是高难度、精细化的工作，也有人管这个过程叫，企业「智能化改造」。
AI落地不是科学发明，是一个具有时代代表性的复杂工程，背后藏着排山倒海的工程细节。数据治理就好比是建筑物的整体地基。
数据形式就好比万里长城上的砖、天坛祈年殿里的榫卯、宫苑凉亭里劈成条的竹篾，它们是藏在中国建筑里的灵魂。从某种角度讲，数据形式是藏在AI技术里的灵魂。“数据形式”一口气解决了三个问题。第一个，数据缺闭环，建模过程没有反馈机制。比如，人是环境的函数，人的成长需要有外部环境持续不断地刺激(教育)。数据不断供给，模型不断迭代。第二个，数据不一致。使用线下的数据建模，到了线上模型效果不好，原因是线下的数据经过了按照BI思路的ETL，导致使用了和真实的线上数据不一致的离线数据。错误的数据训练出来的模型到了线上，当然效果不好。


推荐阅读


上一篇：脱肛|“蹲坑”玩手机 小心“脱肛”

下一篇：蚊香液|蚊香液也可能引发过敏