今年是徹底的火了
這不是夢話，而是大勢所趨
AI已經滲透到各行各業
無論是哪類客戶
都表現出了對AI的“強烈意願”
畢竟誰也不想被時代拋棄
所以，問題來了
現階段考驗客戶的問題
不在於是否部署人工智能 (AI)
而是
如何部署人工智能？
然而
當大家懷著無限憧憬
邁向人工智能第一步的時候
就已經靜靜地等在那裡了
無論何種項目、如何部署
都繞不開以上這四大關鍵要素
而那些“坑”，就隱藏在這些要素裡
1.數據的坑
現在一提到人工智能
大家就說，必須要有“海量數據”
沒錯
“數據”對於AI來說至關重要
沒有數據，一切是空談
我們來看一下整個
AI處理的大致流程
就知道
數據就像嬰兒奶粉一樣
只有持續不斷地“喂”
才能讓機器完成不斷學習
變得智能
構建模型、訓練數據
訓練使用的數據集越大、質量越好
訓練出來的AI模型就越“聰明”
但是
深度學習的模型訓練
決定了奶粉不能一次喂
今天吃了，明天還要吃
做不到“一次餵飽完事”
我們更應該重視的是
海量數據的“消化過程”
所以
2.算法的坑
我們經常被忽悠
一提到人工智能的算法
就是必須是深度學習
這是一個常識性錯誤
我們來看一下
人工智能、機器學習、深度學習
三者關係如下
其實
AI 領域的主流技術路徑有三種
①深度學習
②一般的機器學習
③基於規則的學習
這三種技術路徑之間的關係
與其說是彼此競爭或替代
更不如說是互補
所以
客戶面對的技術路徑
不只深度學習一條道
無論是傳統推理、機器學習
或是它們的融合 ，都是可選項
舉個例子
中國銀聯電子商務與電子支付國家工程實驗室
推進銀行卡反欺詐技術研究
剛開始，發現
1、如果只使用機器學習
將面臨對序列化交易特徵學習能力不足問題
2、如果只用深度學習
將面臨單筆交易內特徵學習能力有限的問題
最終研究結論是
兩種技術融合才是最好的方案
並採用兼容性極大的CPU計算平臺
完美實現
GBDT→GRU→RF 三明治結構
欺詐偵測模型架構
所以
3.算力的坑
高算力
也是AI的核心關鍵要素之一
現在一提到人工高智能
就立刻想上一套新的專用硬件計算平臺
誤認為
現有的數據中心基礎設施
達不到AI對算力的要求
必須靠專用計算平臺才能匹配
這是很嚴重的誤導！
正確的姿勢是
▼
現階段
應該利用現有的數據中心基礎設施
應該利用現有的、你熟悉的處理器平臺
以最低的成本部署人工智能
相比另起爐灶、尋其他計算平臺的方法
用時更短 、風險更低、性價比更高
為什麼呢？
①
標準CPU平臺，今非昔比
完全能夠勝任AI所有應用
②
最小成本，做最大的事
利用現有的CPU平臺
無需大量額外投資
現在人工智能屬於“試錯階段”
同時技術也在快速演變和迭代
如果另起爐灶，得不償失
③
最熟悉的平臺，做最靠譜的事
CPU平臺，你用了這麼多年
用熟悉且信任的平臺
構建“激進”的AI項目
本身就是一個絕好的平衡
讓技術風險可控
所以
↓
4.場景的坑
用一套專用的AI方案綁架客戶
意味著，不管啥場景、不管啥應用
統統只推薦一套方案
不靈活
是專用AI硬件平臺的弊端之一
而CPU平臺有極強的靈活性
滿足上層AI場景的百變需求
所以
↓
數據、算法、算力、場景
踩完4大關鍵要素的坑兒
我們發現
AI的落地，需要一個
靈活的、成熟的、高性價比的平臺↓
①能對數據進行持續分析和利用
②能讓各種AI算法都愉快work起來
③能提供與訓練需求相匹配的算力
④能靈活適配各類AI應用場景
……
而這個平臺，可能早已擁有
或者，你可以輕鬆升級▼
↓
對，用你熟悉的硬件平臺
再導入
英特爾在AI軟件層面的最新優化組合
比如：框架、工具、庫
就能立刻盤活你的數據中心
承載任何AI高強度應用↓
英特爾完成了對Caffe、TensorFlow、MXnet、BigDL等主流深度學習框架的優化。提供了英特爾MKL／MKL-DNN，DAAL等AI優化庫以及英特爾深度學習Studio及開發套件等工具包。
很多客戶已經基於這個平臺
開始了大規模AI應用
比如▼
中國銀聯電子商務與電子支付國家工程實驗室
基於英特爾至強平臺、Cloudera CDH、Apache Spark和BigDL構建的人工神經網絡風控系統，與基於規則的風控系統相比，能提升高達20%的正確度，並具備60%的涵蓋率，從而在短短數月內就達到了最佳訓練模式。該實驗室的GBDT →GRU→RF 三明治 結構欺詐偵測模型 ，在至強平臺 以及 BigDL 、面向英特爾架構優化的 TensorFlow 、 英特爾 MKL -DNN 和DAAL 等框架和工具的支持下，效率也得以大幅提升 。
京東
在基於至強的集群上將圖像檢測和提取方案升級為英特爾開源的BigDL，其性能比原有的基於專有架構的解決方案提升了3.83 倍。
由於BigDL允許以Scala或Python編寫深度學習應用程序，也為開發、運維人員帶來了極大便利。
UCloud
基於至強平臺構建的AI在線服務在搭配面向英特爾架構優化的 Caffe 框架後，同時運行的線程數量顯著增加，整體執行性能提高了10倍以上。
它在人臉表情識別的測試中，在併發數為8-16節點時，性能可與專用架構的平臺相媲美。
GE 醫療集團
在使用至強處理器的四個或四個以下的專用內核對CT影像進行分類測試時發現，由英特爾深度學習開發工具包和MKL-DNN生成的優化代碼，相比在同樣系統上運行的基準TensorFlow模型，在推理吞吐量上平均提高了14倍。
AI就在，自家機房燈火闌珊處
從CPU平臺開始
從熟悉和信任的平臺開始
開始你的AI之旅吧
閱讀更多 英特爾中國 的文章
