人工智能项目要入门不要入坑-Intel.PDFVIP

人工智能项目，要“入门”不要“入坑” （原文来自：特大号 ） 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， “坑”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