第四范式-AutoML引领AI民主化之路.pdf

2016年3月,当谷歌的AlphaGo战胜顶尖围棋高手李世石轰动世界时,很多企业高管在问:AI是什么?跟我有什么关系?如今,越来越多的企业高管在问:AI能为我做些什么?我如何才能获得Al能力?
Gartner在2019年发布的”Survey Analysis: Al and ML DevelopmentStrategies, Motivators and Adoption Challenges”中针对“企业部署Al的主要动机”进行调研。调研显示,“在企业采用Al的前三大动机中,大多数企业强调了客户体验(63%)和工作自动化(66%)。”1 Al为企业带来效率提升.价值增长和成本降低然而,企业获取Al能力的过程并不是一帆风顺的,所面临的三大核心挑战,也恰恰是效率价值和成本,即模型开发效率不足业务价值无法最大化并且算力成本投入居高不下。
模型开发效率不足,如何实现“人人皆可用A”?
伴随着人工智能技术的日臻成熟, AI正快速进入“工业化”阶 段。Gartner研究显示,“受访企业普遍预期自己将在未来加速部署Al应用。调查对象目前平均有4个项目,平均而言,预计未来12个月内将增加6个项目,未来两年内再增加10个项目,未来三年内再增加15个项目,到2022年,各企业平均部署的Al或ML项目将达到35个。”2 对汹涌而至的AI规模化部署趋势,摩拳擦掌的企业是否已经做好充足的准备了呢?我们发现,人才缺失成为横亘在企业AIl规模化面前一座难以逾越的大山。
模型构建的高难度,对人员的数据科学技能提出极高要求。然而, AI人才像大熊猫一样稀缺,全球诸多区域A人才储备捉襟见肘,即便是北京和旧金山湾区等A人才聚集的区域,也存在极大的人才缺口,Al规模化落地受制于“人”。
与此同时,那些投掷重金聘请科学家的企业,也并未收获到所期望的业务价值。模型构建中繁杂的重复任务,以及对AI落地方法的错误认知所带来的不必要时间消耗,严重挤占了科学家的宝贵时间,降低了模型开发效率,极大延缓了A落地进程。
那么,该如何解决“没有人工就没有智能”的问题,应对AI人才稀缺带来的AI应用落地难题,实现“人人皆可用A”呢?

本文来自知之小站

 

PDF报告已分享至知识星球,微信扫码加入查阅下载2万+精选资料,年享1万+精选更新

(星球内包含更多网站未发布精选报告)