在實(shí)驗(yàn)室中開發(fā)算法難，將AI研究成果帶出實(shí)驗(yàn)室更是難上加難。怎樣將AI變成產(chǎn)品并實(shí)現(xiàn)商業(yè)價(jià)值？產(chǎn)品和技術(shù)方面有什么改進(jìn)要點(diǎn)？如何控制企業(yè)應(yīng)用AI技術(shù)的成本？有效的AI產(chǎn)品化可以怎樣優(yōu)化銀行反欺詐體系？我們可以期待一個(gè)智能的未來嗎？
AI已經(jīng)誕生了60多年，即使伴隨著計(jì)算能力的突飛猛進(jìn)和大數(shù)據(jù)時(shí)代的來臨，但AI的理論到實(shí)踐之路仍不是那么好走。機(jī)器學(xué)習(xí)面臨高維海量數(shù)據(jù)的現(xiàn)實(shí)挑戰(zhàn)，求解企業(yè)自建機(jī)器學(xué)習(xí)技術(shù)產(chǎn)品設(shè)計(jì)和工程優(yōu)化是當(dāng)前眾多行業(yè)從業(yè)者苦苦探索，試圖翻越的“AI鴻溝”。
本次是雷鋒網(wǎng)AI金融專場(chǎng)公開課之第三期，我們有幸邀請(qǐng)到第四范式聯(lián)合創(chuàng)始人、首席架構(gòu)師胡時(shí)偉，以及產(chǎn)品經(jīng)理周開拓來分享他帶領(lǐng)團(tuán)隊(duì)完成AI首個(gè)全流程產(chǎn)品的心得。
嘉賓簡(jiǎn)介：胡時(shí)偉，第四范式聯(lián)合創(chuàng)始人、首席架構(gòu)師。在百度任職期間作為系統(tǒng)架構(gòu)負(fù)責(zé)人，主持了百度商業(yè)客戶運(yùn)營(yíng)、鳳巢新興變現(xiàn)、“商業(yè)知心”搜索、阿拉丁生態(tài)等多個(gè)核心系統(tǒng)的架構(gòu)設(shè)計(jì)工作；作為鏈家網(wǎng)創(chuàng)始團(tuán)隊(duì)成員，完成了鏈家網(wǎng)新主站、經(jīng)紀(jì)人新作業(yè)系統(tǒng)、績(jī)效變革系統(tǒng)的整體架構(gòu)設(shè)計(jì)以及研發(fā)團(tuán)隊(duì)的建設(shè)管理。現(xiàn)任第四范式研發(fā)總工程師，帶領(lǐng)團(tuán)隊(duì)打造出國(guó)內(nèi)首款人工智能全流程平臺(tái)“第四范式·先知”，“先知”平臺(tái)2016年榮獲中國(guó)智能科技最高獎(jiǎng)——“吳文俊人工智能科學(xué)技術(shù)獎(jiǎng)”創(chuàng)新獎(jiǎng)一等獎(jiǎng)。
以下是本次公開課實(shí)錄，雷鋒網(wǎng)做了不改變?cè)獾木庉嫞?/em>
今天我們給大家分享的主題是如何以產(chǎn)品化的形式實(shí)現(xiàn)AI的商業(yè)價(jià)值，主要分成3個(gè)部分：第一部分是商業(yè)價(jià)值；第二部分是產(chǎn)品化；第三部分，請(qǐng)開拓給大家講一講他為公有云客戶提供平臺(tái)化產(chǎn)品的經(jīng)驗(yàn)和體會(huì)。
如何發(fā)掘AI的商業(yè)價(jià)值
談到AI的商業(yè)價(jià)值，首先談一下AI是什么。今天教育、醫(yī)療、金融等各行各業(yè)的人都在憧憬人工智能，并且嘗試實(shí)踐，利用人工智能的技術(shù)來給行業(yè)提供價(jià)值。這里面定義很復(fù)雜，今天先不講概念，首先縮小一下范圍，談一下數(shù)據(jù)驅(qū)動(dòng)的人工智能。
當(dāng)今大多數(shù)的AI系統(tǒng)由兩個(gè)基石組成：一個(gè)是大數(shù)據(jù)，一個(gè)是機(jī)器學(xué)習(xí)的技術(shù)。比如AlphaGo，它的成功首先是因?yàn)槲{了KGS的網(wǎng)站上30多萬張棋譜——這個(gè)是AlphaGo第一波數(shù)據(jù)。此外，結(jié)合深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等機(jī)器學(xué)習(xí)的技術(shù)，AlphaGo可以比以前基于規(guī)則或者基于淺層神經(jīng)網(wǎng)絡(luò)的對(duì)弈程序，擁有更好的表現(xiàn)。
所以我們認(rèn)為，人工智能=大數(shù)據(jù)+機(jī)器學(xué)習(xí)。如果說大數(shù)據(jù)是原材料——米，機(jī)器學(xué)習(xí)是工具——電飯煲，那么人工智能就是白米飯。
有效AI應(yīng)用的5個(gè)要素所謂有效的AI應(yīng)用，指至少可以替代人去做一件事情，比如下棋，打游戲，或者安全防護(hù)。對(duì)此，我們總結(jié)了產(chǎn)生一個(gè)有效的AI應(yīng)用的5個(gè)要素：
我們對(duì)下圍棋可以定義一個(gè)數(shù)字化的目標(biāo)，即數(shù)子或數(shù)目的勝負(fù)。而如果定義的目標(biāo)是下得有藝術(shù)，那就不是一個(gè)清晰的問題邊界，因?yàn)檫@些是主觀化的定義。
此外，也需要持續(xù)的外部反饋。只給一張棋譜是無法讓機(jī)器自動(dòng)下棋的，需要持續(xù)的外部或者內(nèi)部的系統(tǒng)產(chǎn)生反饋信號(hào)。AlphaGo自我對(duì)弈的功能，就是持續(xù)地產(chǎn)生內(nèi)部反饋。
足夠多的數(shù)據(jù)
如果只有反饋信號(hào)，沒有特征，也是不可。
舉例來說，用AI技術(shù)識(shí)別欺詐交易，那么交易相關(guān)主體的屬性，例如人的性別、年齡、居住地址就特別重要，否則，如果我們只知道某天某個(gè)卡，交易了多少錢，那么這些數(shù)據(jù)是不夠的——因?yàn)檫@種情況下得到的只有反饋信號(hào)，沒有特征。
培養(yǎng)一個(gè)成功的AI科學(xué)家要6年到10年的時(shí)間，但同時(shí)帶來的價(jià)值也特別大，但今天世界上頂尖的AI科學(xué)家，其實(shí)并不多，因?yàn)樽鳛橐粋€(gè)頂尖的AI科學(xué)家，也要橫跨很多很多不同的領(lǐng)域。
以銀行為例，AI可以做什么？下面我們通過銀行的交易反欺詐來講一下，AI可以做到的事，究竟是什么。
信用卡盜刷、電信詐騙等這種事情都是典型的欺詐交易。根據(jù)相關(guān)報(bào)告調(diào)查，中國(guó)是信用卡欺詐以及銀行卡欺詐發(fā)生最為嚴(yán)重的地區(qū)，并且欺詐手段越來越多元化。應(yīng)該這么說：這個(gè)世界上最聰明的腦袋，一部分在做壞事，另外一部分在防止做壞事。
銀行解決欺詐問題的主要方法過去銀行解決欺詐問題有4個(gè)主要的方法，比較直觀的方法有：法規(guī)政策、信息安全技術(shù)，例如借助token等通過防守和法律的方式來解決問題。
另外兩個(gè)相對(duì)智能：一是專家規(guī)則，二是模型。
當(dāng)前而言，國(guó)際上做反欺詐做得最好的廠商有100多名專家，每年投入數(shù)千萬美元的研發(fā)成本來維護(hù)專家的規(guī)則。這些規(guī)則少則幾千條，多則上萬條：比如同一張卡短時(shí)間在兩個(gè)城市交易首次取現(xiàn)密碼錯(cuò)誤等。通過規(guī)則來防守，其有效性是毋庸置疑的，但同時(shí)也存在著缺點(diǎn)：
一方面，這種方法比較依賴于專家的主觀性。專家行業(yè)積累越深，越有經(jīng)驗(yàn)，但是面向較新的技術(shù)時(shí)，并不一定能夠應(yīng)付。
另一方面，規(guī)則需要持續(xù)維護(hù)，以便應(yīng)對(duì)犯罪分子的變化。比如，規(guī)則設(shè)定為“交易八千元以上要進(jìn)行審核”，或者“某個(gè)年齡點(diǎn)以上要進(jìn)行審核”等，這時(shí)犯罪分子會(huì)通過試探來找到規(guī)則的邊界，從而實(shí)行欺詐，比如正好盜刷7999元。
最后一點(diǎn)是，多種規(guī)則之間存在排斥關(guān)系，規(guī)則A能解決一個(gè)問題，但解決不了另外一個(gè)問題。
值得一提的是，傳統(tǒng)上也有基于神經(jīng)網(wǎng)絡(luò)的模型的解決方案，然而這種神經(jīng)網(wǎng)絡(luò)是指原先基于反向傳播技術(shù)的淺層神經(jīng)網(wǎng)絡(luò)，由于其結(jié)構(gòu)較為簡(jiǎn)單，導(dǎo)致數(shù)據(jù)利用不充分，所以多數(shù)情況下也無法提供足夠多的效果。
高維模型技術(shù)全量建模在反欺詐技術(shù)上我們和銀行的合作，首先做的是把以前在互聯(lián)網(wǎng)企業(yè)做的高維模型技術(shù)移植過來，然后用全量的歷史交易取代采樣的歷史交易——利用幾百G，甚至上T的數(shù)據(jù)來做基礎(chǔ)建模工作。
比如，通過使用持卡人的屬性、商務(wù)信息、交易通道等特征，進(jìn)而衍生出一定的二階特征。舉例來說，持卡人的屬性，組合上商戶的屬性——即什么樣的人在什么樣的店里，是否發(fā)生異常的行為，比如一個(gè)宅男，突然到了一個(gè)奢侈品店里高額消費(fèi)，那就有可能是盜刷行為。
根據(jù)經(jīng)驗(yàn)，越多的特征和越多特征組合可以更好地刻畫客觀的規(guī)律，但由于人的想象空間有限，在挖掘二階特征之后，對(duì)于三階特征、四階特征便出現(xiàn)了瓶頸。
這個(gè)時(shí)候，我們就引入了一個(gè)新的技術(shù)——特征的自動(dòng)組合和探索。依靠這個(gè)技術(shù)，我們把特征的最高階數(shù)做到了五階甚至六階，然后把特征的維度——模型可以覆蓋的情況的數(shù)量，做到了數(shù)以十億計(jì)。基于這樣的高階特征，機(jī)器可以快速地學(xué)出各規(guī)則，防范欺詐。
如果一個(gè)犯罪分子欺詐成功了，銀行就要賠付損失，每個(gè)月至少增加千萬級(jí)別的支出。而技術(shù)就在這個(gè)新的場(chǎng)景中發(fā)揮出效益，這個(gè)是商業(yè)的價(jià)值。
技術(shù)分析高維度的大規(guī)模機(jī)器學(xué)習(xí)下面我們從技術(shù)的角度上來分析，究竟是什么技術(shù)使得業(yè)務(wù)的提升成為可能。
VC維是衡量模型智能水平的關(guān)鍵首先，是高維度的大規(guī)模機(jī)器學(xué)習(xí)。對(duì)于用AI解決業(yè)務(wù)問題整體上來說，主要是考慮用VC維的概念。
VC維度是什么？學(xué)術(shù)一點(diǎn)來說是“Vapnik-Chervonenkis Dimension”，一個(gè)由Vapnik和Chervonenkis于1960年代至1990年代建立的統(tǒng)計(jì)學(xué)習(xí)理論，它反映了函數(shù)集的學(xué)習(xí)能力——VC維越大則模型或函數(shù)越復(fù)雜，學(xué)習(xí)能力就越強(qiáng)。
大腦的維度大概就是大腦腦細(xì)胞的個(gè)數(shù)，所以可以把VC維度理解為腦細(xì)胞維度。而機(jī)器的維度也需要更多的腦細(xì)胞，才能更聰明，才能學(xué)習(xí)更多的知識(shí)。機(jī)器的誤差隨著模型維度的提升而降低。
此外還有奧卡姆剃刀原理——如無必要，勿增數(shù)據(jù)。但是這個(gè)理論其實(shí)是二三十年之前才是正確的理論，今時(shí)不同往日的是，今天的手機(jī)和那個(gè)年代的超級(jí)計(jì)算機(jī)差不多，今天整個(gè)互聯(lián)網(wǎng)一秒鐘累積的數(shù)據(jù)也許就已經(jīng)可以達(dá)到過去一年所累積的數(shù)據(jù)水平。因此，今天我們有更大的數(shù)據(jù)，也要有更大的利用數(shù)據(jù)的方式。
所以衡量一個(gè)模型的智能水平，就是VC維越高越好。過去因?yàn)闆]有足夠的數(shù)據(jù)，所以無法做高。第四范式創(chuàng)始人戴文淵說過：“人做事情是越簡(jiǎn)單越好，機(jī)器做事情是越復(fù)雜越好。因?yàn)闄C(jī)器既不知疲倦，而且做重復(fù)性工作的戰(zhàn)斗力特別強(qiáng)。”因此，從技術(shù)來角度來講，我們就要把維度提高。
維度提升之后，緊接著的問題是：高維度的大規(guī)模機(jī)器學(xué)習(xí)需要有算法框架的支持。
原來的系統(tǒng)中，無論是數(shù)的算法，還是回歸算法或者神經(jīng)網(wǎng)絡(luò)算法，一旦層數(shù)或者并行變量的數(shù)量增加以后，運(yùn)行會(huì)變得極其緩慢。如今深度神經(jīng)網(wǎng)絡(luò)的進(jìn)步，也得益于英偉達(dá)的GPU。
因?yàn)樗惴ǖ男Ч亲罱K價(jià)值的關(guān)鍵，所以這個(gè)方面必須要達(dá)到最極致的優(yōu)化，針對(duì)這個(gè)問題，市場(chǎng)上有一些開源的框架。而我們自己開發(fā)了一個(gè)框架，叫GDBT，即通用的分布式框架。
通用型分布式框架的特點(diǎn)，首先體現(xiàn)在內(nèi)存全分布式，也支持用硬盤的方式來訓(xùn)練；另外具有較好的擴(kuò)展性，傳統(tǒng)中比如Spark或者SparkSQL，其實(shí)可以做到數(shù)據(jù)的并行，但是做不到模型并行；最后也是最重要的一點(diǎn)：快。
在數(shù)據(jù)橫向擴(kuò)展快速的算法，以及維度提升的結(jié)合下，這個(gè)分布式架構(gòu)可以將以前兩個(gè)小時(shí)訓(xùn)練完一千維的效率，提高到現(xiàn)在兩個(gè)小時(shí)訓(xùn)練完1000萬維的速度。
大數(shù)據(jù)本身需要大規(guī)模的數(shù)據(jù)處理能力，因?yàn)樵谀Ｐ陀?xùn)練之前，還需要做復(fù)雜的特征工程。這一點(diǎn)來講，我們用spark，加上一些自主開發(fā)的特征訓(xùn)練算法，并且在spark接口上開發(fā)一些聚合函數(shù)，以此使得單位的時(shí)間內(nèi)可以處理更大吞吐量的數(shù)據(jù)，幫助有限的計(jì)算資源獲得更好的效果。
線上預(yù)估服務(wù)反欺詐中，通過模型提升5到6倍的效果，才完成了整個(gè)工作的30%。另外的70%，就是把該技術(shù)用到生產(chǎn)上。用到生產(chǎn)上就要有高性能。
銀行業(yè)和互聯(lián)網(wǎng)行業(yè)很不一樣?；ヂ?lián)網(wǎng)行業(yè)，比如在百度搜索，一天的搜索請(qǐng)求普遍超過十億，甚至20億次，而銀行業(yè)的交易數(shù)據(jù)，即便在當(dāng)前的互聯(lián)網(wǎng)支付時(shí)代，也沒有那么多，但其特點(diǎn)是，會(huì)要求比如在二十毫秒之內(nèi)把整個(gè)流程處理完，并且準(zhǔn)確度保證在99.9%以上。也就是說，穩(wěn)定性是特別重要的問題。
而在高性能角度來講，我們做了如下幾件事情：
第一個(gè)是特征庫(kù)，就是常說的實(shí)時(shí)變量計(jì)算。比如機(jī)器學(xué)習(xí)最后做出來的特征集里，包含歷史上“某個(gè)人曾經(jīng)去過的5個(gè)地點(diǎn)”一類特征，那么就要在線上建立實(shí)時(shí)數(shù)據(jù)庫(kù)，以便讓機(jī)器能夠取到歷史上的5次甚至是更多——比如最多可能要取到1000條歷史行為數(shù)據(jù)。
第二個(gè)是模型庫(kù)。原先無論是數(shù)模型、線性模型都相對(duì)簡(jiǎn)單，一兩千個(gè)變量甚至都可以在代碼文件里直接去讀取 if else。
但如今，模型的維度上升至1000萬，甚至上億，十幾億，我們就要將其儲(chǔ)存于分布式的存儲(chǔ)。這當(dāng)中也要用到很多技術(shù)，比如模型的特點(diǎn)是一次性地就把整個(gè)模型讀取進(jìn)來；當(dāng)然大家就想用hashtable，在hashtable上也可以進(jìn)行大量的數(shù)據(jù)結(jié)構(gòu)優(yōu)化，以便總體提升性能。
有了這種高性能的線上預(yù)估服務(wù)，我們才能滿足反欺詐一類極其苛刻的業(yè)務(wù)需求。
還有一點(diǎn)就是高可用?！案呖捎谩睂?shí)現(xiàn)起來有比較明確的做法，因?yàn)殂y行也是基于交易，所以有自動(dòng)切換，或者說分片、副本等的技術(shù)。
利用Master-Agent結(jié)構(gòu)，它可以自動(dòng)完成高可用的機(jī)制，不需要再手動(dòng)寫代碼。從中我們可以看到，離線的數(shù)據(jù)模型發(fā)布到模型倉(cāng)庫(kù)后，可以在線地把模型拉上來，包括分片，以及內(nèi)存的數(shù)據(jù)庫(kù)。
產(chǎn)品化，復(fù)制AI研發(fā)能力技術(shù)問題解決之后，我們又面臨一個(gè)很大的問題是：復(fù)制。下面是我們這兩年內(nèi)在各個(gè)領(lǐng)域里面的嘗試和實(shí)踐：
到底需要多少人才能完成如此多的業(yè)務(wù)？其實(shí)我們用的人很少，特別是數(shù)據(jù)科學(xué)家。我們有一些特別的做法可以增強(qiáng)人的能力，降低其他人的進(jìn)入門檻——我們把它叫做產(chǎn)品化。
產(chǎn)品化最核心的思路是：把A的能力固化下來，讓它被更廣泛的人群所用。一開始A能做的事情，我們想辦法讓B也能做；B有可能是比較擅長(zhǎng)業(yè)務(wù)，但是不一定擅長(zhǎng)深入的技術(shù)。
另外一個(gè)產(chǎn)品化的訴求和目標(biāo)是，讓這個(gè)能力用起來更舒服。
先知的組成部分產(chǎn)品化的基礎(chǔ)下，我們可以調(diào)整機(jī)器學(xué)習(xí)科學(xué)家的工作，讓整個(gè)過程形成指數(shù)級(jí)的放大關(guān)系。第四范式產(chǎn)品化的平臺(tái)叫做“先知”，有3個(gè)組成部分：
第一個(gè)叫調(diào)研平臺(tái)，調(diào)研平臺(tái)是一個(gè)純粹向下的過程，可以認(rèn)為是做一個(gè)建模的過程。因?yàn)槲覀円肁I去預(yù)測(cè)一個(gè)業(yè)務(wù)，就要做一個(gè)模型，包括剛剛講的反欺詐模型。
第二個(gè)過程是自學(xué)習(xí)平臺(tái)。反欺詐模型每天都會(huì)有新的數(shù)據(jù)、新的欺詐場(chǎng)景反饋回來，這些新的欺詐場(chǎng)景和內(nèi)容在打上數(shù)據(jù)的標(biāo)記后，我們需要更新模型。更新模型就用歷史的數(shù)據(jù)再訓(xùn)練一遍。所以自學(xué)習(xí)平臺(tái)就是，如果能夠做一套系統(tǒng)，每天用調(diào)研人員做出來的套路，固定地把數(shù)據(jù)變成新的模型參數(shù)文件。
最后是預(yù)估平臺(tái)。我們已經(jīng)有了一個(gè)模型，預(yù)估平臺(tái)要解決兩個(gè)問題：用什么數(shù)據(jù)去預(yù)估，因?yàn)閿?shù)據(jù)在線上和線下可能并不一致，要做大量的轉(zhuǎn)換；第二是是數(shù)據(jù)進(jìn)來以后，如何把數(shù)據(jù)轉(zhuǎn)化成一個(gè)分?jǐn)?shù)。
里面的技術(shù)難點(diǎn)在哪里呢？第一是自動(dòng)機(jī)器學(xué)習(xí)。在這樣一個(gè)界面中，如何保證最終模型的效果？
正常來講，一個(gè)非機(jī)器學(xué)習(xí)或者人工智能數(shù)據(jù)挖掘?qū)I(yè)博士的人，并不懂那些理論，但是上圖中的結(jié)構(gòu)是可以做出來。如何做得比別人好？其中包含以下幾項(xiàng)技術(shù)：
第一是自動(dòng)調(diào)參。從技術(shù)上來講，第一個(gè)部分就是我們?nèi)绾文茉诒M可能少的迭代次數(shù)之下獲得一個(gè)較優(yōu)的解，這是成本和收益的關(guān)系。
第二是自動(dòng)特征工程。什么樣的算法相對(duì)能夠更多地代替人的工作？反欺詐中，傳統(tǒng)的方式上，我們需要分別對(duì)用戶和商戶刻畫畫像，這已經(jīng)是兩個(gè)模型。假如有了高適應(yīng)性的算法，對(duì)于既可以用線性數(shù)據(jù)也可以用離散數(shù)據(jù)的情況，就用連續(xù)值和離散值同時(shí)訓(xùn)練的算法，降低門檻。
第三是高適應(yīng)性算法，比如線性分型、嵌入式的高維模型。
第四是性能的優(yōu)化和實(shí)際性能參數(shù)。自動(dòng)調(diào)參和自動(dòng)特征工程，本質(zhì)上是一個(gè)搜索的過程。但我們不能窮舉，所以需要智能的算法，研究如何能盡可能地減少次數(shù)。
我們現(xiàn)在給客戶提供服務(wù)，只要建模人員建出來的模型，上線過程在web上面一鍵就可以點(diǎn)出來，這個(gè)事情是如何做到的呢？
線上線下有一致性
線上線下的一致性是指，線下怎么處理一個(gè)字段，線上就要怎么一起?。痪€下用什么樣的算法訓(xùn)練，線上就要用什么樣的算法預(yù)估。這個(gè)一致性是通過對(duì)代碼進(jìn)行控制的。
線上自動(dòng)實(shí)時(shí)拼表
即特征預(yù)處理和轉(zhuǎn)換過程的線上版本自動(dòng)生成。舉例來說，線下要統(tǒng)計(jì)過去一個(gè)月的最高消費(fèi)數(shù)值，是可以用一個(gè)circle解決，但由于線上的數(shù)據(jù)是不停積累的，我們就需要一個(gè)自動(dòng)轉(zhuǎn)換的線上版本，簡(jiǎn)稱線上自動(dòng)實(shí)時(shí)拼表。
自動(dòng)發(fā)布
正在提供服務(wù)的模型，怎么能夠一鍵無縫替換模型？怎么做訪問請(qǐng)求遷移？還有一點(diǎn)是發(fā)布。現(xiàn)在發(fā)布的每個(gè)單元，其實(shí)要放在容器里才能做到資源和運(yùn)行環(huán)境的隔離。
基于算子的自學(xué)習(xí)架構(gòu)
自學(xué)習(xí)的架構(gòu)來講，分成3個(gè)部分：
數(shù)據(jù)的自動(dòng)引入。
整個(gè)訓(xùn)練過程的知識(shí)增量學(xué)習(xí)——因?yàn)橐环矫媸菍W(xué)習(xí)代價(jià)的問題，另外一方面其實(shí)還有很多模型是要求有穩(wěn)定性。
調(diào)度機(jī)制，比如如何產(chǎn)生新的模型，如何判斷新的模型。
所以還需要一個(gè)架構(gòu)，就是計(jì)算機(jī)和自學(xué)架構(gòu)。
這張圖是調(diào)研平臺(tái)、自學(xué)習(xí)平臺(tái)、預(yù)估平臺(tái)的整個(gè)生命周期流程，先知平臺(tái)必須要做到全生命周期才能真正給人像擁有鋼鐵俠能力的一種裝備?；谶@整個(gè)系統(tǒng)的外延的完整邊界，我們就可以在上面產(chǎn)生基于AI的應(yīng)用，并且能夠盡可能地降低成本。成本降低了，無論是速度還是效率都能夠得到提升。
對(duì)于先知平臺(tái)的演示，請(qǐng)看視頻（大概在40:00開始）：
雷鋒網(wǎng)公開課視頻實(shí)錄
聯(lián)系客服
