2019-11-20 15:08
OpenBayes贝式计算是一家相对早期的初创企业，致力于构建中国人工智能领域的基础设施。开展业务大概两年时间，期间获得了联想之星和招商局创新投的注资。我们构建了OpenBayes机器学习系统，其特性是自动化和多模态，可基于用户数据实现人工智能模型系统自动化批量交付。同时在全自动建模系统之外，我们也形成了半自动模型生产线，通过算力容器、环境预置、自动数据增强、超参数调优、自动运维部署等功能模块帮助企业研发团队提升效率，降低成本。
如果以“AI+”和“+AI”来区分人工智能企业，我们属于后者，专注传统领域+AI。早期的人工智能企业趁着传统公司没回过味来，还有颠覆的机会，但现在人工智能大热，传统公司不会等着你来颠覆，他们会自己大力建设AI研发部门。现在再走拿着锤子找钉子的路线，对我们这样一个初创企业来说风险极大，我们要选择比较稳妥的道路。所以我们在这个阶段，会更多与行业头部公司合作落地，更少地谈赋能，更多地谈ROI（投资回报率）。
作为初创公司，贝式计算在持续数据处理能力方面和顶级公司不相上下，这得益于公司和团队成员服务过很多头部企业，覆盖多个大型工业场景，处理过海量数据。但我认为，AI初创企业在商业合作过程中姿态还是要放得更低一点。不要觉得你的技术比客户牛，客户在自己的领域都有很深的knowhow。有的公司和港口谈合作，说未来愿景是码头自动化，那港口客户会觉得，你建自动化码头，客户自己做什么？
贝式计算则更多和客户沟通：哪些AI技术能够在客户的场景中落地，比如目标检测、语义分割、文本摘要等，具体到投入多少经费，需要多长研发周期，最终能产生多少效益。需要落实方方面面的细节，而且实验细节的周期往往比经费更重要，这关系着客户与你合作的信心。得益于我们自研的自动建模和算力容器技术，往往可以快速批量地帮助用户实现技术落地，增强其信心。
自动建模技术的各个模块会在用户需求中起到重要作用，涉及自动数据增强、自动数据调优、模型结构搜索或者超参数搜索。贝式计算基于该计算系统能通过算子复用进而形成原子能力，以及业务模型复用能力。这种能力的构建并不容易，开始的时候需要甚至同时训练近千个模型，团队在创立之前已经持续做了四五年，形成了自己的knowhow。
我们提供的平台服务可以帮助客户：
1、提高人力效率和时间投入回报率
让客户免于环境配置工作、数据集管理、参数调优带来的重复性劳动，推进最佳实践，能将算法工程师的单人人效提升300%以上，且有机会交叉横向实践多个横向题目，大幅增加工作的可复用性。
2、低上手成本，提供自动化运维，硬件资源实时监控，提升集群利用效率
系统对队列执行、并行训练的支持使参数调优、数据优化工作大幅减少，同时可以有效增加非工作时间的集群使用频率，使用得当可将集群利用率提升为正常使用状态下的1-2倍。
3、缩短模型交付时长，提示交付频次
自动化的超参数调优与数据增强工作，在数理逻辑上大幅缩短了模型的交付周期，提升模型泛化能力，单模型任务交付时间平均减少20%-25%，且可以交叉进行多个项目，全年工程团队研发效率可提升40%以上。
接下来，分享一些我们对于AI落地的经验和看法，包括踩过的一些坑。
下图是Gartner 2019年度人工智能技术成熟度曲线图。可以看到一些在全球范围内比较火热的AI相关技术在过去18-24个月已经越过期望度的峰值，比如广义上的自然语言处理、虚拟助手、机器视觉技术。这轮热潮已经持续消退近一年，明年可能会有更严重的下滑。
事实上AI在一个行业提升渗透率需要时间，在2014-2017年这一轮热潮下，AI赋能最为集中的是金融、安防和医疗三个领域，现在的头部公司也都经历了相当长时间的积累。从技术到场景需要时间，不仅受限于技术落地的难度，往往还取决于人们对该领域的认知度以及传统领域改造所需的时间，这都是创业公司要考虑的问题。
贝式计算是一家以自动建模技术发端的企业服务机构，近期关注的部分技术点正在这条曲线上拥有增长的期望值。比如AI开发者工具、连续学习、数据标记和注释服务、AI专有云等。从上图曲线来看，有的技术成熟度较高，应用场景比较明确，但有的技术还处在概念阶段。
这条曲线显示了两个已经发生的趋势。首先，在人工智能定义严重泛化的今天，任何AI公司都不能只靠单点的技术能力存活，需要拥有多个技术发力点及工程落地能力。其次，拥有商业场景的公司自研AI模型系统正在成为新趋势。
在这个新趋势中，贝式计算希望构建的产品能降低商业机构自研及运营AI系统的门槛，提升关键环节的构建和运营效率，进而提升AI技术在整个商业环境中的渗透率。如前所述，在金融、安防和医疗领域，AI技术的渗透率实现了高速增长。但我们判断在整个商业环境中AI的渗透率还不足15%，仍然拥有极大的增长空间。
目前这个推断和我们的产品方向也得到了一定的验证。作为一个成立两年处于A轮阶段的公司，在过去两年里，我们的销售额大概每年增长300%-400%，从第一年的100-200万，到第二年的600-800万，再到今年将近2000万，明年预计能到4000-5000万左右。
算法在落地的过程中，面临很多不确定性。有报道称即使在国内某个顶级云服务公司内部，人工智能项目失败率也将近三分之一。除去面临的不确定性风险，一个项目拖到七八个月，即使做成了，客户也早就不耐烦了。底层交付需要快速准确地做出客户需要的东西，让客户看到明显的效果，而工业界面临的场景非常复杂，这就要求初创公司有厚实的能力，运用不同的算子能力解决具体的业务问题。所以我们希望能提供一套基础设施，帮助各个团队更快落地。
OpenBayes机器学习系统作为一套神经网络模型的全生命周期管理系统，是工业界进入机器智能领域的万能钥匙，是算法工程师团队的最佳助手。
工业界企业往往还有一个核心需求，就是自主可控。越来越多的客户希望拥有自研AI的能力，自己团队去做需要大量成本和很长周期，但又不想这一核心能力依赖外部供应商，所以希望我们帮助生成一套完善的模型系统。前不久某个换脸社交应用使用的API被云服务供应商切断导致用户数骤停，就是一个典型案例。而这正是初创公司的机会所在。贝式计算通过建立一站式的计算系统，让客户能低成本快速批量实现自己的需求，从而实现共生关系。
那我们怎么做到这件事，我认为就是聪明人要下笨功夫。
比如我们为宁波大榭码头解决岸吊的问题。码头的岸吊负责在卡车和船之间搬运集装箱，这个机械需要一个人配合，保证车的集装箱中线停在岸吊的中线上时，正负误差不超五厘米，否则来回错车影响码头局部的运作效率。
振华重工一开始的解决方案是使用64线激光雷达感知拖车和集装箱的空间信息，进而实现定位。码头一开始对于上马这个工程有些犹豫，因为一个设备80万，16台岸吊仅在终端传感器上就要投入近千万，于是决定先装两台激光雷达试验一下。合作的人工智能公司在办公室里调试了将近8个月都没有成果，甚至很难准确估计出卡车体积。于是码头信息部联络了贝式计算。
我们在研究数据时发现成像精度非常低，后来我们公司的同事自己上岸吊查看工业环境，信息部的领导非常感动，说其他合作方来了这么多博士，没有一个自己上过岸吊。
经过实地考察，我们正确评估出几十吨重的岸吊在海风中的颤抖幅度，进而帮助码头信息部使用花费无多的摄像头就完成了该任务。虽然我们的收入看上去比原有竞争对手的方案少了很多，但我们借此打开了局面，运用我们的算法进一步为码头提升了集装箱周转的效率，后来我们又与更高层面的招商局港口集团合作，他们选择自建超级计算机，来运行贝式计算做整套自动化建模流程，将人工智能技术用于多个传统码头的自动化改造。
所以在AI落地的过程中，往往不是只靠算法就能解决问题。你只有真真切切和客户一起去做这件事，比如一起爬到岸吊上去，找到最优解决方法。这是一件非常复杂的事情。只有聪明人下笨功夫，才能在行业+AI落地中，更好地建立起自己的壁垒。