自建AI如何帮助企业转型升级？

资讯 3年前

1.94K

文｜曾响铃来源｜科技向令说从来没有一个时代，像今天这样对人工智能的未来充满乐观。在新近的报告中，Gartner预测到2022年，企业应用AI的平均数量相对2019年将增长9倍，而到2022年，

文｜曾响铃

来源｜科技向令说

从来没有一个时代，像今天这样对人工智能的未来充满乐观。

在新近的报告中，Gartner预测到2022年，企业应用AI的平均数量相对2019年将增长9倍，而到2022年，AI商业价值将达到3．9万亿美元；Forrester则更为乐观，其综合各种市场调查分析后认为到2025年，所有企业都将使用AI。

可以说，Al项目将在不久的将来蓬勃发展。

但是，这是针对于AI业界宏观趋势的判断，对那些真正需要用到AI的企业来说，选择什么样的方式、什么样的服务商来获得AI能力，仍然是一个必须考虑的问题。这其中，对于很多体量较大的企业而言，自建AI而非购买现成AI服务成为首要选择，给从事相关领域的AI技术服务商打开了庞大的商业空间，而由于涉及数字化转型升级的战略动作，牵一发而动全身，这些企业选择服务商也会更为谨慎。

这时候，一些权威行业报告的价值就体现出来。

不久前，Forrester发布“The Forrester Wave?：Predictive Analytics And Machine Learning In China，Q4 2020”报告，对中国PAML（预测分析与机器学习）厂商进行了年度评估。AI主要由机器学习（ML）模型组成，这个报告既可以看作行业层面的盘点，更给予希望选择正确的PAML解决方案自建AI、提升AI生产力的企业以权威的参考。

从这个报告，我们可以看到巨头竞逐下PAML市场行业格局的巨大变化，以及自建AI庞大的商业机会背后的独特挑战。

自建AI的PAML成为大势所趋低门槛、规模化、算力优化成为三大能力

从玩家分布的格局来看，2020年，服务自建AI的PAML呈现三大技术巨头＋一个独角兽企业领衔的市场格局，阿里云、华为云、第四范式、百度智能云位居Leaders象限，显示它们在帮助企业自建AI这件事上取得了先机：

从Forrester Wave报告，看自建AI如何帮助企业转型升级

值得一提的是，这个象限图的取得，建立在Forrester一整套成熟的指标体系基础之上。

例如，纵轴代表当前产品的优势，包括数据、建模、协作、模型评估、模型运营、方法和算法以及平台基础设施等；横轴则代表面向未来的战略优势，包括执行能力、解决方案路线图、实施、合作伙伴、价格策略和社区等；圆圈大小则表示市场地位，其结果由客户认可度、产品收益评估值及市场认知度三大维度得出。

正是由于复杂、严密的指标库，让Forrester的各类分析报告得到市场广泛认可。

同时，报告中指出，中国数字经济正在蓬勃发展，企业选择正确的PAML产品可帮助企业快速、规模化构建AI应用，提高企业生产力。

因此，Forrester报告中，也着重总结了PAML产品所应具备的三大能力：

1、可为不同的团队简化模型开发

随着企业业务的不断发展，AI应用场景也将从几个扩展至数千个。为此，PAML产品应当具备适合不同团队和角色的模型开发能力。PAML需要友好的可视化界面来开发AI模型；侧重代码的数据科学团队需要可覆盖整个模型开发生命周期的完整、集成的独立开发环境；不具备深厚ML知识的商业用户则需要特性齐全的自动机器学习（AutoML）能力来提高ML生产效率。

2、可快速大规模地部署机器学习模型

构建ML模型只是起点，为实现业务效益，公司必须将模型部署到生产应用中，并对其进行监督管理。PAML需要具备从开发系统到生产系统的模型部署能力，以业务友好的方式监督ML模型性能，管理ML模型并确保部门间协同合作，使用新数据对在线ML模型进行再训练以防性能下降。

3、可利用分布式和混合架构加速训练和推理

在模型训练过程中，会涉及大量参数运算，从而加重计算基础设施的负担。PAML应帮助企业有效地将训练工作量分配到分布式架构中，以减少开发人员的等待时间。此外，模型推理会直接决定客户体验，为满足推理需求并符合隐私规定，PAML应提供混合架构，便于跨云、数据中心和边缘部署模型。

抢占企业自建AI的蓝海，PAML玩家还面临三大挑战

蓝海的风浪不来自于同行的竞争，客户的需求决定着玩家能否走得更稳、更远，当下的自建AI市场也是如此。

从客户需求的角度出发，结合Forrester报告的一些洞察，我们能得到当下PAML赛道上的玩家面临的三大挑战，这些挑战，是后进者必须思考的问题。反过来看，也正是有效应对了这些挑战，阿里云、华为云、第四范式、百度智能云才能位居Leaders象限，或者，从另一个角度看，第四范式这个独角兽才能与巨头们坐在一起。

1、技术层面，能力无限高，但门槛要无限低

企业对AI技术发挥的价值的索取肯定是没有上限的，AI建模必须足够优质，因此自建AI是一件十分需要“技术含量”的事，如果抛开外部的服务平台，它们自己来做一般需要由AI专家来完成，在AI人才紧缺的大背景下，这是一件非常昂贵的事，有着很高的资源投入门槛。

因此，作为外部技术服务商，PAML玩家进场赋能，既需要提供足够的技术能力，也不能让自建AI这件事变得很高门槛。按Forrester在报告中的表述，具备优势的企业必须“可为不同的团队简化模型开发”、“赋予数据工程师、科学家、商务人士和应用程序开发人员更多的能力”——这本身也是AI大范围在企业普及的一种必然和必要。

这方面，头部象限的阿里云等玩家都为客户提供了系统化的工具平台，在保证技术深度的同时降低门槛如何让业务人员达到AI专家的能力呢？Forrester在报告中提到，自动机器学习（AutoML）应该是破局之道。AutoML简单来说，是一种让AI建模自动化的过程，因此大幅降低了AI应用门槛。目前，各大厂商都在PAML厂商中加入了AutoML能力。但第四范式的AutoML因为在缩短数据准备周期、通过超高维算法提高模型性能、持续优化模型等技术、功能上的简化，受到了Forrester以及第四范式客户等多方的青睐。在报告中，第四范式的受访客户表示，AutoML在某些场景中，可以和数据科学家一样出色，同时也对第四范式ML项目管理和安全特性感到满意。

用AI造AI专家，或是下一步自建AI的玩法之一，但它本身对技术的需求又高了一个层级。

2、应用层面，深入场景的落地性才能让自建AI的价值成立

企业自建AI的最终目的是为了提升业务表现，无论什么样超前的技术、精细化的建模，都需要落地到场景方案当中去。

一个优质的、得到市场广泛认可的PAML厂商，肯定都手握了大量场景实践，这些落地是它们技术服务能力的唯一最终衡量标准。

阿里云、华为云、百度云凭借云计算的市场表现，以及AI上云的趋势，在自建AI领域有着天然的实践落地优势，它们一旦上线PAML就能马上得到客户认可并不意外。而第四范式这个早在2014年就创立、普通人很少听过名字的AI平台与技术服务提供商，它能在PAML领域获得的认可，与推动企业自建AI落地到广泛的场景实践有直接关系。

中国90％的持卡人背后享受的交易智能化保护，都有第四范式服务的影子，其服务的金融机构资产总规模超过50万亿；此外，肯德基每一笔订单背后的智能计算（智能推荐等），也源自第四范式的服务；疫情期间CDC与工信部的AI抗疫方案，也是这家公司在背后提供支持。

大众市场对To B技术服务商的陌生是正常的，阿里云、华为云、第四范式、百度智能云等等在服务企业AI能力这件事上已经有着广泛的布局，这本身即是自建AI的竞争壁垒，根据公开资料显示，即便“不太为人所知”的第四范式，也已经在金融、零售、制造、医疗、能源、互联网等领域成功落地上万个AI应用，头部客户包括工商银行、交通银行、招商银行、中石油、华油能源、百胜中国、永辉超市、百威、来伊份、美素佳儿、人民日报、瑞金医院等等。

3、统合推进层面，自建AI不只有技术服务更需要系统化提升

在To B服务领域，一个趋势越来越明显，即服务方不再仅限于提供某一个模块的技术服务，而转向整体提升客户企业的业务能力。除了商业机会的考虑，核心服务内容必须依赖企业其他配套能力的提升才能实现更好的落地。

服务自建AI也是如此，PAML供应商即便提供了高技术水准、低门槛、拥有广泛场景实践支撑的解决方案，也需要客户企业在业务条线、数据逻辑、系统整合、人才培养等方面进行适配，才能让自建AI更好地产生应用、创造场景落地价值。

按Forrester报告中的说法，这是大规模部署层面“从开发系统到生产系统的模型部署管道，以业务友好的方式监督ML模型性能，管理ML模型并确保部门间AI团队能协同合作”。

最后，回过头来看，尽管头部象限的几个玩家应对这些挑战都做得还不错，但挑战并没有结束，它们将是一个持续的过程，谁能最终获得客户更多的认可、获得市场的青睐，还需要更多时间的验证。。

自建AI一片向好但市场纷争仍充满未知

在Forrester的另一份相关领域的报告中，可以发现越来越多的企业开始重视自建AI能力，受访企业意愿比例从25％提升到了42％：

从Forrester Wave报告，看自建AI如何帮助企业转型升级