百度智能云

百度智能云 框架及产品架构 适合对有深沉技术沉淀的研发单位使用。 1.技术的综合性管理 2.技术的横展性发布

百度智能云

• 1. 百度智能云
  • 背景介绍
    • AI管理的要素 AI能力的生产、运用和管理
      • AI能力的生产
        • 大规模数据标注 自主开发模型 采购第三方模型
          • 谁来开发？
            • 自主
              • 自主开发的能力评估：自主开发需要哪些技能支持？
              • 如何判断我司具备自主开发能力？
            • 第三方
              • 支持哪些知名模型？
                • 海康？
                • 康耐视？
                • 基恩士？
                • 其他?
          • 算法是通过采购获得？
            • 大数据标注
              • 需要投入海量人力
              • 需要大量工时
              • 需要专业人才进行标注裁定
        • 此项人工开发内容较多
      • AI能力的运用
        • 部署在GPU服务器 部署在端设备
          • 主机与边缘服务器如何部署
            • 若采购的第三方是否依旧需要多次授权？
            • 装配对应第三方模型是否要使用配套硬件（技术壁垒）？
          • 工厂的工位分布离散
            • 需要哪些基础设施支持？
            • 是否影响生产？
            • 工期参考？
          • 是否有阶梯型的算力分布规划案例
            • 如何拆分算力？
              • 分散前需要做哪些评估？
              • 模型的分类？
              • 场景的分类？
              • 硬件条件？
              • 带宽条件？
      • AI能力的管理
        • 全生命周期的样本管理 全生命周期的模型服务 算力资源及智能设备
          • 需要一套完善的管理制度
            • 我司管理的职责划分和范围？
            • 我司是否有相应的配套流程/体制进行支持?
            • 使用成功案例是否会直接套模板，难以进行定制化？
  • Why?
    • 解决2大问题
      • 1.模型分散/复用难
        • AI服务能力的集中管理/开放共享 降低AI能力建设、管理、应用成本
      • 2.人才稀缺/门槛高
        • 扩大受众，降低AI技术应用门槛 提高AI业务探索效率
  • How?
    • • 云平台的架构
        • 是否只是提供中台服务
          • 数据管理
          • 核心算力
      • 注：标题定义是中台的定位
        • 不含前台？
        • 不含私有云？
• 2. 案例
  • 自研
    • 研究部门进行模型开发
  • 管理
    • • 实例
  • 点评：
    • 需要强大的第三方/自研算法实力
    • 主要功能突出在算法的集成，而非开发
  • 评估：
    • 我司目前尚不具备完整的技术框架
      • 大部分技术仅停留在应用阶段且未全部应用
      • 自研算法的人才投入与产出不成正比
      • 不需要第三方进行产权性维护/共享
      • 国产/进口产品对人才要求更低，维护成本更低
    • 我司使用较多第三方成品算法，平台化需要一定规模效应才具备性价比
      • 国产化适合当下应用需求及投入成本要求
      • 国产化/进口产品已基本成熟，投入工期较短
    • 整体规划改造成本巨大，且影响生产计划