中国信通院发布“2022人工智能十大关键词”(3)

关键词六

人工智能中台

人工智能中台重塑企业智能化转型的能力底座。 随着企业从重视人工智能的“研发”，到“研发-运营”并重，AI开发平台也逐渐向AI中台演进。 理念层面，AI中台更加重视管理和运营，技术层面，AI中台高度集约了AI能力，具有规模化、标准化、可扩展等特点。 其中，规模化是指整合了丰富的人工智能开发、部署、测试、运维等能力，标准化是指将异构的软硬件环境封装为标准化的界面，可扩展是指可以不断适配新的技术和工具，保证AI技术的动态演进。通过与数据中台、云平台、业务中台、运营平台的打通，AI中台正在加速融入企业的技术平台体系中。当前阶段，大型的行业企业正在积极构建AI中台体系，通过高效的组织管理实践，推动全场景全领域的AI赋能。

关键词七

MLOps

MLOps落地开花，AI资产沉淀和治理成为实践新风向。 随着业界对人工智能研发效率、团队协作、安全保障等需求进一步提升，整个MLOps产业实践呈现出“内涵很明确、落地很困难”的现状。 从技术内涵来看， MLOps的核心和要求已明确，即围绕“一个基础、两个关键、三个提升”，逐步建设从需求、开发、交付到模型运营的全生命周期运营管理机制。 一个基础是指持续交付， 通过搭建工厂流水线式的模型生产方式，提高规模化生产效率。许多头部企业都已开始实践模式的持续交付，部分企业模型研发效率提升超过40%。 两个关键是指持续训练和持续监控， 通过持续训练和持续监控搭建高效闭环的运营管理体系，提高机器学习可观察性，保证模型质量，增加赋能效果。 三个提升是指数据管理、特征管理、模型管理能力的提升。 对数据、特征和模型等AI资产加以沉淀、安全管控和风险治理，提升企业级AI治理能力，已成为MLOps新风向。 从落地现状来看， 持续交付、持续训练、持续监控和模型治理难度依次提升，产业界当前尚处在提升持续交付和持续监控能力过程中，模型治理等仅有少量探索，未来仍然是AI工程化的重点方向。此外， MLOps的工具市场持续火热， 端到端的MLOps一体化工具和细分场景的专项工具都非常火热，端到端工具追求大而全的功能集，专项工具在局部或某些场景下功能和性能较好，例如流水线编排、模型监控、特征存储、可观测等工具，未来MLOps相关工具可能会成为AI软件市场的重要赛道。