數據科學平臺的本質是在數據上加載算法
近日，愛分析在京舉辦了2019愛分析·中國人工智能高峰論壇。愛分析邀請了九章雲極 CEO方磊進行了題為《數據科學平臺賦能傳統企業》的主題演講。
方磊講解了數據科學平臺的含義，用途，落地案例以及未來發展方向等內容。
現將方磊的演講實錄分享如下。
方磊：謝謝大家，謝謝愛分析的邀請。今天和大家分享數據科學的背景情況，以及怎麼幫助企業實現企業級AI的案例。
在數據上直接加載算法，是數據科學平臺的核心
這張圖是中國大數據的圖譜，今年有了一些變化，在左下角出現了數據科學這麼一個領域，這個變化讓我們很開心。因為不僅我們在這個領域之內有一席之地，更重要的是從平臺這個層面，數據科學在整個生態裡也牢牢地佔據了一席之地。
什麼是數據科學？數據科學的邏輯在哪裡？和機器學習，深度學習著怎樣的關係？今天我就給大家介紹一下數據科學。
我認為數據使用分為四大方面，分別是數據科學及機器學習平臺、BI及可視化、數據倉庫和數據治理，我們分別來解釋一下。
數據倉庫包括數據中臺的建設，解決的是集中化的存儲問題；數據治理解決的是數據格式意義的問題；關於BI及可視化，我們都知道有很多業務的數據是很難理解的。舉個例子，計算一家保險公司的客戶數量可能不是一個數字，因為投保的人和理賠的人並不是同一個人，會導致投保和理賠的部門理解的“客戶”是不一樣的。。當你理解了你的數據，用BI給決策者和運營人員看這個數據結果，這就是BI及可視化。
最後是數據科學和機器學習平臺，與前者的區別簡單來說就是一個是將客觀事實展現出來，由你來做決策，另一個則是自我訓練模型，由模型直接決策。
剛才主持人提到2017年Gartner做了數據科學的象限，這個象限很簡單。數據科學是一個比較大的範疇，其核心是各類數據以後會使用算法加載到數據上解決具體業務問題。有很多算法甚至都無法稱之為人工智能算法，比如說關於資產配置的組合風險評價，這些都不屬於機器學習的範疇。
在數據上加載算法，這就是數據科學的核心
對數據的分析經歷了1990年前後的基礎數據存儲到2000年基於數據倉庫BI的探索，再到2015年經過增強分析年代，核心就是圍繞數據科學，利用算法在數據上進行更深度的分析。
再看一下國外廠商在數據科學領域的表現，其中有一個叫alteryx的上市公司很不錯，還有兩個分別是Dataiku與DataRobot。
作為數據科學廠商，我剛才說了核心是數據上加載算法，你的產品形態體現為建模平臺，所以建模能力的要求就很重要。構建AI的方法有很多種，最開始出現的是寫代碼，我們稱為編碼型。第二種，因為水平差一些寫不了代碼，那就預先寫好一些代碼再配置一下，這個叫可視化編程，通過拖拉拽解決問題。第三種，是給數據自動生成模型，什麼都不管，這叫自動機器學習。以上這三種方法不斷降低企業AI構建的門檻，整個行業的發展方興未艾。
“工具”、“平臺”再到“大腦”，讓企業越來越智慧
具體落地肯定也有很多挑戰，說前景的時候比較容易激動，說落地的時候肯定也是很有壓力的。第一個挑戰就是技術發展太快，我們都知道今天的AI技術層出不窮，應接不暇，學都來不及。第二點，建模的困難度導致對人力依賴很大，如果你有優秀的數據科學家，你要珍惜，千萬不要讓他被挖走了。企業的模型管理水平也還處於早期，對模型生命週期的管理不健全，模型的穩定性和生命週期管理都是非常空白的。
關於模型管理，能找到的最新的公開文獻是2011年的美聯儲的監管文獻，從2011年到今天，十年的時間都找不到一篇關於模型管理的權威文獻，這種空白也是一種挑戰。另外，資產的積累也是非常困難的，你的人員，新的AI創新的組織怎麼積累。
我們有幾個思考，第一個是開放性和封閉型的思考，第二個是如何建立有效的模型，第三是關於工具和平臺的思考。
關於工具和開放已經是個老話題了，大家都很熟悉技術棧，包括我們中間件的框架都在改變。數據科學對於以前大家比較熟悉的SPSS，SAS這樣一些分析軟件也從封閉式的軟件走向開放，所以開放是一個大潮，勢不可當。
我們為什麼要開放呢？舉一個例子，因今天很多人討論NLP，對於自然語言的處理，我們經過了很多模型，最近幾年更是加速迭代。有一些新的技術，你發現性能是一個指數級的增長，如果你不是開放式的平臺是非常難以涵蓋的，所以這對很多企業來說是非常大的挑戰。大家知道架構師的工資更高，因為寫個好的架構比寫一個好代碼更重要。
什麼是開放性的架構，我們總結了幾點，第一點是能跑各種各樣的環境，我們知道數據科學家會用很多語言，對於不同的語言、框架、環境、服務，甚至最後支持的硬件都要做非常開放式的支持。我們碰到的客戶有一些專用的各種XPU，各種各樣的加速器都會使用，儘管很多加速器未必是標準的。使用各種各樣的算力和加速器，一定要保持非常開放的架構才能容納計算架構，包括模型服務。而且模型服務這個生態裡有非常多的公司，很多服務是應用廠商開發的，很難對他做統一的管理，很多模型做出來，甚至不是主流的深度學習框架訓練的。
我們碰到過這樣的客戶，他們用了一些更先進的，基於可解釋性更強的貝葉斯編程模型，這樣的模型運行和現在主流模型是不一樣的，你怎麼提供一個框架支持他。對於編碼的方式，建模的方式怎麼打通，自動機器學習最方便，同時也最受限，這些東西怎麼放在一起進行轉換，都是你在構建自己的數據科學系統，或者是數據科學團隊的時候要思考的問題。
平臺和工具的選擇方面，很多人問我是不是開源就足夠了，這是分階段的，當你還在第一階段，使用開源工具很多情況是滿足需求的。下個階段，使用機器學習的算法解決業務問題。當你解決業務場景就要從開源技術走向工具，因為你面臨著模型的部署、上線、監控，全生命週期的管理，當你從一個智能場景走向多場景的時候，必將面臨大規模的模型服務的性能和穩定性問題，可擴展性以及團隊協同工作的問題，你要做一個智慧營銷2.0，有十幾個場景一起做，一定從工具上升到平臺。
再往前走是什麼？從平臺上升到所謂的大腦，有更多的外部數據，外部模型，供應商和諮詢公司都能給你提供，不只是一個大場景，也不只做營銷，還可能做各種業務。所以我們給出個線路圖，我們認為開源技術是開放性的根本，同時我們看到一個報道，70%關於數據科學和人工智能解決方案都是基於商業軟件開發的，這給我們發出了一個信號，商業軟件領域還是大有可為的。
全世界都在降低壁壘，未來是知識融合
為什麼持續性地降低壁壘，壁壘到底體現在哪裡？數據科學大軍中有不同的人，包括業務分析師，數據科學家，還有模型與算法運維工程師，這些人要懂機器學習，懂得寫代碼的話，這個要求就太高了。不同崗位的人有不同的職位需求，他們會使用不同的技能，確實需要提供一個工具集，甚至是一個平臺，幫助他們完成他們的使命。
大圖的意思，包括上文提到的美國的三個公司，他們持續做了一件事情就是降低壁壘，也是我們做的事情。降低壁壘之後是什麼呢？我們的判斷是要解決知識融合，因為降低壁壘是指讓技術變容易，容易之後最重要的是取得業務價值，關鍵是知道使用新技術幫助我增加了多少營收，減少了多少損失。進入業務之後就會發現有非常多的業務需要支撐，上一位嘉賓講知識圖譜講的很好，當你要解決具體業務問題時不只需要機器學習算法，也需要使用知識圖譜，也需要使用數據中臺，八仙過海才能把業務解決好。
之前一個嘉賓也提到了，做視覺檢測，我們也有客戶解決這樣的需求。而九章不太一樣的是我們自己做的比較聚焦，我們提供數據科學平臺和模型，整個系統最終由合作伙伴給客戶交付。大的邏輯和大家看到的很多情況類似，我們也能看到數據科學平臺做的數據+算法這個事邏輯很清晰，有很多數據和圖片，我們加載一些算法，這裡面使用了深度學習的能力，讓我們可以在每條產線上訓練出來更適合產線的模型，進一步提高準確率。
最後提一下數據科學平臺肯定有未來，它將會帶來很多新的趨勢，低成本，低使用門檻的情況下，大家的需求是更加標準化的產品，而且非常強大的自動機器學習。即使我要開發，也希望是有低代碼的，可視化的開發能力。
積累效應上，所有的人都希望自己的產品、平臺、自己開發的系統，比如場景倉庫，算法倉庫，能夠擁有一些積累效應，另外還有知識融合積累你的業務知識，總而言之是個積累，讓你可以更好地進行擴展，重複使用。
還有一個具有網絡效應的就是聯邦學習，我們現在很多時候對數據抓的很嚴，不能交換數據了。我們能看到一個銀行如果想在自己已有客戶中推薦基金，就希望使用基金公司的模型，因為基金公司有幾千萬的客戶，他知道什麼東西賣給誰更合適，但是賣還是隻能通過銀行賣，那就沒法直接使用基金公司的模型。這個裡面有很大的市場需求，可能會使用聯邦學習的技術。
將來可能會進入一個時代，大家都通過訓練自己的模型，並且交換一些模型的部分，這樣的場景將會在不就的未來成為現實。
這是我今天的分享，謝謝大家。
閱讀更多 愛分析 的文章
