編輯導(dǎo)語：如今平臺產(chǎn)品已不是新概念，隨著AI技術(shù)的成熟，AI平臺產(chǎn)品也越來越多。那么，為什么要做AI平臺？這些AI平臺又有哪些類別呢？讓我們跟著作者，一起去探尋吧。

有一天，小李的領(lǐng)導(dǎo)說：“我們要做AI平臺！”。

雖然平臺產(chǎn)品也不是新概念了，隨著AI技術(shù)的成熟，AI平臺產(chǎn)品也越來越多，但光憑做平臺一句話，小李還是犯了難——大大小小的“平臺”很多，究竟我們要做什么樣的AI平臺呢？磨刀不誤砍柴功，小李決定先研究下市面上已有的AI平臺找找靈感。

一、AI平臺產(chǎn)品分類

AI平臺大致可以分為AI開發(fā)平臺和AI支撐平臺（名字是小李瞎起的）兩類。

1. AI開發(fā)平臺

AI開發(fā)平臺面向的是模型開發(fā)者，圍繞AI模型/算法的生命周期（數(shù)據(jù)收集、標(biāo)注、模型結(jié)構(gòu)設(shè)計、模型訓(xùn)練、模型部署等階段）提供工具。開發(fā)平臺產(chǎn)品需要對算法開發(fā)流程、算法種類豐富度都有較好的積累，因此大部分平臺類產(chǎn)品是由內(nèi)功比較深厚的大廠推出的。

（百度BML功能架構(gòu)）

1）用戶

都叫開發(fā)平臺啦，用戶想必應(yīng)該是開發(fā)人員，使用AI開發(fā)平臺的研發(fā)人員對人工智能的了解程度不盡相同，他們可能是業(yè)務(wù)應(yīng)用的開發(fā)人員（只需要調(diào)用某個模型API），也可能是AI工程師（需要對模型調(diào)參數(shù)，甚至重新設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)），但歸根到底AI開發(fā)平臺是面向開發(fā)人員的B端產(chǎn)品。

2）場景

在需要AI能力支撐的時候，用戶可以使用AI開發(fā)平臺提供的不同層級的工具/功能（嵌入級、API級、數(shù)據(jù)訓(xùn)練級、模型定制級、算法開發(fā)級），實現(xiàn)所需的AI能力。

3）解決問題

AI賦能其他產(chǎn)品。AI平臺作為一個產(chǎn)品，想解決的核心問題是如何便捷的讓其他應(yīng)用或產(chǎn)品獲得智能化的能力。看到很多強調(diào)AI平臺是為了讓AI算法開發(fā)更簡單的說法，但歸根到底，如果不是其他產(chǎn)品需要AI模型或者AI能力，自然也不需要算法開發(fā)，更就沒有必要有所謂AI開發(fā)平臺存在了。

2. AI支撐平臺

AI支撐平臺大多是面向運營人員/業(yè)務(wù)人員，為某個AI應(yīng)用提供能夠使之work的配置、管理等“支撐”功能。智能對話平臺就是一種非常典型的AI支撐平臺，因為智能對話應(yīng)用并非只依賴某個模型就能實現(xiàn)，所以需要根據(jù)業(yè)務(wù)場景進行技能管理、對話設(shè)置等工作，智能對話平臺就是這些配置功能的載體。

1）用戶

主要是業(yè)務(wù)人員或者運營人員，也就是需要對某個應(yīng)用的具體規(guī)則、具體內(nèi)容進行設(shè)置的工作人員。

2）場景

在使用某個智能應(yīng)用時，用戶需要根據(jù)實際業(yè)務(wù)場景對應(yīng)用中的某些功能進行配置，才能使應(yīng)用按照需求運行起來。

3）解決問題

使智能應(yīng)用按照用戶的期望運行起來。那為什么這些應(yīng)用需要配置呢？為什么不能固化呢？因為應(yīng)用的使用場景千差萬別，比如在銀行的智能客服和商場的智能客服，雖然底層的技術(shù)途徑一致，但具體客服面對的問題、使用的話術(shù)完全不一樣。

從產(chǎn)品角度看，為了使產(chǎn)品的通用性更強，我們往往會設(shè)計一個通用的應(yīng)用框架，然后把高頻且重要的功能做成可配置項以適應(yīng)更多用戶的需求。也不是說把功能固化下來不行，但那樣的話產(chǎn)品就變成了定制化的項目，成本非常高且無法復(fù)用。

（AI開發(fā)&支撐平臺對比）

二、AI開發(fā)平臺

1. 按AI模型生命周期拆解

知乎看到的一個比較好的平臺產(chǎn)品定義：“平臺產(chǎn)品提供共用性強的工具，連接多端多角色之間的活動或交易”。AI開發(fā)平臺產(chǎn)品也一樣，是圍繞著圍繞AI模型/算法的生命周期提供工具，連接不同層次開發(fā)者對AI模型設(shè)計、訓(xùn)練、使用等活動。

AI模型的生命周期，大概是這樣的：

AI開發(fā)平臺即然是服務(wù)于AI模型生命周期的工具，自然也離不開以上這些模塊。所謂平臺，可以只針對某一個環(huán)節(jié)，比如數(shù)據(jù)收集+標(biāo)注環(huán)節(jié)，或者模型部署環(huán)節(jié)，也可以針對整個生命周期，這就解釋了為什么同是AI平臺，有大有小。

如果我們從AI模型生命周期角度拆分，那么就有：

1）數(shù)據(jù)標(biāo)注平臺

面向數(shù)據(jù)接入、清洗、標(biāo)注等和訓(xùn)練數(shù)據(jù)有關(guān)的工作。數(shù)據(jù)接入、清洗的工作其實和大數(shù)據(jù)的關(guān)聯(lián)性比較強，有些標(biāo)注平臺甚至是大數(shù)據(jù)系統(tǒng)的組件。

對于AI標(biāo)注/數(shù)據(jù)平臺來說，一個思路是類似百度的EasyData，針對模型訓(xùn)練數(shù)據(jù)提供一部分預(yù)處理功能（如縮放、翻轉(zhuǎn)圖像提高模型魯棒性，或者對圖像進行濾波、降噪等增強操作）和智能標(biāo)注功能（先利用已經(jīng)訓(xùn)練好的模型自動標(biāo)注一把，然后再由人工校準(zhǔn)或微調(diào)），正是這些功能支撐起了數(shù)據(jù)標(biāo)注平臺。

另外一個不錯的思路是更側(cè)重“標(biāo)注”這個動作本身，類似basicFinder，做數(shù)據(jù)需求方和數(shù)據(jù)標(biāo)注商的撮合生意并提供標(biāo)注工具。

2）模型設(shè)計平臺

這個一般不會作為單獨的產(chǎn)品，個人猜測原因主要是模型結(jié)構(gòu)設(shè)計門檻高、需求小。從我自己的經(jīng)驗來看，使用開源框架開發(fā)和使用平臺提供的工具效率差別不大。

模型設(shè)計的功能大多是作為開發(fā)平臺一個模塊，通過可視化拖拉拽、notebook等方式進行模型結(jié)構(gòu)設(shè)計。

3）模型訓(xùn)練平臺

提供模型訓(xùn)練的算力、環(huán)境，這個是AI平臺中比較常見的產(chǎn)品，由于模型訓(xùn)練對硬件資源的高消耗，通常會租用云計算資源來完成模型訓(xùn)練，所以很多模型訓(xùn)練平臺是與云平臺捆綁的，完成包括負(fù)載均衡、并行訓(xùn)練等工作。

4）模型部署平臺

提供把模型從訓(xùn)練環(huán)境部署到推理環(huán)境（云端、邊緣端等）的工具。這個功能相對簡單，較少單獨作為一個產(chǎn)品，一般是也是作為開發(fā)平臺的一個功能模塊。

一個例外是邊緣/嵌入式環(huán)境部署平臺（如百度EasyEdge），由于硬件適配比較繁瑣，所以目前看到百度是做成一個相對獨立的產(chǎn)品的。

5）模型推理平臺

提供各式各樣的模型接口，供用戶直接調(diào)用，一般還提供包括模型調(diào)用管理、接口管理等功能，這種推理平臺主要是以模型作為核心競爭力的。另一種推理平臺則以算力作為競爭力，類似云平臺，用戶將模型部署在平臺上可獲得彈性擴縮容等能力。

2. 按業(yè)務(wù)需求拆解

參考螞蟻AI平臺的一篇分享，AI平臺按照不同層級的業(yè)務(wù)需求可以分為5級：功能嵌入、API調(diào)用、數(shù)據(jù)訓(xùn)練、模型定制、算法開發(fā)。

1. 功能嵌入：通過iframe等實現(xiàn)成本最低的手段，將某個功能模塊嵌入到自己的系統(tǒng)中。
2. API調(diào)用：直接調(diào)用平臺提供的成熟API，比如調(diào)用身份證、駕駛證之類的OCR識別API。
3. 數(shù)據(jù)訓(xùn)練：平臺的模型符合需求，但需要提供自己的訓(xùn)練數(shù)據(jù)來解決具體場景需求。
4. 模型定制：平臺的現(xiàn)成模型不太符合要求，所以要對算法參數(shù)進行配置，然后訓(xùn)練出符合自己需求的新模型。
5. 算法開發(fā)：最高級的情況，就是業(yè)務(wù)方懂算法、要開發(fā)新算法。平臺則提供“算法開發(fā)、數(shù)據(jù)管理、模型訓(xùn)練、模型測試和發(fā)布”等一系列深層次的能力，來提升算法研發(fā)的效率。

把5級業(yè)務(wù)需求和生命周期對比來看，業(yè)務(wù)的按需分層和模型生命周期的各個階段基本是呈對應(yīng)關(guān)系的。需求越高級，追溯到的生命周期越靠前。

功能嵌入和API調(diào)用級需求只涉及模型推理，數(shù)據(jù)訓(xùn)練級需求涉及數(shù)據(jù)標(biāo)注、訓(xùn)練、部署以及推理過程，模型定制和算法開發(fā)級需求就涉及全流程的功能了。

3. 一些典型產(chǎn)品

上圖給出了一些AI開發(fā)平臺產(chǎn)品的AI模型生命周期覆蓋情況，可以看到大部分產(chǎn)品其實都是提供全生命周期的功能的。當(dāng)然不是說以上的分析沒有意義，按生命周期或者按需求層次拆解還是可以幫助我們捋清產(chǎn)品架構(gòu)的。

個人覺得其中百度的功能架構(gòu)是最舒服、邏輯性最好的。百度的AI開發(fā)平臺包括BML和EasyDL兩個，BML是全流程的開發(fā)平臺，覆蓋了AI模型全生命周期；EasyDL定位是零門檻開發(fā)，所以只支持到數(shù)據(jù)訓(xùn)練級別的開發(fā)。

這樣的拆分其實就是依據(jù)前邊所說的業(yè)務(wù)需求等級進行的，拆分之后目標(biāo)用戶要清晰很多。BML中相對獨立的數(shù)據(jù)相關(guān)功能和邊緣部署相關(guān)功能又都拆成組件/小平臺，可以供用戶單獨調(diào)用，從而提高靈活性。

騰訊TI系列平臺中，TI-ONE定位是“一站式機器學(xué)習(xí)服務(wù)平臺”，但暫時沒有看到關(guān)于數(shù)據(jù)標(biāo)注方面的功能，數(shù)據(jù)處理只提供相對簡單的數(shù)據(jù)接入和數(shù)據(jù)預(yù)處理功能。預(yù)置模型相對來說也比較少，大部分是機器學(xué)習(xí)方面的模型，深度學(xué)習(xí)模型較少。

TI系列的其他兩個平臺TI-Matrix和Ti-EMS分別是“AI應(yīng)用服務(wù)平臺”和“無服務(wù)推理平臺”，個人感覺都更偏向云服務(wù)一些，主要是服務(wù)調(diào)度、擴縮容等能力。

華為ModelArts也提供從數(shù)據(jù)標(biāo)注到模型推理全流程的開發(fā)工具，其中“自動學(xué)習(xí)”的功能模塊基本對標(biāo)百度EasyDL，提供重訓(xùn)練級別的模型生成，但暫時沒有按照需求層級進行產(chǎn)品拆分。

三、AI支撐平臺

AI支撐平臺比起AI開發(fā)平臺，更類似業(yè)務(wù)平臺，比如內(nèi)容審核、智能對話等。圍繞的是一個核心算法，通過配置提升這個算法/能力的通用性。

下圖舉個內(nèi)容審核平臺作為栗子～橫向是發(fā)布圖片的業(yè)務(wù)流程，縱向是審核平臺的功能，可見審核平臺是和業(yè)務(wù)緊密結(jié)合的。

審核平臺的核心其實就是分類問題（把輸入的圖片分為合規(guī)、不合規(guī)），外部輸入是圖片，輸出是圖片是否合規(guī)、違規(guī)類型、準(zhǔn)確率等信息，而審核策略的制定、驗證則是為了支撐圖像分類算法在內(nèi)容審核這個場景下work，說到底“支撐”就是配置、設(shè)置。

四、一點思考

1. 為什么需要AI平臺？

從用戶的角度看：用戶需要的是以盡可能低的成本（時間及費用）獲取所需的AI能力。AI平臺提供的開發(fā)工具、預(yù)置模型都可以減小用戶獲取AI能力的投入。

從AI平臺公司的角度看：AI平臺提供的是一套標(biāo)準(zhǔn)化的工具/流程，80%的需求可以由標(biāo)準(zhǔn)化的產(chǎn)品來滿足，而非每個需求都單獨定制解決方案。通過AI平臺這樣的標(biāo)準(zhǔn)化產(chǎn)品來提升ROI，從而實現(xiàn)盈利。

不論是從用戶角度，還是從提供AI平臺的公司角度，其實AI平臺的存在都是為了提升投入產(chǎn)出比。

但個人感覺，目前AI平臺公司對AI平臺的需求是要大于用戶的，這就造成了產(chǎn)品多用戶少的囧境。用戶對AI平臺的不認(rèn)可，一方面可能是對AI能力帶來的收益的不確定；另一方面可能是對AI平臺提高ROI的不確定（有可能使用了AI平臺但還是無法節(jié)約人力投入）。所以如何讓用戶發(fā)現(xiàn)AI能力的價值，進而發(fā)現(xiàn)AI平臺的價值還是個值得思考的問題。

2. 如何做到AI平臺的差異化？

市面上那么多AI平臺，如何做到讓用戶選擇你的產(chǎn)品呢？差異化。

怎么做到差異化呢？不同用戶對AI能力或應(yīng)用的需求側(cè)重各不相同，但是無外乎數(shù)據(jù)、算力、模型三要素。

1）數(shù)據(jù)入手的差異化

當(dāng)前很多行業(yè)還是存在缺乏數(shù)據(jù)積累的事實的，所以數(shù)據(jù)對于這部分公司來說就是最大的痛點。從數(shù)據(jù)角度入手的AI平臺，最直接的是可以主打提供行業(yè)數(shù)據(jù)。如果數(shù)據(jù)不可獲取，可以退一步和大數(shù)據(jù)平臺結(jié)合提供數(shù)據(jù)采集、清洗、標(biāo)注（自動、人工）等功能，解決用戶數(shù)據(jù)方面的痛點。

前邊提到的basicFinder，就是由標(biāo)注平臺逐步發(fā)展出來的AI平臺。

2）算力入手的差異化

不論是訓(xùn)練階段還是推理階段，AI模型對算力都是強依賴的，因此從算力入手的AI平臺也是發(fā)展最早的一種，一般都和云平臺緊密結(jié)合，最后的收益落腳點都是云資源。

隨著AI芯片發(fā)展，以嵌入式設(shè)備為載體的邊端智能也越來越多，所以算力入手也可以指嵌入式算力。華為算是以算力為核心的代表公司。

3）模型入手的差異化

雖然大多AI算法都有開源的版本，但開源模型往往是通用模型，沒有針對特定場景優(yōu)化，沒有一般沒法直接應(yīng)用。比如圖像識別在醫(yī)學(xué)領(lǐng)域和在自動駕駛領(lǐng)域可能用同樣的算法，但需要喂不同的數(shù)據(jù)，進行不同的參數(shù)優(yōu)化，最后得到適用于不同場景的模型。比如face++就對人臉識別相關(guān)的各類模型都做了優(yōu)化。

一個熱門方向AI+行業(yè)，就是在數(shù)據(jù)和模型角度都針對本行業(yè)進行差異化的設(shè)計。比如針對醫(yī)藥領(lǐng)域的醫(yī)渡云，針對稅務(wù)領(lǐng)域的慧算賬等等。

3. 如果要做AI平臺，怎么入手？

個人感覺現(xiàn)在做AI平臺是件很難的事情了，本身這類產(chǎn)品就已經(jīng)有點供大于求了，做差異化也需要結(jié)合已有的積累（無論是數(shù)據(jù)、算力還是模型），所以從頭做一個成功的AI平臺真的非常困難，留給AI平臺的機會可能只有+行業(yè)了。

大膽開麥：短期之內(nèi)做AI支撐平臺的難度遠(yuǎn)小于AI開發(fā)平臺，而成功率應(yīng)該是要高于AI開發(fā)平臺的。與其做一個大而全卻沒有明確目標(biāo)用戶的AI開發(fā)平臺，不如圍繞一個點做一個真正有人用的AI支撐平臺。

#專欄作家#

LCC，微信公眾號：sillybaby的互聯(lián)網(wǎng)求生指南，人人都是產(chǎn)品經(jīng)理專欄作家。2B+AI 產(chǎn)品經(jīng)理，相信科技向善，致力于用AI解決實際問題。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash，基于 CC0 協(xié)議