概述：21届毕业一直从事产品经理相关职位，先后从事的行业有云端视频编辑、跨境电商等行业，目前正在转型做云计算行业，别的不说跨度真的还挺大，而且其实中间真的没有什么很大的关系；但是兴趣使然，最终还是得选择一个自己最感兴趣的行业去进行深挖与提升自己，深入业务场景去进行需求的了解，与用户共情，是我目前的目标与方向，接下来会零零碎碎分享一些，自己对AI产品进阶的一些知识或者干货分享，欢迎各位大佬们批评指正，也欢迎跟我一样处于初期的小姐妹们跟我一起共同成长，互相交流~共勉之[喝可乐]     第一篇：初识     AI 平台知识概述    一、概念了解(what)     在说AI 平台之前，首先可以对AI进行了一个大致的解释，AI 即人工智能，是研究并模拟、延伸和扩展人脑复杂行为的一种技术科学，范围包括机器学习、计算机视觉等等；那么 AI 平台就是支持这种复杂科学研究的一种辅助工具，该工具可以进行智能化、体系化、自动化完成这一系列研究；                             1）AI 平台主要面向的是模型开发者，围绕 AI 模型/算法的生命周期（数据收集、数据标注、模型构建、模型训练、模型优化、模型部署）提供的工具。    2）AI 平台是面向应用者的，围绕集成好的AI 服务进行部署应用，主要是进行应用的管理等相关操作的平台。    二、产品功能(How)     接下来将对 AI 平台的两种分类进行逐一的功能阐述    2.1 AI 开发平台                           1）数据标注平台    面向进行模型训练的前置工作，包括数据导入、数据预处理、数据标注、数据增强等。这部分的数据工作与大数据的关联性比较强，有些标注平台甚至是大数据系统的组件。    对于AI 标注来说，更多是进行数据智能/自动化进行处理，故此有些厂商推出数据采样、数据拆分、数据缺失值处理（数据预处理）、自动标注（数据标注）、对图片类型数据去雾、增雾、对比度增强等智能算法（数据增强），正是这些功能支撑起了数据标注平台。    2）模型训练平台    给模型训练的内容配置算力、环境，这个是AI平台中比较常见的产品，由于模型训练对硬件资源的高消耗，通常会租用云计算资源来完成模型训练，所以很多模型训练平台是与云平台捆绑的，完成包括负载均衡、并行训练等工作。    4）模型部署平台    提供把模型从训练环境部署到推理环境（云端、边缘端等）的工具。这个功能相对简单，较少单独作为一个产品，一般是也是作为开发平台的一个功能模块。    一个例外是边缘/嵌入式环境部署平台（如百度EasyEdge），由于硬件适配比较繁琐，所以目前看到百度是做成一个相对独立的产品的。    5）模型推理平台    提供各式各样的模型接口，供用户直接调用，一般还提供包括模型调用管理、接口管理等功能，这种推理平台主要是以模型作为核心竞争力的。另一种推理平台则以算力作为竞争力，类似云平台，用户将模型部署在平台上可获得弹性扩缩容等能力。    2.2 AI 应用平台     AI支撑平台比起AI开发平台，更类似业务平台，比如内容审核、智能对话等。围绕的是一个核心算法，通过配置提升这个算法/能力的通用性。    通过下面一个例子进行详细解释：                             横向是发布图片的业务流程，纵向是审核平台的功能，审核平台的核心问题就是图片分类，将符合审核政策规定的图片通过、违法的进行限制。    三、核心优势(Why)     AI 平台带来的优势可以从用户、平台角度进行思考：    用户：尽低层成本获取 AI 能力，提高工作效率，满足业务快速扩充的需要；    AI 平台：标准化的工作工具/流程，无需定制去解决，提高模型生产效率、降低工作成本，从而形成盈利；    但是就目前来说，平台的需求是大于用户的需求，这跟 AI 的发展历史有关，目前还暂处于初期阶段，AI 技术还不是很成熟，更多是对模型训练的一些需求，一种行业化解决方案标准化的过程；用户 AI 还持有观望态度（对提高ROI不确定等），所以引申出目前需要不断的加强对AI 能力的训练，更好的契合市场用户的需求是目前的必经之路，同时也需要不断的引导用户发现AI 能力的价值，进而提高AI 平台的价值。   四、市场状况(where)                              一些AI开发平台产品的AI模型生命周期覆盖情况，可以看到大部分产品其实都是提供全生命周期的功能的，提供一站式解决方案。    竞品分析：     百度的功能架构是最舒服、逻辑性最好的。百度的AI开发平台包括BML和EasyDL两个，BML是全流程的开发平台，覆盖了AI模型全生命周期；EasyDL定位是零门槛开发，所以只支持到数据训练级别的开发。BML中相对独立的数据相关功能和边缘部署相关功能又都拆成组件/小平台，可以供用户单独调用，从而提高灵活性。    腾讯TI系列平台中，TI-ONE定位是一站式机器学习服务平台”，但暂时没有看到关于数据标注方面的功能，数据处理只提供相对简单的数据接入和数据预处理功能。预置模型相对来说也比较少，大部分是机器学习方面的模型，深度学习模型较少。    TI系列的其他两个平台TI-Matrix和Ti-EMS分别是“AI应用服务平台”和“无服务推理平台”，个人感觉都更偏向云服务一些，主要是服务调度、扩缩容等能力。    华为ModelArts也提供从数据标注到模型推理全流程的开发工具，其中“自动学习”的功能模块基本对标百度EasyDL，提供重训练级别的模型生成，但暂时没有按照需求层级进行产品拆分。    总结：目前AI 平台根据用户不同的需求点各有所侧重，但是基本都进行了一站式平台训练能力的部署，主要在对数据、模型、部署三个方面发力；    1） 数据差异化：进一步与大数据平台吻合，提供数据采集、清洗、标注（自动、人工）等功能，解决用户数据方面的痛点。   2） 模型差异化：提供更多的强大预置算法进行模型训练，针对不同的业务场景去进行模型训练，针对不同的业务场景进行优化，其次需要充沛的算例资源，与云平台进行很好的衔接、协同处理。   3） 部署差异化：方便快捷、快速搭建、灵活运用成为部署的需要攻克的一大难点，也是非常重要的竞争优势，节省时间、人力成本，也方便进行运维；   以上只是来源于自身的见解，如果有不对的地方，欢迎批评指正！ 如果认同的话，希望一键给个三连啊~最后祝牛客的UU们 offer ++++[亲亲][亲亲][亲亲]