域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過(guò)

一年一度的IDC DX Summit 數(shù)字化轉(zhuǎn)型大會(huì)聚焦 “數(shù)字競(jìng)技，轉(zhuǎn)戰(zhàn)新常態(tài)”，邀請(qǐng)各行業(yè)領(lǐng)域頭部企業(yè)創(chuàng)始人和高管發(fā)表新見(jiàn)解，九章云極DataCanvas董事長(zhǎng)方磊博士站在行業(yè)前沿視角，在會(huì)上發(fā)表精彩演講：數(shù)據(jù)科學(xué)賦能組織實(shí)現(xiàn)未來(lái)智能。

演講實(shí)錄：

大家好，我是九章云極DataCanvas董事長(zhǎng)方磊，很高興能夠來(lái)到IDC DX Summit 跟大家一起分享今天的話題：數(shù)據(jù)科學(xué)賦能組織實(shí)現(xiàn)未來(lái)智能。今天我的話題主要分為四個(gè)部分，第一部分是未來(lái)智能化組織是什么樣的，第二部分是關(guān)于數(shù)據(jù)科學(xué)平臺(tái)本身的發(fā)展，第三部分是數(shù)據(jù)科學(xué)平臺(tái)如何提升工作效能，和最后一部分AI著重解決的三大要素。

一、 未來(lái)智能化組織是什么樣的

那么未來(lái)的智能化組織會(huì)是什么樣的一個(gè)情況?我們看到了三大特征趨勢(shì)。

第一趨勢(shì)是IT+DT+業(yè)務(wù)的融合 。在過(guò)去的40年里，以IT為代表的整個(gè)流程的自動(dòng)化，其實(shí)在很多的組織，特別是大型組織已經(jīng)有很高的滲透率了。以最近10年為代表的DT也就是數(shù)字技術(shù)的進(jìn)展，在很多的大型企業(yè)也有了很好的開(kāi)端。最近我們看到對(duì)于智能化的組織未來(lái)10年、20年的發(fā)展趨勢(shì)，是IT、DT和業(yè)務(wù)的界限會(huì)相對(duì)的變得模糊：IT部門同樣要對(duì)業(yè)務(wù)的指標(biāo)負(fù)責(zé)，而業(yè)務(wù)部門也要對(duì)IT、DT的技術(shù)直接使用和提供支撐。

第二個(gè)趨勢(shì)是關(guān)于創(chuàng)新方式的變化 。以往的創(chuàng)新方式有很多是由上而下的，有些甚至是以主要領(lǐng)導(dǎo)為驅(qū)動(dòng)的一種戰(zhàn)役型的方式來(lái)推進(jìn)。但現(xiàn)在我們看到的一個(gè)趨勢(shì)是很多創(chuàng)新方式是bottom up而不是top down的方式，它們自發(fā)地出現(xiàn)在很多業(yè)務(wù)的點(diǎn)上，用小步快跑的方式，通過(guò)在一些業(yè)務(wù)點(diǎn)上使用新的技術(shù)、新的理念來(lái)實(shí)現(xiàn)業(yè)務(wù)的增長(zhǎng)。這樣一種“星星之火，可以燎原”的創(chuàng)新方式，正在成為智能化組織的一個(gè)顯著特征，這樣的方式也更加靈活、更加敏捷。

第三個(gè)趨勢(shì)是基礎(chǔ)設(shè)施的變化，主要來(lái)自于兩個(gè)方面 。一個(gè)方面是技術(shù)本身的進(jìn)展，從10年前開(kāi)始，整個(gè)云從公有云到混合云，發(fā)展到今天的容器化(cloud native云原生);同時(shí)大數(shù)據(jù)基礎(chǔ)架構(gòu)的技術(shù)從早期的Hadoop數(shù)據(jù)湖到今天大量的AI智能化算法的演進(jìn)……技術(shù)本身帶來(lái)了基礎(chǔ)設(shè)施的很多變量。

另一方面，基礎(chǔ)設(shè)施在技術(shù)進(jìn)展的主線之下，還有一個(gè)驅(qū)動(dòng)力來(lái)自于前面提到的兩種趨勢(shì)(IT、DT和業(yè)務(wù)融合以及創(chuàng)新方式的變化)，這兩種趨勢(shì)要求基礎(chǔ)設(shè)施更加敏捷、更加accessible，來(lái)支撐所有創(chuàng)新的嘗試和融合。為了創(chuàng)新而直接去改變IT數(shù)據(jù)中心的某些服務(wù)，這是一個(gè)業(yè)務(wù)部門在以前很難想象的，但是在今天隨著整個(gè)基礎(chǔ)設(shè)施的升級(jí)，云原生技術(shù)、微服務(wù)技術(shù)以及大量的智能建模的技術(shù)，都可以讓業(yè)務(wù)和DT部門一起直接在數(shù)據(jù)中心進(jìn)行業(yè)務(wù)的服務(wù)升級(jí)。

不管是技術(shù)的進(jìn)展，流程的升級(jí)，還是創(chuàng)新方式的變化，“人”都是最重要的核心的生產(chǎn)因素。所以當(dāng)一個(gè)組織變成一個(gè)智能化組織的時(shí)候，“人”一樣還是最重要的需要升級(jí)的生產(chǎn)因素。

那么對(duì)于一個(gè)智能化組織來(lái)說(shuō)，它對(duì)于將來(lái)的員工、將來(lái)的核心資產(chǎn)有什么樣的期望或者伴隨出現(xiàn)的需求是怎么樣的呢?第一點(diǎn)是所謂的復(fù)合型技能 。在今天一個(gè)創(chuàng)新的、智能化的組織里面，對(duì)人的要求可能是多方面的，剛才提到的IT、DT和業(yè)務(wù)的融合，其實(shí)也體現(xiàn)了這一點(diǎn)，你不但要懂?dāng)?shù)據(jù)，同時(shí)還要懂業(yè)務(wù)，可能還需要懂一些編程，擁有這種復(fù)合的技能才能讓你在創(chuàng)新涌動(dòng)的環(huán)境里去成為智能化組織的一部分。

第二點(diǎn)隨之而來(lái)的是工具的運(yùn)用 。當(dāng)對(duì)一個(gè)人的要求如此之高，我們知道單一技能是相對(duì)比較容易的，如果需要你去開(kāi)車你可以學(xué)開(kāi)車，但同時(shí)需要你開(kāi)車、開(kāi)飛機(jī)甚至去作畫，一般人是有一點(diǎn)望而卻步的。那么在這種復(fù)合技能的需求下，專業(yè)工具的空間就應(yīng)運(yùn)而生了。每一個(gè)職業(yè)的技能其實(shí)代表著一整套的方法論和具體操作要求，專業(yè)的工具本質(zhì)上是在沉淀方法論的同時(shí)，讓你的技能可以更有效率地發(fā)揮出來(lái)。所以越需要復(fù)合技能人才的智能型組織，它對(duì)專業(yè)工具的依賴也是大大加深的。

第三點(diǎn)，“協(xié)作”成為一個(gè)普適性的需求 。Collaboration，我們稱之為一個(gè)核心需求，是fundamental的。我們知道從Slack為代表的協(xié)同辦公軟件開(kāi)始到今天，各行各業(yè)都在廣泛地讓協(xié)同協(xié)作成為一個(gè)基礎(chǔ)性的需求。這是因?yàn)榧热晃覀兌加袕?fù)合型的技能，既然我們要有各種廣泛的創(chuàng)新，而且每個(gè)人都使用自己的專業(yè)工具，那么他們?cè)趺葱纬梢粋€(gè)合力，就變成了一個(gè)很有挑戰(zhàn)的問(wèn)題。所以專業(yè)工具的協(xié)同性功能的提供，甚至跨領(lǐng)域不同行業(yè)的協(xié)同功能的提供，其實(shí)是一個(gè)非常核心的需求。這就是我們看到的對(duì)于智能組織里面“人”成為最重要的生產(chǎn)因素以后，有這三個(gè)方面的需求。

二、 數(shù)據(jù)科學(xué)平臺(tái)的發(fā)展

第二部分我想談一下數(shù)據(jù)科學(xué)平臺(tái)本身的發(fā)展。大概在2012年數(shù)據(jù)科學(xué)被稱為最性感的詞匯，到2015年中國(guó)有了第一所高校設(shè)立數(shù)據(jù)科學(xué)專業(yè)，再到2018年超過(guò)200所高校設(shè)立數(shù)據(jù)科學(xué)專業(yè)以來(lái)，數(shù)據(jù)科學(xué)其實(shí)經(jīng)歷了一個(gè)比較完整的從實(shí)驗(yàn)室到生產(chǎn)化的過(guò)程，數(shù)據(jù)科學(xué)在企業(yè)中的應(yīng)用也是follow了相同的邏輯。

早期的時(shí)候，數(shù)據(jù)科學(xué)家可能還是一個(gè)高高在上的頭銜，但現(xiàn)在門檻已經(jīng)越來(lái)越低。很多小朋友通過(guò)參加Python的培訓(xùn)班，各個(gè)年齡段的學(xué)生通過(guò)在校學(xué)習(xí)，都掌握了或多或少的數(shù)據(jù)科學(xué)的一些技能;包括已經(jīng)在職場(chǎng)的社會(huì)人士，他們也會(huì)參加一些新的培訓(xùn)，讓自己掌握數(shù)據(jù)科學(xué)相應(yīng)的技能。有一個(gè)看法說(shuō)除了你的智商，你的情商，將來(lái)還有一個(gè)“數(shù)商”——你對(duì)數(shù)據(jù)的敏感度，對(duì)數(shù)據(jù)科學(xué)一些技能的掌握情況。

數(shù)據(jù)科學(xué)在企業(yè)里面最開(kāi)始還是從數(shù)據(jù)科學(xué)家工作臺(tái)的方式滲入的。當(dāng)企業(yè)面臨一個(gè)業(yè)務(wù)挑戰(zhàn)，比如想挽回流失的客戶，想向已有客群推薦更多的金融產(chǎn)品，就會(huì)面臨著我們稱為AI建模 的工作。當(dāng)進(jìn)行AI建模工作的時(shí)候，需要做大量的AI數(shù)據(jù)準(zhǔn)備，這些工作基本都是在數(shù)據(jù)科學(xué)家、數(shù)據(jù)工程師或者算法人員的工作范圍內(nèi)進(jìn)行的，他們會(huì)使用專業(yè)的工具來(lái)完成這個(gè)過(guò)程，這個(gè)專業(yè)工具的類別就叫做數(shù)據(jù)科學(xué)家工作臺(tái)。簡(jiǎn)而言之，這是一個(gè)相對(duì)來(lái)說(shuō)在一個(gè)比較實(shí)驗(yàn)室的、一個(gè)開(kāi)發(fā)的環(huán)境里完成的。

那么初期的一些創(chuàng)新往往圍繞著工作臺(tái)的方式來(lái)進(jìn)行，但是一個(gè)智能化的組織不會(huì)局限于創(chuàng)新的嘗試或者在實(shí)驗(yàn)室做一些創(chuàng)新，它要全面地完整地使用創(chuàng)新能力，就一定要讓生產(chǎn)系統(tǒng)完成智能化改造 。比如你的營(yíng)銷名單能夠進(jìn)入生產(chǎn)系統(tǒng)，實(shí)時(shí)地被APP調(diào)用，那么你的客戶就可以實(shí)時(shí)接收個(gè)性化的推薦;再比如你完成了一個(gè)反洗錢的系統(tǒng)，在你的交易系統(tǒng)里每一筆交易發(fā)生時(shí)，系統(tǒng)能夠?qū)崟r(shí)地調(diào)用模型來(lái)判斷這筆交易是不是一筆盜刷，是不是一筆黑錢，是不是一個(gè)要攔截的行為。我們從今天AI模型的進(jìn)展看到，數(shù)據(jù)科學(xué)家的工作已經(jīng)從實(shí)驗(yàn)室一些比較創(chuàng)新的點(diǎn)變成了一個(gè)普遍的生產(chǎn)化的系統(tǒng)，這一點(diǎn)是有重大意義的。

我們有一個(gè)簡(jiǎn)單的小結(jié)，在過(guò)去40年，軟件核心系統(tǒng)完成的是“流程自動(dòng)化”，那么在接下來(lái)的20年甚至更長(zhǎng)的時(shí)間里，軟件系統(tǒng)會(huì)完成“決策自動(dòng)化”，決策自動(dòng)化集中體現(xiàn)的就是數(shù)據(jù)科學(xué)在企業(yè)中的應(yīng)用，也就是從實(shí)驗(yàn)室到生產(chǎn)系統(tǒng)當(dāng)中去。

那么在全面地把數(shù)據(jù)科學(xué)落實(shí)到生產(chǎn)系統(tǒng)來(lái)改善業(yè)務(wù)的同時(shí)，一定會(huì)碰到一些挑戰(zhàn)。其中一個(gè)非常突出的挑戰(zhàn)——不是技術(shù)的挑戰(zhàn)，而是業(yè)務(wù)的挑戰(zhàn)——我們稱之為知識(shí)融合 。

我們都知道在每個(gè)行業(yè)、每一個(gè)生產(chǎn)環(huán)境、每一個(gè)業(yè)務(wù)環(huán)境當(dāng)中，都存有知識(shí)。知識(shí)的存在其實(shí)是業(yè)務(wù)經(jīng)驗(yàn)的總結(jié)，以及“人”在過(guò)去實(shí)踐中的經(jīng)驗(yàn)總結(jié)。舉一個(gè)很簡(jiǎn)單的例子，比如說(shuō)我們“人”都知道，當(dāng)一個(gè)交易發(fā)生在夜間，或者在一個(gè)不上班的時(shí)間發(fā)生高頻轉(zhuǎn)賬交易，往往是一些異常的信號(hào)，這個(gè)里面其實(shí)就牽涉到一個(gè)知識(shí)。這個(gè)知識(shí)是如此的顯而易見(jiàn)，以至于很多人都忽視了。我們可以想象一下，一個(gè)只有算法大腦的外星人，看到我們的交易時(shí)間，他只能知道這是一個(gè)時(shí)間，這在宇宙當(dāng)中是普適的，但他不知道的是地球上是要放假的，我們?nèi)耸且X(jué)的。所以這樣一個(gè)非常淺顯的常識(shí)，對(duì)于算法的事件來(lái)說(shuō)它是認(rèn)識(shí)不到的。

世界上有很多這樣的知識(shí)、常識(shí)，比如地球是有重力的，比如我們是需要休息的，比如在很多金融交易當(dāng)中跨境結(jié)算是需要時(shí)間的，如此等等大量的知識(shí)，這就構(gòu)成了當(dāng)你使用機(jī)器學(xué)習(xí)等人工智能算法去解決業(yè)務(wù)問(wèn)題的時(shí)候，你需要融合這些知識(shí)，這就是知識(shí)融合。

剛才提到了數(shù)據(jù)科學(xué)平臺(tái)自動(dòng)化的技術(shù)，其實(shí)自動(dòng)化技術(shù)的核心，就是如何大幅度降低人對(duì)知識(shí)和技術(shù)的依賴。在“人”在智能組織的核心作用的部分我提到過(guò)很重要的一點(diǎn)，就是復(fù)合型人才需要依賴工具，那么依賴工具其實(shí)就降低了他對(duì)某些知識(shí)和培訓(xùn)以及反復(fù)工作的依賴。我們的DataCanvas數(shù)據(jù)科學(xué)平臺(tái)產(chǎn)品通過(guò)自主研發(fā)的“四庫(kù)”——特征倉(cāng)庫(kù)、算子倉(cāng)庫(kù)、場(chǎng)景倉(cāng)庫(kù)和AutoML倉(cāng) 庫(kù) ，可以在各個(gè)維度上降低數(shù)據(jù)科學(xué)團(tuán)隊(duì)對(duì)于特定知識(shí)和技術(shù)的依賴。

比如對(duì)于一個(gè)數(shù)據(jù)科學(xué)團(tuán)隊(duì)的成員，他可能要懂技術(shù)、要懂?dāng)?shù)據(jù)、要懂業(yè)務(wù)、要懂機(jī)器學(xué)習(xí)，還要懂編碼，所有這些知識(shí)都是非常復(fù)雜和專業(yè)的，那么對(duì)于團(tuán)隊(duì)當(dāng)中不同的角色，數(shù)據(jù)科學(xué)家、平民數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師、數(shù)據(jù)工程人員，以及算法運(yùn)維(Machine Learning OPS)人員，他們對(duì)不同維度的知識(shí)都有不同的需求，數(shù)據(jù)科學(xué)平臺(tái)發(fā)展到現(xiàn)在，不論是它的協(xié)作特性，還是自動(dòng)化特性，都可以極大地降低團(tuán)隊(duì)對(duì)特定知識(shí)的依賴，提升他們的效率。

三、 數(shù)據(jù)科學(xué)平臺(tái)如何提升工作效能

當(dāng)我們團(tuán)隊(duì)的成員都通過(guò)先進(jìn)的自動(dòng)化技術(shù)，在經(jīng)歷了數(shù)據(jù)科學(xué)團(tuán)隊(duì)的四個(gè)階段(上圖)以后，達(dá)到了大規(guī)模落地，我們能看到它帶來(lái)什么樣的效果。

數(shù)據(jù)科學(xué)是圍繞數(shù)據(jù)利用AI算法進(jìn)行場(chǎng)景落地的一門科學(xué)，在這個(gè)過(guò)程中它通過(guò)團(tuán)隊(duì)內(nèi)和團(tuán)隊(duì)間的協(xié)作，特別是數(shù)據(jù)團(tuán)隊(duì)和業(yè)務(wù)團(tuán)隊(duì)的協(xié)作，建立了人和人的關(guān)系;通過(guò)數(shù)據(jù)模型構(gòu)建和算法，建立了數(shù)據(jù)和模型的關(guān)系;最后通過(guò)開(kāi)放性的接口，讓AI能力最終融入到業(yè)務(wù)系統(tǒng)當(dāng)中，建立了模型和軟件的關(guān)系?？偨Y(jié)來(lái)說(shuō)就是協(xié)作特性建立了人和人的關(guān)系，訓(xùn)練能力和算法建立了數(shù)據(jù)和模型的關(guān)系，開(kāi)放性接口建立了模型和軟件的關(guān)系 。所以數(shù)據(jù)科學(xué)平臺(tái)在將來(lái)整個(gè)IT和DT的大地圖當(dāng)中，處于一個(gè)非常核心的位置。它通過(guò)開(kāi)放、協(xié)作等特性，讓數(shù)據(jù)、模型和軟件建立一個(gè)有機(jī)的組合。

四、 智能化組織著重解決的三大要素

朝未來(lái)的方向去看，數(shù)據(jù)科學(xué)著重解決的AI問(wèn)題會(huì)有三個(gè)重要的要素：數(shù)據(jù)，算力和算法。

對(duì)于數(shù)據(jù) 來(lái)說(shuō)，我們知道一個(gè)組織有大量的數(shù)據(jù)積累，數(shù)據(jù)事實(shí)上是企業(yè)的生命線。對(duì)于算法，先進(jìn)的算法可以讓我們?cè)跀?shù)據(jù)上完成各種以前不可能的任務(wù)，來(lái)促進(jìn)業(yè)務(wù)的增長(zhǎng)。第三個(gè)要素是算力，代表了今天在先進(jìn)算法之下所需要的大量的計(jì)算消耗，它來(lái)自于硬件的供應(yīng)，很多來(lái)自于CPU、GPU、FPGA和各種各樣專門的ASIC芯片。我們可以理解為，當(dāng)我們有了新的計(jì)算pattern以后，全世界的硬件生產(chǎn)出來(lái)就是要被軟件所消耗，所以硬件是提供算力的，但這些算力要適配這些軟件所做的工作。我們相信，數(shù)據(jù)科學(xué)團(tuán)隊(duì)在未來(lái)將會(huì)消耗這個(gè)世界上絕大多數(shù)被產(chǎn)生出來(lái)的算力，所以它處于未來(lái)企業(yè)作為智能化組織轉(zhuǎn)型的一個(gè)核心地位。

在數(shù)據(jù)方面我們看到將來(lái)的一個(gè)趨勢(shì)，我們稱為安全計(jì)算或者聯(lián)邦學(xué)習(xí) 的特性，簡(jiǎn)單來(lái)說(shuō)就是數(shù)據(jù)在多方可以產(chǎn)生一些協(xié)作。

在今天，國(guó)家對(duì)于數(shù)據(jù)的隱私保護(hù)是非常嚴(yán)格的，你不能非法買賣數(shù)據(jù)，但在現(xiàn)實(shí)中我們也知道數(shù)據(jù)的價(jià)值在于流通、在于鏈接，那么怎么解決這個(gè)問(wèn)題?數(shù)據(jù)是不可以互相看見(jiàn)的，那能不能在不看見(jiàn)對(duì)方數(shù)據(jù)的前提下，利用算法和一些先進(jìn)的技術(shù)聯(lián)合來(lái)建立模型，這些聯(lián)合建立的模型對(duì)于數(shù)據(jù)方和需求方都能夠產(chǎn)生價(jià)值。舉一個(gè)非常適合于多方數(shù)據(jù)聯(lián)合建模的場(chǎng)景例子，當(dāng)銀行對(duì)一些小微企業(yè)進(jìn)行放貸的時(shí)候，如果能知道小微企業(yè)在業(yè)務(wù)上、進(jìn)出口上，甚至在一些法律風(fēng)險(xiǎn)上，有沒(méi)有一些數(shù)據(jù)的輸入會(huì)直接決定風(fēng)險(xiǎn)模型的精準(zhǔn)度，以及整個(gè)放貸過(guò)程中對(duì)風(fēng)險(xiǎn)的控制。但是我們出于隱私的考慮，也不能簡(jiǎn)單地將數(shù)據(jù)拷貝和匯總，就出現(xiàn)了多方數(shù)據(jù)聯(lián)合建模的需求。

那么通過(guò)聯(lián)邦學(xué)習(xí)以及多方安全計(jì)算的特性，不管是使用同態(tài)加密的算法，還是MPC的算法，我們都可以保證能夠安全地、不泄密地讓多方數(shù)據(jù)聯(lián)合建立模型，完成以前單方數(shù)據(jù)所不能完成的任務(wù)。

那么在算法上的演進(jìn)，我們判斷大的趨勢(shì)是基于自動(dòng)機(jī)器學(xué)習(xí)的持續(xù)推進(jìn)。上圖展示了DataCanvas自動(dòng)機(jī)器學(xué)習(xí)的進(jìn)展?fàn)顟B(tài)，非常像自動(dòng)駕駛，我們把它分為5檔。第0檔就是沒(méi)有自動(dòng)化，在2015年左右自動(dòng)機(jī)器學(xué)習(xí)剛剛起步;到2016年，DataCanvas開(kāi)始大量采用我們稱為level one的自動(dòng)機(jī)學(xué)習(xí)技術(shù);在2019年我們使用的自動(dòng)結(jié)構(gòu)化深度學(xué)習(xí)工具DeepTables，在結(jié)構(gòu)化數(shù)據(jù)上廣泛使用了深度學(xué)習(xí)的技術(shù)，也取得了非常好的效果。到今年，DataCanvas的產(chǎn)品已經(jīng)全面轉(zhuǎn)向了基于深度神經(jīng)網(wǎng)絡(luò)自搜索的自動(dòng)學(xué)習(xí)技術(shù)，這樣的技術(shù)可以在結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)上都產(chǎn)生非常好的性能表現(xiàn)。

那么Auto Machine Learning和Auto Deep Learning這樣的一個(gè)像自動(dòng)駕駛一樣的分檔圖，可以讓我們很清晰地看到在數(shù)據(jù)科學(xué)團(tuán)隊(duì)，自動(dòng)化是如何一步一步的深入，最終會(huì)完成一個(gè)非常低門檻，但是精準(zhǔn)度很高的模型的構(gòu)建。

那么最后一塊我們來(lái)看算力，算力實(shí)現(xiàn)的其實(shí)是如何高效調(diào)度所有的計(jì)算硬件 。我們知道計(jì)算硬件已經(jīng)出現(xiàn)了CPU、GPU、FPGA以及各種各樣的加速硬件，這些硬件是異構(gòu)的，對(duì)于硬件異構(gòu)的管理，這是一個(gè)非常大的課題。新的數(shù)據(jù)中心里不單是CPU和GPU，還有很多新的硬件的出現(xiàn)，如何高效地管理這些硬件，對(duì)于一個(gè)智能組織也是非常核心的課題。

另外我們還看到了關(guān)于算力硬件的虛擬 。因?yàn)樵谠频臅r(shí)代，一個(gè)硬件不再是獨(dú)占式的，而是有可能被各種各樣的工作載荷來(lái)復(fù)用，包括我們多機(jī)多卡的加速訓(xùn)練以及推理的硬件加速，所以提高算力的利用率也是數(shù)據(jù)科學(xué)平臺(tái)提供給數(shù)據(jù)科學(xué)團(tuán)隊(duì)的一項(xiàng)很大的benefit。這樣對(duì)于數(shù)據(jù)科學(xué)家來(lái)說(shuō)，可以把更多的注意力集中在模型的構(gòu)建上，而無(wú)需關(guān)心算力的利用率的提高。

總結(jié)來(lái)說(shuō)，我們認(rèn)為將來(lái)每個(gè)公司都會(huì)是軟件公司 ，我們也認(rèn)為每個(gè)部門都會(huì)是數(shù)據(jù)科學(xué)的部門，這意味著IT、DT和業(yè)務(wù)的融合，也意味著一些復(fù)合型人才的需求。這樣一個(gè)巨大的機(jī)會(huì)，是AI在所有業(yè)務(wù)上滲透所帶來(lái)的必然結(jié)果，我們也相信DataCanvas makes it happen 。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！