普元雲計算-基於人工智能場景的移動平臺工程化實踐

目錄：

 

1、人工智能的核心是工程化，場景是工程化的關鍵

2、三類場景化實踐

3、總結

 

持續關注咱們公衆號的人可能會留心到咱們在移動平臺和人工智能的結合上進行過多方面的嘗試，也發佈過兩篇專題文章。分別是《智能化的Conversational UI是移動發展的一個趨勢》和《使用TensorFlow搭建智能開發系統，自動生成App UI代碼》

 

本文主要是將咱們在2017年相關的實踐作個總覽式的分享，但願可以給各位必定的啓發。

 

1、人工智能的核心是工程化，

場景是工程化的關鍵

 

技術提高加速AI實踐

 

這就回到了技術，技術離不開軟件、硬件、算法的迅速發展，技術上的提高，讓人工智能（AI）加速落地。技術上，主要圍繞在框架、算法、算力幾個維度去組建。

在後續的場景中，咱們主要採用的是基於Google TensorFlow的平臺上，一些成熟算法或者模型上的應用，基於咱們的算力和性價比，咱們也會作出些取捨，好比用Faster-RCNN代替RCNN等。

 

客戶須要的是智能化應用場景

 

在企業進行移動信息化/移動互聯的建設中，都須要通過建設期、運維期、運營期等一系列階段，從用戶角度看，本質上須要的是一個個的智能化的應用Intelligent Apps（參見Gartner： Top 10 Strategic Technology Trends for 2018）。

 

對於工程化的落地，咱們認爲場景更重要，咱們到底須要什麼樣的智能化，支持咱們作什麼事情。

 

基於上述的思考咱們抽取了幾個場景採用機器學習的方式進行了工程化實踐。

 

場景一：移動智能開發平臺，讓工程師快速具有專家80%的開發能力

 

（視頻：移動智能開發平臺）

 

這部分工做在工程化過程當中，咱們分兩部分進行實踐：

一、訓練階段

二、應用階段

 

以下圖所示：

 

探索：主要是確認了場景後，結合框架、模型以及自有算力，尋求各類模型進行研究和實踐。在這個場景中，咱們最終選擇了基於CNN的分類算法以及基於Faser-RCNN的目標檢測算法。考慮到數據的標籤工做量的問題，咱們採用了遷移學習的方式。

 

訓練：根據探索肯定的方向，構造標籤化的數據。在這個場景中，咱們採用分類的標籤化工做和目標檢測的標籤化的工做。

 

推測：採用訓練後的結果，進行推測以驗證模型的效果。

 

（視頻：普元AI智能移動平臺工程化版本）

 

場景二：智能的鏈接和呈現，以智能化的CUI方式爲最終用戶提供會話式交互體現。

 

 

 

 

 

 

從業務場景角度看，推薦、輔助等模型在技術維度和互聯網公司的「猜你喜歡」等並無太多差別性，須要說明一點的是，在作企業市場的時候，咱們建議的方式，不是基於用戶，而是基於組織機構（好比崗位）去進行分析。緣由很簡單，若是基於用戶習慣，會致使一個喜歡遲到的人，老是在遲到的時間點推薦其打卡，這顯然既不符合用戶的我的訴求，也不符合企業的利益。

 

爲了支撐上述的場景，移動平臺須要的是可以提供統一的數據收集能力。

 

採用統一前端技術，讓自動埋點的愈來愈容易，更方便用戶行爲數據的收集。

 

同時採用統一中臺的方式，更加方便進行收集。

 

4、總結

在移動互聯時代，愈來愈多的App正在智能化，愈來愈多的場景正在發生，這是一個大的趨勢，但並非全部的場景對移動應用自己衝擊都很大。不少AI場景對於移動平臺僅僅是一個SDK的問題，好比相似於生物識別（人臉識別），此外，蘋果/Andriod 也都提供了基於手機端的AI技術支撐，所以，做爲移動應用業者，須要重點考慮的是，如何將人工智能結合具體的場景，進行工程化實踐，讓AI迅速發揮業務價值。

關於做者：郝振明，現任普元信息移動集成產品部負責人，十多年IT從業經驗，一直專一於企業信息化的工做，近五年間一直從事企業移動信息化、移動互聯網化的諮詢、產品工做，曾主持參與了Primeton Mobile產品研發、聯通集團、廣東農信、諾亞財富、中信重工、索菲亞等公司的移動信息化工做。在移動平臺、微信解決方案、微信小程序、AI與移動的結合以及移動雲方案等領域有豐富的經驗和獨到的認識。

關於EAWorld：微服務，DevOps，數據治理，移動架構原創技術分享，長按二維碼關注