未来,借助AI的领先生产力,将会有更多企业在生产、交付效率上实现“跨量级”式的提升。
《安安访谈录》是界面财联社执行总裁徐安安出品的一档深度访谈类栏目。从投资角度对话1000位行业领军人物,覆盖传媒创新、VC/PE、信息服务、金融科技、交易体系、战略新兴等方向。
鲸平台《商业模式鲸解》是由《安安访谈录》出品的系列专访,以龙头企业掌门人或知名研究咨询机构高管的访谈为一手信源,拆解企业商业模式,为记者和投资人更深度了解企业提供一扇新的窗口。
本期访谈人物:
共达地高级市场总监 李苏南
“我们在业界率先做到了让整个AI的训练和迭代过程完全不需要AI工程师参与,完全不需要写一行代码,而且精度高于行业平均水平。”
▍个人介绍
共达地高级市场总监;曾帮助腾讯、华为等公司B2B业务打造过亿商机的强壮获客管道;腾讯WeCity未来城市、华为无线SingleSite等领导品牌的核心缔造者与主理人。
▍第一标签
行业首个商用AutoML自动化AI训练平台布道者
▍公司简介
共达地创立于2020年,总部位于中国广东省深圳市,是全球领先的AutoML自动化AI训练平台提供商,在业界率先实现了AI视觉算法端到端的全流程自动化开发。
面向超大规模精细化的未来AI需求,共达地致力于为所有行业、组织和开发者提供前所未有的加速赋能,以0代码自动化方式实现AI算法的训练、部署和迭代,助力客户向AI化敏捷转型,构建无所不及的智能世界。
尽管在过去十年中,世界在自动机器学习中取得了显著的进步和创新,但在市场应用层面仍有很大的提升空间。随着更加多维的数据被采用,以及自动化学习技术的迭代,自动机器学习正在变得更加智能。佩戴口罩识别、垃圾满溢识别、路面损坏识别、工业零件质检……过去因为AI成本太高、实现难度较大而没有得到释放的市场需求,正逐步通过自动机器学习得到满足。未来,借助AI的领先生产力,将会有更多企业,尤其是传统企业在生产、交付效率上实现“跨量级”式的提升。
01
——————————
AI行业下半场:拒绝“自嗨” 深度对接场景需求
请您和我们分享共达地的市场定位是怎样的,岗位分布有哪些特点?
李苏南:共达地专注在通过AutoML自动化机器学习实现AI的大规模商业化落地。如果说AI行业发展的上半场是只有少数公司、少数科学家和高阶工程师才能参与的“小众”领域,那么下半场,共达地希望把AI的开发和训练门槛降到最低,让各行业中了解业务场景、业务需求的人,都能将AI当成一个高效解决实际问题的、便捷的工具。基于这个角度,我们拒绝“自嗨”,努力做到充分开放、充分好用、充分端到端,让更多的伙伴参与到AI的创作中来。
共达地目前大概有70人左右的规模,研发和产品团队占70%左右。团队核心技术人才来自包括香港科技大学、香港中文大学、大疆创新、百度、微软等海内外知名高校以及全球顶级科技企业。创业的初期会把更多的精力投入到产品的积淀和完善,以及去打造平台的易用性、稳定性和可靠性等方面,聚焦把产品做得更好。
02
——————————
AutoML助力算法生产“降本提效”
您认为,为什么当前AI技术在各个应用场景中的渗透率比较低?又该如何提高呢?
李苏南:首先,前期的市场成熟度还不够。很多传统行业的客户并没有意识到,有许多问题是可以用AI解决的,而且应用成本和难度都很低。我们现在也有了案例,一些传统行业的先行者已经在用AI解决问题。让客户看到这些点其实是比较重要的。
第二,人工的话通常要半年的时间训练出来一个算法,所需要的时间成本和人力成本都很高。我们希望让客户意识到我们是通过机器学习这种流水线的生产方式制作算法,落地的成本不到原来的十分之一,即使是中小客户,也完全可以承受的,可以把AI按照自己的设想应用到项目里。
此外,我们用机器学习做出来的算法,精度也很高,可以媲美8年以上经验的AI工程师的水平,从这个角度来说,我们的算法完全可以达到商用落地的标准,在具体业务场景中发挥实际价值。
例如,用我们自动化机器学习所做出来的AI算法,已经在仓储物流、园区港口、建筑工地、智慧城市、农牧场等三百多个场景落地了,24小时不眠不休监控场景中存在的潜在问题,帮助企业减少在安全巡检方面的人力投入,识别报警的可靠性和准确度甚至比人力还要靠谱。
我们要向行业证明,AI有价值并且能在场景中落地,这些是我们要去向这个行业输出的部分。
共达地自动化AI训练技术的核心优势是?目前的市场份额是怎样的?
李苏南:核心优势主要体现在产品的全自动化上。
AI开发的过程大概可以分为13个步骤,除去一开始的业务定义和最后的应用开发必须依赖专业人员根据业务需求定制外,中间大量的工作其实都可以标准化。但现实的情况是,这些工作目前主要依赖AI工程师通过自己的经验和感觉反复摸索来完成。这里面当然有很多高门槛的工作,但更多时间精力其实是被耗费在低效的、重复的试错工作中的。所以很多AI工程师会自嘲为“调参侠”,认为这些工作的价值有限,但又必须要做。
我们在考虑的事情就是,用自动化机器学习的方式,让算法训练的过程标准化,让机器学会学习并代替人力完成这些反复的、低效的工作,让 AI工程师从这个过程中解放出来,这是我们现在AI训练技术的一个核心优势。而且,与过去的AutoML不一样的地方是,我们做的不是一个单点的工具,也不是辅助工程师做AI开发的一个工具,而是真正能够端到端地把AI门槛降下来的平台。从前端的数据分析,到中间神经网络的选择,到超参的调节,然后到数据的蒸馏,再到模型的生成,最后到模型的部署,环环相扣,全部都是自动化了的。
基于这种定位,所以我们的目标是希望赋能过去不具备AI能力的公司成长,比如说集成商、解决方案开发商,让他们拥有AI开发的能力,或者帮助传统的AI公司基于我们的平台提升算法的生产效率和交付效率。最终,我们和大家一起,挖掘市场中更多的潜在需求,比如游摊小贩识别、佩戴口罩识别、垃圾满溢识别、路面损坏识别、工业零件质检、油管道泄露、牧场养殖管理等等。通过共达地的平台,激活过去因为AI成本太高、实现难度较大而没有得到释放的需求,让千行百业,大小企业,都能基于AI这种领先生产力的力量,实现业务的升级。
如今的AI市场份额中,我们观察到大概90%左右是比较传统的需求,例如人脸识别、车辆识别、OCR识别等。目前共达地的平台服务了几百家客户,我们期望这个数字在明年可以有几倍的增长。
AutoML(自动机器学习)不是一个新词,共达地的AutoML和行业中的其他公司有什么不同?如何看待AutoML这条赛道当前的成熟度?
李苏南:过去AutoML更多是一个辅助的作用,在算法生产的某些单点环节,帮助专业的工程师提高工作效率。共达地做的AutoML并不是一个单点的工具,我们认为在整个AI的开发链路中,只要有一个环节没有做到自动化,那么整个链条都是不能自动化的。所以,我们一开始的理念就是要实现整个AI训练链路的自动化,并在业界率先做到了让整个AI的训练和迭代过程完全不需要AI工程师参与,完全不需要写一行代码,而且精度高于行业平均水平。
在部署环节,我们在行业中率先适配了市面上主流的100+硬件和芯片。在AI训练过程中,模型会根据硬件做好预先的适配,让客户在落地运行模型的时候,不需要额外的开发工作。
03
——————————
共达地AutoML让算法商城“活起来”
市场也有许多AI企业会通过提前生产成熟的、常用的算法,以算法商城的形式与产业客户合作,以加快落地效率,降低落地成本。共达地的算法商城和行业上的做法是一样的吗?
李苏南:我们认为长尾市场是非常需要自动化机器学习这样的工具的。一是需求多且杂,对算法定制的要求高,同样的算法从场景A迁移到场景B时,也需要定制,这个工作量是无法依靠人力完成的;二是需求散且小,如果成本过高、周期过长或门槛过高,是无法落地的。
这种情况就导致,长尾市场中的需求一直都存在,但是客户用不起,有些客户用得起又会认为你们做的太慢,做的效果不够好。
通过算法商城,即把市场上常见的、可复用的算法生产出来,让客户可以即买即用,就像在商城里买现成商品一样,是一个扩大算法的应用广度的好方法。但与其他算法商城相比,共达地基于自动化机器学习的算法商城,里面的算法是“活的”,并不会像一个实体的超市,好像商品摆在那里可能一年到头就不会动了。
举个例子,同样的安全帽识别算法,共达地的算法商城所提供的算法,是可以根据实际应用场景中,摄像头的远近、工地实景特征、日夜间光线变化等不同情况,进行自动迭代优化的,这就保障了算法应用到业务场景后的精度不低于92%。但如果是“死算法”的话,可能在算法商城中精度大于97%,但落地应用后实际精度不到10%,我们见过很多这样的案例。
04
——————————
让以前“不敢想”的算法需求高效落地
在传统产业的转型过程中,一个很严重的问题是传统产业的客户不具备AI的理解力,也不具备专业的人力团队去对接、运维,这会导致即使客户买了AI解决方案,后续也一不定能应用得很好。共达地怎么看待这个问题,是否有相应的解决思路?
李苏南:其实在售前阶段,有一个很重要的环节,叫需求定义。这个环节是解决懂技术的人不懂业务,懂业务的人不懂技术这一问题的重要手段,避免因为沟通鸿沟让简单的事情变复杂,延误工期或降低交付质量。我们的产品经理会跟客户一起去定义业务问题,分析清楚到底是要用AI解决什么问题,以及哪些问题是用AI视觉可以解决的。然后我们要跟他一起去分析,为了解决这些问题,需要提供哪些数据。以油管泄漏识别为例,油管正常的时候是什么样子的,泄露的时候是什么样子的,我们会去帮助企业一起进行数据的采集,确保这些数据能够训练出高精度标准的模型。
在最后的模型部署和落地的部分,我们也要跟企业了解方案大概需要什么样的硬件设备的支撑,需要多少算力才能达到识别的精度。我们现在也和很多硬件厂商建立了广泛的生态关系,比如说像英特尔、华为、英码、英伟达等主流厂商,将我们的AI的算法和他们的硬件打包在一起,帮助客户最终实现算法落地。
所以,从这个维度来看,算法的大规模应用,不只是一个技术问题,更是一个服务问题和生态问题,尤其是面对长尾市场的时候。共达地希望通过AutoML让算法的生产变成一件简单的事情,然后腾出更多精力去完善生态、优化服务,让客户都能用得起、用得好AI。
从已有的合作案例来看,共达地将AI的应用效率、规模、边界拓展到了什么程度?有哪些好的案例可以分享?
李苏南:一方面,我们在和大型客户,比如说像平安智慧城市,软通智慧还有千世通这样的公司做城市级或者金融级的AI项目落地。
例如在智慧城市的合作中,涉及几百种算法,按照行业过去的sop和落地的标准可能需要几个月的时间进行算法定制化的开发和落地,我们可以把需求的落地时间缩短到两周的时间,让合作伙伴向客户的交付效率提高一个数量级。
同时,合作伙伴也有能力去承接更大规模、定制化的算法需求了。有些定制化的需求成本较高,精度要求也比较高,企业过去不敢接,但是在跟我们合作之后,他就非常有底气,也有能力去承接这些更中长尾的、碎片化的需求。
此外,我们也在针对一些中小型、非主流的AI应用场景,做个性化的定制开发,比如我们跟一家农牧行业的客户做了整体牧场的智慧化解决方案,帮助识别牧场上有多少头牛,然后这些牛是不是在一个栅栏里面吃草,哪些牛在吃,哪些牛拱草等等。这些非常细的需求,在过去是不敢想的,但现在只要客户提出来,原则上说都可以使用AI去解决,并且,共达地可以在几天之内帮客户把需求定义清楚,一两周内有一个测试版本可以上线,再通过快速的机器学习迭代,让算法的精度提升到商用级别,最终达到符合应用需求的程度。
对话1000位行业领军人物:安安访谈录