TEDxZhichunRd秉承TED理念“Ideas worth spreading”，传播科技创新成果，以TEDx演讲为核心价值，通过多种衍生形态为汽车、汽车金融、科技等行业同行、专家学者提供平台。为了打造全国最大的创新者发声平台，TEDxZhichunRd联合爱分析，对行业内创新人物进行采访，了解公司发展，树立品牌形象。
本期采访到的是智易科技创始人李杰，他将就智易科技的产品、经营策略、战略发展目标以及AI行业的发展趋势与各位读者进行交流。（内容转自爱分析）
以下为访谈实录：
降低AI使用门槛，以通用型AI平台切入市场
问题：为什么选择AI这个行业作为创业方向？
李杰：我博士期间就有云计算和数据挖掘的背景，工作后先在微软总部做了两年多云计算平台研发，之后去了谷歌开始接触AI尤其是深度学习。
当时我所在的项目组为底层云平台系统，管理着Google所有机器集群，可以接触到整个数据中心的核心数据和资源。也正是那时我发起和主导了一个数据中心智能化管理项目的研发，利用AI技术来挖掘数据价值，结果非常成功，当时就被AI的能力所震撼。
这样的一个契机使我认识到，AI作为一个赋能型技术，几乎可以用来服务全行业，挖掘不同场景下大数据的价值，所以很希望在这个方向上做一些深入的探索。
问题：为什么选择以通用型AI平台切入市场？
李杰：AI创业的主流方式是选择一个垂直领域（医疗、零售等等）进入，然后做AI相关的应用等等。
我想做的是通用型AI研发平台，主要有两点因素：
第一， AI本身作为一个赋能型技术，应该是通用的，全行业都存在跟AI结合的机会；目前，AI的商业化落地处于初级阶段，有很多平台级的机会等待我们去开拓。
第二， 在微软和谷歌的工作经历，使我能够站在国际视角看到最为前沿的一些技术趋势，所以希望能结合自身的背景经历做一些更有价值的事情。在云计算、大数据、以及人工智能多年的经验积累，使我能够快速利用自身技术能力搭建这样一个通用型AI研发平台，之后再利用这个工具慢慢进入其他行业，去获得对行业更多的认知。
问题：深思平台的研发周期是多久？
李杰：2017年4月底，我从Google离职，利用1个月左右做行业调研，发现市场上没有很好产品先例，之后2-3个月用来设计系统和原型的迭代开发，8月份开始正式进入开发阶段，12月底1.0版本开发完成。
问题：深思平台的定位是什么？
李杰：我们的产品定位是在一定程度上取代初中级的AI专家，并且将AI使用的低门槛做到极致。
在降低门槛方面我们有两个目标，第一，用户全流程不需要写任何代码；第二，完全不懂AI的用户也能完成相关的AI应用模型开发。
问题：市场上也有一些为了降低AI使用门槛的产品，这些产品有什么不足？
李杰：国内外有很多为了降低AI使用门槛的工具，但是最后的产品并没有达到这个目标，主要原因是，虽然这些工具提供了一定的可视化交互界面，但同时也暴露了大量的技术参数、配置给用户，所以这些产品依然是面对AI专家的。
自研AutoML技术，满足商业化要求
问题：深思平台包括ETL层、数仓吗？
李杰：我们的产品是一个庞大的系统整合。
最底层是分布式集群管理，云基础设施；再往上一层是基于主流的开源框架的核心AI研发层，用于AI模型训练；再往上一层，是基于Hadoop、Spark的大数据引擎，包括数据的存储和处理，以及ETL部分，支持BI、可视化功能；最后是面向用户的，搭建了基于浏览器的可视化操作页面，大幅降低了使用门槛。
问题：用户如何使用深思平台开发AI应用？
李杰：首先，用户可以从不同数据源（本地、云端）导入数据，然后只需要确定训练目标，平台就会自动化完成模型的搜索和迭代，找出最优解。如果模型达到了用户的生产环境要求，我们提供模型托管以及模型API接口，之后用户可以直接调用API使用模型。
问题：模型的选择是平台自动完成的吗？
李杰：是的，这是利用我们自主研发的AutoML技术。用户只需要选择预测目标，我们的产品就可以完成模型算法的选择、超参数的组合迭代，然后找到最优化模型。
我们跟Google AutoML的技术路线有一些差异。
Google自身有资源优势（TPU硬件），所以采取的是更为依赖算力、近似暴力破解的方式来寻找最优解，我们认为这种模式硬件成本过高，在商业化中并不适用。
我们则是更多的依赖于一些数学优化理论去做更加经济的搜索、迭代，并且结合我们的启发式搜索，对于不同类型的问题，我们会给出某种预判模型，我们把这些人为规则加入到自动化迭代中，达到用更少的迭代次数达到和暴力搜索类似的效果。
问题：模型由平台直接给出，大型客户对于模型的可解释性是否有顾虑？
李杰：有的用户会有可解释性需求。现在这也是AI领域需要突破的难点，从效果来讲，神经网络往往能达到最佳的效果，但是缺少可解释性，如果用户有很强的可解释性需求，我们会选择一些有较强可解释性的算法来服务客户。
问题：模型会根据实时数据不断更新吗？
李杰：模型持续训练已经支持了，按照周期来不断训练模型。但是在实际中，实时训练的需求比较少见。
问题：在建模功能上，Tensorflow和深思平台的区别有哪些？
李杰：我们平台是基于可拓展的架构设计，支持当前主流的AI算法框架，包括Tensorflow、Scikit-learn、Caffe等等。一些Tensorflow支持得并不太完善的模型算法，比如像决策树等等，我们会通过支持其它的一些第三方框架(例如XGBoost和LightGBM)来进行补充。
部署模式灵活，未来加入数据准备模块
问题：用户在使用深思平台时，可以做计算资源调度吗？
李杰：这些都是可以配置的，首先我们的平台是提供两种形式的服务，一种是公有云形式，
SaaS模式，另一种是私有部署，私有部署中就可以根据客户需求来配置计算资源。
其实建模过程中每一个环节都涉及到大量数据处理，需要大量计算资源调度，我们提供两种方式，一种是平台自动化选择，另一种是用户自己制定。
问题：目前，哪种部署方式更加广泛？
李杰：这跟不同行业的属性有关，金融业客户倾向于私有部署，而对于一些追求快速发展、意识更为前沿的客户（如零售、互联网等），公有云模式会较多。
问题：深思平台对于数据准备环节的支持如何？
李杰：在AI应用研发中，占用时间最多的是模型选取迭代以及数据准备工作。现阶段，我们更多资源是投入到优化模型这块，对于数据准备工作，我们已经开始进行研发，未来我们的平台会兼顾到数据前期准备环节。
客户需有良好数据基础，AI平台市场仍处早期
问题：深思平台的客群定位是什么？
李杰：对于客户，我们有两个要求：有良好的数据基础，有明确的需求。
现在我们把客户分为三个阶段：
第一阶段，没有AI使用经验，想做AI尝试，比较初级；
第二阶段，有AI成功使用案列，会尝试更多场景，更加积极去使用AI，会寻求外包解决方案；
第三阶段，相当多的成功AI应用场景，不再满足于第三方提供解决方案，更倾向于自己拥有AI的能力。
我们服务的最佳客户是对AI有比较成熟的理解，并且之前有相关AI使用经验的第二和第三阶段客户。
问题：目前，智易科技的客户主要分布在哪些行业？
李杰：金融行业，因为跟AI结合很早，不再满足于业务解决方案，想要AI通用型能力；零售行业，有销量预测、库存管理等方面的需求，深思平台可以帮助零售行业的所有环节提升生产力；工业，利用工业视觉开发对于产品缺陷检测的AI应用。
问题：深思平台与客户原有系统的集成性如何？
李杰：深思本身是可以作为一个单独的平台存在的，最后输出的是一个模型，会有一个API接口，用户只需要调用API接口就可以完成应用部署。
问题：客户对平台级产品的接受程度如何？
李杰：现阶段，可能只有少数客户对于平台级产品的接受程度较高，但是随着客户对于AI的认知不断进步， 在未来的几年，会有更大需求爆发。
问题：智易在进入行业之后会向上层应用发展吗？
李杰：目前是以单点切入行业，会不断渗透到其他业务中，我们之后会不断打磨平台产品，并且会向行业应用发展。
问题：您怎么看待目前AI平台领域的竞争？
李杰：我认为目前AI市场处于非常初级的阶段，可以叫做人工智能商业探索的大航海时代，还有很多未探索的领域，AI+行业的机会还非常多，各个厂商都有机会成为AI时代领导者，并且我个人非常看好平台级的AI产品。
问题：开源盛行，技术不再是难点，AI行业的竞争壁垒是什么？
李杰：应该是对不同行业的认知程度吧，现在许多行业对AI的认知仍停留在一个较为初级的阶段，不知道AI能帮助改善生产中的哪些环节，这是我们需要跟不同行业一线业务人员共同去探索的。谁先完成对行业的深入探索，帮助客户解决实际需求，就能建立起该行业的竞争壁垒。
问题：智易科技有哪些对标公司？
李杰：从国际范围来看，在产品理念方面美国的DataRobot跟我们比较相似，但我们的核心竞争力在于把AI低门槛做到极致，比如让一个完全不懂AI的外卖小哥15分钟学会使用我们的产品。
国内目前也有一些公司在往这个方向探索，但在产品的形态理念和AI研发过程的复杂性封装方面都跟我们有较大差距。
问题：智易与微软加速器在哪些方面进行了合作？
李杰：智易是一家非常年轻的初创公司，很荣幸能跟微软加速器合作，同时，我们也确实感受到了微软加速器给予初创企业莫大的扶持和助力，包括技术、资源全方位的帮助。
第一， 微软的Azure云平台计算资源，我们拿到了非常大的一个免费额度，现在，我们平台也在部分往Azure平台迁移。
第二， 媒体资源的获取，也是微软无条件支持的。
第三， 投融资对接方面，微软设置了很多私下以及公开的渠道帮助我们去获取。
第四， 客户方面，微软很愿意将自身的一些大客户资源提供给我们，帮助我们进行针对性的对接。
热门跟贴