导读

01 为什么要去建 AI 中台？

数据变成企业资产是大家的共识，但现在我们发现模型已经成为影响企业竞争力的一个重要资产。

越来越多的企业需要面临很多的复杂决策，这些决策不是拍脑袋做的，需要依赖一些决策模型，所以这些模型会越发重要，成为企业当中的一个重要资产。以前的模型相对较简单，可能通过一些回归或者简单的方法，就能够做出来。但现在随着 AI 的发展，模型的复杂度在逐渐递增，且更新的速度也很快，所以如何针对业务，更好地管理模型，将会是企业的核心竞争力。

除此之外，如果单独有模型，不能构成最终的价值闭环，最终都要服务于业务。在与一些企业交流时，发现 AI 模型在实际业务当中，其实是“神秘的黑盒”。许多算法团队，经常是“拿着锤子找钉子”，并不知道模型在业务当中会有什么用。

站在业务的视角，大家会经历心理学上的一个名词，“从愚昧山峰”到“绝望之谷”。因为大家对于 AI 是充满幻想的，认为有了 AI 就可以解决任何问题，对于 AI 有很高的预期。但直接跟算法团队交流的时候，可能会遇到很多的问题，比如业务问题对应了哪些历史业务数据，哪些业务数据是清洗标注过代表增长的，这时会感觉， AI 好像花瓶一样，需要人工才有对应的智能，听到这样的评价，就会陷入到绝望之谷。不论在算法团队，还是在业务团队，如果很难形成协同上的认知，就不能形成相应的共识，也没有办法在真正意义上，将 AI 落地到一些比较重要的业务场景当中。

从另外一个视角，有一些企业 AI 的模型跑起来了，但这样的模型更多是由算法驱动或者技术驱动做的，经常会遇到一个问题：业务定个新的 KPI，模型可能就会失效。比如一开始是针对现在的业务受众做的，但在新的季度，某个业务需要换一些受众画像与方向，就会发现之前的预测模型完全失效了。大家的目标没有在前期拉齐，这个面向未来的模型，就没有办法给大家带来对应的泛化性结果。如果没有建立起一个能连接各个团队的 AI 中台，就会带来这样的问题。

在大模型的发展过程中，如何看待大模型和 AI 中台的关系？许多企业不应该去考虑如何训练大模型，而是如何去利用大模型。随着大模型的发展，尤其像AI agent 相关技术的提出，用好大模型需要考虑企业有多少的 know how未来可以更好的模型化、工具化被大模型调用，这些才是企业真正的经验与知识。所以说现在用 AI 中台可以更好地整合内部已有的模型，把一些好的决策，好的方法模型化、工具化之后，随着AI大面积发展，整个企业可以更好地智能化运行。

什么是AI中台？初期AI中台主要专注模型的全生命周期管理，受众更多是面向算法团队。上图是基于 ModelOps 的一条流程，它所定义的是从模型开发到部署的全生命周期管理。现在 AI 算法从 1.0 - 2.0 方向发展，AI 中台本身也一样，不是单纯管理一个开发流程，能够发挥多少 AI 中台的能力，决定于有多少业务团队能够使用AI。所以建立整个 AI 中台的目标，在于有多少 AI 的能力能够被构建出来、能够被管理起来、能够面向业务开放起来，打通从数据到模型到最后决策的全链路。

02 如何构建 AI 中台

当前在讨论 AI 中台的时候，更多的是关注业务如何去使用的视角，那如何去建？会遇到哪些问题？因为企业内部决策链路复杂，算法团队、数据团队、IT团队、业务团队的视角不同，要去平衡的是企业内部最核心的各个团队当中的声音。我们需要让 AI 发挥作用，就要去思考还有哪些模型需要去被管理起来？它的受众有哪一些？企业未来有多少人能够去用它？如何评估平台的ROI？

首先建 AI 中台其实是一把手工程，作为企业一号位的人员，需要与高管团队讨论，如何建立围绕数据跟模型的企业竞争力。当只有这样的事情在企业内部去确认的时候，这家公司的 AI 中台才有可能建立得起来，因为AI 中台会变成公司的战略、公司的文化、公司竞争力去构建，各个团队才有可能去思考 AI 跟业务的关系。

这是我们发现很重要的一个前提，需要把它当做一把手工程去建立。

在建 AI 中台的时候，作为一家企业，哪些模型资产需要被考虑？我们将其中模型分成三大类，第一大类认为它可能不是 AI 模型，而是公司非常重要的、数据驱动的核心业务模型，因为这些模型是能够拉动所有业务的毛细血管。这样的模型盘点一般是由业务团队牵头，考虑模型如何被管理跟调用起来。

第二类传统意义上的 AI 模型，更多是一些预测类模型或者分类模型，这种模型逐步变得复杂，业务人员没有办法去构建，需要算法团队专人负责，所以从算法团队的视角，需要考虑管理哪些传统AI预测类模型。

对企业的模型进行相关盘点之后，才能知道 AI 中台该去管理哪些模型。接着应该梳理工作流，首先把人群分画像，对于业务人员平时会怎么去用数据？算法团队怎么去构建模型？构建出来之后跟基础设施、业务团队要怎么去交互？过程中哪些用户、工作环节需要被利用到？还要考虑有对应的能力提升平台，帮助能力不足的员工不断成长。这些都是需要在内部做核心路径的梳理。

在平台推广过程当中的决定性因素是人，有多少人愿意去接受新事物。

有个很好的概念——“公民数据科学家”，定义为能够使用高级方法去解决实际业务的人。最后我们会发现 AI 中台能够创造多少的价值，取决于企业当中有多少“公民数据科学家”，有多少在业务中懂得 AI具体用处，能够参与到模型流程当中的人。所以应该把平台的建设跟人才的培养相结合，才是整个平台最终能够达到多元的重要因素。

基于挑战任务的实践是企业 AI 应用人才培养的有效途径，将企业中遇到的某些重要的问题，判断它通过 AI 可能会解决，将问题抛出来，希望企业中的人能够一起参与进来，比如用 Python 或者简单模型去建立，这时大家会有更好的驱动力去学习。把这些问题解决时，大家的参与感是非常强的，因为是基于真实问题、真实场景，能够感受到在掌握某个知识的之后，是可以起到真实价值的。

企业在推进这件事情的过程中，很自然就将 AI 中台推广出去了，因为大家处理相关任务时，就会利用在 AI 中台上所集成的某些数据、某部分模型的能力作为脚手架接着往下走。所以我们发现这是在内部做人才培养非常好的方式方法。

03 案例介绍

与某三甲医院的合作，是一个非常典型的例子。

第一点，医院相关分析人员需要在了解医学的基础上，还能够了解 AI 模型的相关方法，对应人才的内部培养周期很长，所以当一个人掌握了相关信息之后，另外一个人想要参与进来进行相关课题的合作的时候，又得重新开始做数据采集、环境搭建，重复从 0 到 1 的去做很多的事情，所以效率很低。

右图就是在实际的研究当中，利用之前梳理出来的模块，在新的研究中就可以非常快速的开展，只需要调整里面某些特定参数或简单增加几个步骤，就可以完成一次新的分析，这就是通过引擎化设计所带来的效果。

这时内部要去设计相关事情，我们一起把整个 AI 中台的推广分成“起承转合”四个环节，MVP只是一开始的工作，叫做“起”，是让工作上平台，打通人跟数据、环境的问题。

除此之外，他们希望能够在内部培养更多可以使用 AI 中台的人。

0