对企业这棵大树而言，有了强大的数据根系支持，又有BI辅助加速光合作用，如果想要收获一树果实，“风”的力量也不可或缺，当下最有力的东风非AI莫属。关于AI实践，企业遇到了哪些风阻？Google Cloud又是如何帮助企业更好地利用和转化AI的风能? 本文将为您一探究竟。
为AI发电，Google Cloud的数据风能量
2023年被称为AI平民化元年，年初AIGC强势破圈走向前台。各行各业其实也早已在探究适合自己的AI实践策略，作为技术尝鲜的开发团队也不例外，然而受制于人员、流程、技术、数据的羁绊，大多数企业的AI实践仍处在实验、评估测试或原型设计阶段。
痛点1：机器学习 (ML) 技能差异
Gartner报告显示，只有10% 的企业拥有半数以上的经过ML技能训练的软件工程师。是否拥有熟练掌握ML技能的工程师，不应该成为企业能否应用AI技术的限制条件。
Google Cloud解决方案：开箱即用的ML工具。
Google Cloud为企业业务端和开发者提供开箱即用的ML工具，借用工具，用户可以从平台现有功能中按需调用、组合多种AI API接口，直接使用先进的预训练模型。AutoML让无论新手还是专家级开发者都可轻松创建自定义模型，实现无编码或低编码。
痛点2：数据和AI各自为家
ML始于数据分析，跨越繁杂的统计后，再回归到数据分析。这个工作流中的人员、任务重要级、计算逻辑频繁变化，再加上团队技术水平的差异性、数据孤岛问题，最终会阻碍企业AI的步伐。
Google Cloud解决方案：使用统一的数据和AI策略
Google Cloud将数据和ML系统整合在一个界面中，消除因工具、流程、策略不同带来的困扰。身处不同流程节点的开发者，既能访问相同的实时数据，绕开数据孤岛，又能充分利用AI和ML预训练模型，为开发工作减负。同时平台集成了MLOps工具和流程，减少了数据科学家和IT团队之间的矛盾。
痛点3：低效，难以管理、扩展和协作
由于缺乏集成孤立数据源的解决方案，ML的第一步工作——数据准备变成最耗时的环节，团队需投入大量的人力成本用于在本地、云端去查找、提取、清洗数据。另外，开发者花费大量时间去维护ML架构和偿还遗留的技术债务，无暇思考创新。
Google Cloud解决方案：Vertex AI在ML全生命周期发力
由于与数据的轻松集成、对开源ML框架的访问以及与其他Google Cloud产品，如BigQuery和Dataproc的连接，使开发者能快速启动AI部署。在同一平台上整合并利用Workbench和Feature Store等功能，协作提升生产力。
AI上岗，低效能下岗，Vertex AI为ML生命周期的每一步提速
开发团队采用传统单一的第三方单点式解决方案或工具，最典型的弊端是扼杀了协作，并使得ML全生命周期的技术工作变得耗时、耗人且低效......
Vertex AI则能加速ML全生命周期的每一个环节，依托完全托管和集成的ML平台来构建、训练、部署和管理模型。平台天然的集成、自动化、创新属性，能帮助提升数据专家、工程师、业务端用户的生产力，轻量化成本。
1、数据准备
借助Vertex AI，用户可以从不同位置查看所有数据，实现无缝集成。改善了数据团队的协作效能和数据重复调用。
组件：数据标签、元数据、Pipeline、托管数据集、Feature Store
成效：效率提升70%
2、模型构建/训练/调优
Vertex AI将预构建模型和AutoML引入其ML环境以及使用Pipelines应用、MLOps策略来实现流程自动化，简化了企业模型开发和训练。
组件：Pipeline、Vertex AI Workbench、AutoML、Feature Store
成效：效率提升70%
3、模型可解释性
模型透明可追溯，业务方及其他利益相关者可以轻松理解模型决策的基本机制 。
组件：Pipeline、AutoML
成效：效率提升60%
4、模型部署
因Vertex AI平台UI的易用性、预测和模型注册表集成的便捷性，简化了模型部署步骤。
组件：Prediction、Pipeline、Matching engine
成效：时间缩短40%
5、模型监控
在共享环境中工作，使用Workbench记录所有操作的完整日志，并使用模型监控对模型性能进行持续主动的监控，从而提高了工作效率，一些初级数据工程师和业务用户也能分担这部分工作量。
组件：Model registry、Model monitoring
成效：时间减少60%
*以上所有数据来源于：《Forrester:Google Cloud Vertex AI总体经济影响》
Vertex AI 最佳实践：OPPO如何为移动设备增强AI能力
OPPO的移动设备在全球范围有广泛的消费市场，为了持续给终端用户提供最优产品体验，OPPO持续关注和实践领先的AI技术。
OPPO AI实践路上面临着开发周期长、准确率和性能难以兼顾的问题。
AI模型需经反复测试和调优，但若定制AI智能模型，则需投入大量资金、人力及时间成本
在云上训练的AI模型，如何确保搬到移动设备后，准确度、性能不打折扣也是一大挑战
OPPO选择与Google Cloud牵手，采用Vertex AI NAS进行设备端AI模型开发。
在Vertex AI NAS中添加功耗自定义搜索约束
通过Cloud Storage将 StarFire平台与Vertex AI NAS连接到一起
最终实现：功耗降低27%，计算延迟降低40%，同时准确率不贬值，维持在优化前的水平。
AI风已来，在谷歌，探索AI的步伐从未停过，这是一种融入DNA式的存在，Google Cloud邀您一起借东风，上青云，早日实现AI真落地！
更多资源请参考：
1、聚焦Google Cloud热点资讯、客户案例及精彩活动，请访问 Google Cloud 专区
3、联系我们
文章来源：亿邦动力
