企業(yè)對數(shù)據(jù)的利用有三個階段：響應運營，響應業(yè)務，創(chuàng)造業(yè)務。數(shù)據(jù)中臺解決的是響應業(yè)務的問題，第三階段“創(chuàng)造業(yè)務”，則需要AI中臺。
數(shù)據(jù)中臺的意義
數(shù)據(jù)中臺對一個企業(yè)，起著至關(guān)重要的作用。在數(shù)據(jù)中臺這個稱謂成型之前，各個企業(yè)也都在用不同的方式來盡可能地利用數(shù)據(jù)產(chǎn)生價值。只是在這個過程中，也不得不處理著數(shù)據(jù)帶來的各種問題，比如各個業(yè)務系統(tǒng)經(jīng)年累月以煙囪架構(gòu)形式存在而導致的數(shù)據(jù)孤島、數(shù)據(jù)隔離、數(shù)據(jù)不一致等等。因為這些問題實在是過于繁雜，企業(yè)開始建立數(shù)據(jù)團隊，或者數(shù)據(jù)部分開始繼續(xù)數(shù)據(jù)整頓工作，因此數(shù)據(jù)倉庫、數(shù)據(jù)湖、主數(shù)據(jù)治理等一系列的工作職能應運而生。
本質(zhì)上，這些工作都是因為業(yè)務需要不得不進行的一系列數(shù)據(jù)治理的動作，對于如何利用數(shù)據(jù)來發(fā)力，并沒有形成一個強有力的底座。有點像“頭痛醫(yī)頭、腳痛醫(yī)腳”：各個業(yè)務系統(tǒng)規(guī)范不一致了，于是開展了元數(shù)據(jù)治理；數(shù)據(jù)分析的時候數(shù)據(jù)關(guān)聯(lián)不上了，于是不得不進行主數(shù)據(jù)治理。
這樣的數(shù)據(jù)治理工作在進行了很多年后，數(shù)據(jù)中臺這個概念逐漸有人提出了，阿里的《企業(yè)IT轉(zhuǎn)型直到：阿里巴巴中臺戰(zhàn)略思想與架構(gòu)實踐》這本書更是把用中臺戰(zhàn)略把這個概念推向了一個極致。中臺戰(zhàn)略中，人們常說：大中臺，小前臺。在這種模式下，頻繁出現(xiàn)的字眼是：共享。那么，到底共享的是什么？答案便是數(shù)據(jù)的服務。中臺戰(zhàn)略，并不是搭建一個數(shù)據(jù)平臺，但是中臺的大部分服務都是圍繞數(shù)據(jù)而生，更加巧妙的地方是中臺戰(zhàn)略讓數(shù)據(jù)在數(shù)據(jù)平臺和業(yè)務系統(tǒng)之間形成了一個良性的閉環(huán)。于是，數(shù)據(jù)和業(yè)務系統(tǒng)融為了一體。
（圖1 數(shù)據(jù)中臺所解決的問題）
過去，數(shù)據(jù)依賴于手工進行，沒有軟件；有了數(shù)據(jù)中臺，以功能驅(qū)動，固定的數(shù)據(jù)輸入，得到固定的數(shù)據(jù)輸出，構(gòu)建出能用的服務變得更快速、更加的標準化，解決了業(yè)務側(cè)的“能用”問題。但是，如何以固定的輸入，以產(chǎn)生更靈活多變的輸出，提供比如個性化的服務，做到“好用”，數(shù)據(jù)中臺并沒有給出答案。
在建立了數(shù)據(jù)中臺架構(gòu)之后，我們逐步認識到，原來數(shù)據(jù)的價值并不只是個運營出個參考的分析報表，做一系列的預算。數(shù)據(jù)中臺為大型企業(yè)數(shù)據(jù)利用最大化提供了一個初始的參照方向。當我們發(fā)現(xiàn)，深度學習、機器學習等等一系列技術(shù)開始在這個平臺下施展拳腳的時候，我們可能已經(jīng)清晰地認識到：中臺并不是數(shù)據(jù)分析利用的終點。
企業(yè)利用數(shù)據(jù)的三個發(fā)展階段
如果回顧數(shù)據(jù)分析的歷程，可以歸納發(fā)現(xiàn)數(shù)據(jù)利用大概有如下三個階段：
●響應運營
●響應業(yè)務
●創(chuàng)造業(yè)務
（圖2 企業(yè)對數(shù)據(jù)的利用，有三個發(fā)展階段）
第一階段：響應運營
響應運營是數(shù)據(jù)分析最直接也是最原始的訴求。沒有誰不不會關(guān)心自己的用戶留存率，沒有誰不關(guān)心自己的營收額；出現(xiàn)了故障、如何分析定位，如何預測預防，運用數(shù)據(jù)分析自然不過。但是在運營分析過程中，也發(fā)現(xiàn)了另外一系列的問題，比如各個業(yè)務系統(tǒng)的數(shù)據(jù)存儲格式、存儲介質(zhì)都不相同，在進行基本的運營分析的時候，無法流暢的進行。此時，不得不進行一系列的數(shù)據(jù)治理。常見的主數(shù)據(jù)、元數(shù)據(jù)治理就是發(fā)生在這個階段，只是數(shù)據(jù)倉庫將主數(shù)據(jù)和元數(shù)據(jù)治理進行了規(guī)范化。
第二階段：響應業(yè)務
數(shù)據(jù)分析停留在運營階段的時候，對企業(yè)來講最大的感受就是投入產(chǎn)出比不對稱。這個問題在大數(shù)據(jù)爆發(fā)的時間點上，更為凸顯。例如在今天的業(yè)務場景下，傳統(tǒng)的數(shù)據(jù)倉庫已經(jīng)解決不了海量數(shù)據(jù)、異構(gòu)數(shù)據(jù)等一系列問題，而大行其道的大數(shù)據(jù)分析技術(shù)，硬件要求高、學習門檻高。要實施一個大數(shù)據(jù)平臺，成立一個大數(shù)據(jù)團隊，這是一個不小的成本開銷，更何況現(xiàn)在有不少數(shù)據(jù)分析團隊要借助機器學習等手段，來對數(shù)據(jù)做分析來響應運營，這導致基礎設施成本、整體門檻進一步提高。
于是像數(shù)據(jù)中臺這樣的思想就被提了出來：既然數(shù)據(jù)是從業(yè)務系統(tǒng)產(chǎn)生的，那么是否業(yè)務系統(tǒng)也需要數(shù)據(jù)分析結(jié)果呢？對于數(shù)據(jù)平臺來說，數(shù)據(jù)平臺本身提供兩大能力：數(shù)據(jù)存儲和數(shù)據(jù)計算的能力。那么業(yè)務系統(tǒng)的數(shù)據(jù)存儲和數(shù)據(jù)計算能力是否可以剝離到數(shù)據(jù)平臺，僅僅讓業(yè)務系統(tǒng)很輕量的維護自己的業(yè)務流程操作？所以利用中臺剝離了復雜的業(yè)務環(huán)境，再配合微服務等技術(shù)，一下子讓人感受到了“數(shù)據(jù)服務的共享”。
而對業(yè)務場景來說，很多時候是需要數(shù)據(jù)服務的，例如用戶的基本信息管理、用戶的行為數(shù)據(jù)分析，這些數(shù)據(jù)不但可以暴露給業(yè)務系統(tǒng)使用，甚至可以直接丟給終端用戶自行使用。類似這種契合點，讓數(shù)據(jù)平臺變成了一個服務，提供給業(yè)務系統(tǒng)。而對數(shù)據(jù)服務的使用者來說，在消費數(shù)據(jù)的同時也在繼續(xù)產(chǎn)生數(shù)據(jù)，這樣在數(shù)據(jù)平臺和業(yè)務系統(tǒng)之間就構(gòu)成了一個良性的閉環(huán)。
第三階段：創(chuàng)造業(yè)務
業(yè)務不會總停滯不前，因為人的生活會改變，想要的體驗會改變。過去，大家到視頻平臺看視頻，利用通用的數(shù)據(jù)服務，不同的用戶看到的視頻推薦都是一樣的；很快，我們就會發(fā)現(xiàn)根據(jù)用戶的偏好，推薦個性化的視頻幾乎是必不可少的體驗要求。然后，我們就開始思考：數(shù)據(jù)是否可以變成個性化服務提供給終端用戶？這是一個非常簡單、常見的例子。當這樣的個性化數(shù)據(jù)服務越來越多之后，各種服務不斷組合，就會創(chuàng)造出很多可能性，進而提供創(chuàng)新的個性化體驗和新的業(yè)務模式，這就是數(shù)據(jù)服務用于創(chuàng)造業(yè)務的階段。
雖然有了數(shù)據(jù)中臺，但是當有大規(guī)模的、基于智能算法的數(shù)據(jù)服務需要落地實現(xiàn)時，依然會碰到以下挑戰(zhàn)。
如何對規(guī)?；闹悄芊者M行管理：當只是零星三兩個智能服務的時候，通過手動人工管理等方式，不會有太大的問題；然則，當智能服務成千上萬的時候，如何管理、如何構(gòu)建、如何高效維護，就會成為很大的麻煩。
沒有良好的工程實踐來保證質(zhì)量和流暢性：對于常規(guī)的應用軟件開發(fā)我們有TDD、自動化測試、CI/CD等成熟的工程實踐做保障；但是在智能服務這一塊，無論是編程開發(fā)、還是服務構(gòu)建，都沒有成熟的工程實踐，也沒有良好的基礎設施支撐，非常依賴于構(gòu)建這個服務的數(shù)據(jù)工程師的個人能力，導致在實施過程中，問題難以復現(xiàn)，難于定位。
數(shù)據(jù)安全、治理和數(shù)據(jù)量不充分：數(shù)據(jù)中臺的價值點，在于提供了數(shù)據(jù)的計算和存儲的能力，但是在智能服務構(gòu)建下，光有計算和存儲還不夠。治理到什么程度的數(shù)據(jù)，才能較好的支撐服務的構(gòu)建？個性化的服務與數(shù)據(jù)安全沖突的時候，如何抉擇？數(shù)據(jù)量不足導致算法模型泛化能力太差，怎么辦？
（圖3 創(chuàng)造業(yè)務階段，數(shù)據(jù)中臺面臨的挑戰(zhàn)）
從數(shù)據(jù)中臺到AI中臺
什么是AI中臺？
數(shù)據(jù)中臺本身還是圍繞數(shù)據(jù)服務來進行的，而非圍繞智能服務來進行的。未來的操作系統(tǒng)，一定會越來越個性化，甚至每一個人看到的登錄界面都不一樣，系統(tǒng)可以根據(jù)對應的終端用戶自行呈現(xiàn)符合該用戶習慣的系統(tǒng)界面。那么對于這樣的場景和服務，我們需要怎樣的平臺？整個軟件開發(fā)架構(gòu)和流程是否也都會相應重造？
回到創(chuàng)造業(yè)務的需求。以簡單的銷售業(yè)務為例，數(shù)據(jù)中臺提供的服務本質(zhì)如下圖所示：
（圖4 軟件平臺的業(yè)務模式）
這是目前最常見的軟件平臺的運作方式，開發(fā)人員開發(fā)出了對應的軟件服務后，提供給終端用戶使用，雖然會有銷售售賣該服務。這種方式，好比是拿著一個錘子找釘子，而不是給釘子快速制作一把合適的錘子再去售賣。
能不能這樣：將整個軟件組裝出來的服務，包裝成個性化的產(chǎn)品一樣去售賣，提供量身定做的服務？那么整個運營模式就變成：平臺提供了一種快速構(gòu)建智能服務的過程，服務售賣者利用這個平臺，自己動手構(gòu)建出服務，拿出去售賣，類似一個提供“智能業(yè)務服務的PaaS”。
（圖5 引入AI中臺的軟件平臺業(yè)務模式）
如果嘗試給AI中臺下個定義：
AI中臺是一個用來構(gòu)建大規(guī)模智能服務的基礎設施，對企業(yè)需要的算法模型提供了分步構(gòu)建和全生命周期管理的服務，讓企業(yè)可以將自己的業(yè)務不斷下沉為一個個算法模型，以達到復用、組合創(chuàng)新、規(guī)?；瘶?gòu)建智能服務的目的。
借助一個平臺，將軟件的服務個性化的創(chuàng)造，這將是未來的發(fā)展趨勢。在麥肯錫的分析報告中，我們可以看到，各個企業(yè)或者行業(yè)，都在第三個階段做了不同的探索和努力。
從數(shù)據(jù)中臺演進到AI中臺
從AI中臺落地實施的方式來看，AI中臺可以是數(shù)據(jù)中臺的進一步延伸，從數(shù)據(jù)中臺一步一步演進過去。
首先，從基礎設施角度，可以將數(shù)據(jù)中臺智能化
所謂的智能化，是指將在數(shù)據(jù)中臺進行的一系列的數(shù)據(jù)服務構(gòu)建操作進行智能化實現(xiàn)，讓數(shù)據(jù)的接入、存儲、分析展現(xiàn)、訓練、到構(gòu)建管道（pipeline）都更加自動化。例如，對于通用的CI/CD來說，測試不過則會構(gòu)建失敗，那對于AI中臺下，就要考慮一個推薦模型構(gòu)建失敗的條件是什么？答案可能是“本次模型的準確率低于上一次構(gòu)建的準確率”的時候，CI應該被構(gòu)建失敗。在實踐中，這可能是CI構(gòu)建過程的維度之一，還會有很多其他指標和維度。我們就需要在現(xiàn)有的數(shù)據(jù)平臺的CI中，實現(xiàn)并自動化這些指標和維度，使之更加智能化。
其次，對于中臺使用者來說，將煙囪式模型構(gòu)建過程改造為可復用的模型構(gòu)建過程
目前基于數(shù)據(jù)中臺的一個智能服務模型開發(fā)來說，流程如下：
（圖6 煙囪式模型構(gòu)建過程）
這基本類似于一個橫向的煙囪架構(gòu)，導致目前對一個基于算法模型產(chǎn)生的服務進行拆分的時候，都不是特別地順暢。如果大部分業(yè)務場景依舊以流程為主還好，如果新業(yè)務需要引入多的智能服務，那么一系列的問題就會暴露出來：
●借助于現(xiàn)有數(shù)據(jù)平臺手工進行數(shù)據(jù)操作
●煙囪架構(gòu)開發(fā)，對人員能力要求高
●環(huán)節(jié)無法有效拆分，響應周期慢
●智能場景規(guī)?；?，管理復雜
●訓練，部署，發(fā)布依賴于手工部署缺乏有效的流水線
●和數(shù)據(jù)平臺孤立，缺乏統(tǒng)一的數(shù)據(jù)服務接口
●基礎設施隔離，無法動態(tài)進行資源的分配和管理
AI中臺需要具備構(gòu)建智能服務的能力，就要求我們對服務構(gòu)建的過程進行如下拆分：
（圖7 可復用的模型構(gòu)建過程）
首先需要從基礎設施層面進行集成。常規(guī)的數(shù)據(jù)中臺依賴于大量的CPU和內(nèi)存，相反，機器學習模型對GPU的依賴反而更高，但是又不能脫離數(shù)據(jù)中臺，因為它依舊需要利用數(shù)據(jù)中臺的存儲和計算能力來處理大量的數(shù)據(jù)。所以如何通過一個接口、一個調(diào)度器、一個管道pipeline來集成整個工作流，就成了需要考量的事情了。
AI中臺至少應該分為以下幾個層級：
●基礎設施：對CPU做虛擬化的技術(shù)已經(jīng)相對成熟，但是智能服務依賴的更多的是GPU，那么GPU如何做虛擬化，算法模型訓練和數(shù)據(jù)是否需要共同使用相同的機器，還是集群相互隔離，都是需要在一開始設計好的。
●資源管理：一切都是資源，無論是網(wǎng)絡、內(nèi)存，還是數(shù)據(jù)、服務，都是資源。對于模型構(gòu)建者，關(guān)注的只是算法本身，如果該構(gòu)建者需要數(shù)據(jù)，那這樣的數(shù)據(jù)就是一個資源而已，無論資源是以環(huán)境變量的方式提供、還是以服務的方式提供，構(gòu)建者本身并不需要關(guān)心。此時，必須一個資源管理系統(tǒng)，對數(shù)據(jù)服務進行統(tǒng)一管理。
●中臺和模型：中臺有數(shù)據(jù)的計算和存儲能力外，還應該具備算模型的能力，這里的模型指的是一些業(yè)界通用的、或者企業(yè)級通用算法模型。它可能是一個算法、可能是一個別人已訓練好的模型，可以使用遷移學習的方式去使用。對于中臺來說，它都是一個數(shù)據(jù)集的體現(xiàn)，不應該和一個表，一個文件有特別的區(qū)分。
●流水線：流水是構(gòu)建規(guī)模化智能服務非常重要的一個環(huán)節(jié)，工作如其名，讓我們構(gòu)建智能服務的時候，可以像流水線工作一樣，達到這樣的效果，則需要對整個任務進行非常詳細的分解。
●智能應用層：智能應用層直接面向終端，怎么利用元數(shù)據(jù)等功能，組合各自不同模型提供的服務，構(gòu)建出組合效應的創(chuàng)新服務。
（圖8 AI中臺的架構(gòu)層次）
在數(shù)據(jù)中臺的基礎上，擴展對GPU級別資源的管理和整合能力，調(diào)度層提供統(tǒng)一的任務、服務、智能CI/CD等服務，來實現(xiàn)AI中臺。這樣以來，就可以達到：
●和數(shù)據(jù)平臺結(jié)合，利用數(shù)據(jù)平臺的能力作為數(shù)據(jù)支撐，最大化的發(fā)揮數(shù)據(jù)平臺的價值
●拆分服務構(gòu)建環(huán)節(jié)，智能服務開發(fā)流程化，快速響應業(yè)務需求
●利用元數(shù)據(jù)管理方式，提供統(tǒng)一的標準格式，場景可以多人協(xié)同配合開發(fā)
●基礎設施共享化，模型的訓練和發(fā)布與數(shù)據(jù)平臺有效綁定，服務的構(gòu)建自動化
●統(tǒng)一的元數(shù)據(jù)管理系統(tǒng)，模型的全生命周期可管理
●通用AI能力平臺化，降低人員要求，提升協(xié)作效率
●也即，利用算、模型、框架，動態(tài)、快速地組裝服務，創(chuàng)造出新的個性化體驗和新的業(yè)務新的業(yè)務模式，解決“好用”的問題。
結(jié)語
數(shù)據(jù)中臺提供的是存儲和計算的能力，基于不同的業(yè)務場景，構(gòu)建出了用來支撐不同業(yè)務的數(shù)據(jù)服務，依托于強大的計算力，可以快速縮短獲得結(jié)果的周期。而AI中臺則是將算法模型融入進來構(gòu)建為服務，讓構(gòu)建算法模型服務，更加快速高效，以更加面向業(yè)務。但無論是數(shù)據(jù)中臺還是AI中臺，都是一層基礎設施，做好基礎設施只是第一步，如何讓它的價值最大化，還要依托于AI中臺不斷結(jié)合業(yè)務來持續(xù)優(yōu)化，做到“持續(xù)智能”。
