在企業(yè)數(shù)字化轉(zhuǎn)型的浪潮中，對于AI等新技術(shù)的應(yīng)用，先進與落后的企業(yè)之間，會有多大的差異？
與南方電網(wǎng)廣東能源技術(shù)公司過去一年的合作中，百度為其提供全方位的AI支持，更多地解決了堪稱“苛刻”的業(yè)務(wù)場景訴求。
這個案例，僅是百度AI在電力能源行業(yè)的一次成功下探，其背后，卻離不開作為時下國內(nèi)廣受企業(yè)級開發(fā)者追捧的開源深度學(xué)習(xí)平臺“飛槳”（PaddlePaddle）的支持。
究竟什么樣的企業(yè)需要深度學(xué)習(xí)平臺？或許可以站在兩個層面來回答：一是在開發(fā)層面，好的深度學(xué)習(xí)平臺大大降低了企業(yè)和個人開發(fā)者構(gòu)建AI應(yīng)用難度；一個是在業(yè)務(wù)層面，利用AI創(chuàng)新應(yīng)用的企業(yè)，尤其是在傳統(tǒng)領(lǐng)域，它們最終的目的是通過新技術(shù)顛覆現(xiàn)有的商業(yè)模式。
一個大的趨勢是，國內(nèi)企業(yè)信息化、數(shù)字化、智能化轉(zhuǎn)型正呈現(xiàn)一種“三化融合”的狀態(tài)。即利用互聯(lián)網(wǎng)、云技術(shù)實現(xiàn)企業(yè)業(yè)務(wù)在線，利用數(shù)據(jù)處理技術(shù)為企業(yè)構(gòu)建數(shù)據(jù)中臺，以及利用機器學(xué)習(xí)、深度學(xué)習(xí)等AI手段，深入挖掘數(shù)據(jù)的價值。
正如百度首席技術(shù)官、深度學(xué)習(xí)技術(shù)及應(yīng)用國家工程實驗室主任王海峰所言，“深度學(xué)習(xí)正在推動人工智能進入工業(yè)大生產(chǎn)階段，具有很強的通用性，同時具備了標(biāo)準(zhǔn)化、自動化和模塊化的基本特征，推動人工智能技術(shù)從實驗室走向產(chǎn)業(yè)，并且越來越大規(guī)模使用起來。而深度學(xué)習(xí)技術(shù)和平臺也在不斷發(fā)展，在未來的時間里也將繼續(xù)發(fā)揮重要作用。”
那么，為什么飛槳能成為廣東電科院能源技術(shù)公司智能裝備賦能的首選呢？我們先來看看電網(wǎng)公司在電力巡檢環(huán)節(jié)所面臨的挑戰(zhàn)。
巡檢機器人的“火眼金睛”
實際上，飛槳與廣東電網(wǎng)合作的契機源自于當(dāng)前廣泛應(yīng)用于電力行業(yè)的巡檢機器人。傳統(tǒng)的巡檢方法主要依靠人工巡視，而電力機器人可以代替人工從事高危險性和高重復(fù)性的工作。
其中表計讀取是電力機器人巡檢的一項重要工作內(nèi)容，傳統(tǒng)圖像識別方法由于復(fù)雜背景、光線條件等因素，會影響到檢測與識讀的準(zhǔn)確率。
為此，廣東電網(wǎng)利用飛槳平臺的技術(shù)優(yōu)勢，與百度聯(lián)合開發(fā)了電網(wǎng)特定場景下讀取表針的圖像的語義分割技術(shù)，并應(yīng)用到智能巡檢機器人身上，使其表計的深層次特征提取能力大大提高，方法的準(zhǔn)確率和魯棒性顯著提升，在表計目標(biāo)檢測、示數(shù)讀取等方面的效果尤為顯著。
一組數(shù)字是，從6小時的人工巡檢變?yōu)?5分鐘的巡檢結(jié)果復(fù)核，實現(xiàn)對輸變電設(shè)備的實時檢測和分析。
實際上，飛槳EasyDL定制化訓(xùn)練和服務(wù)平臺（經(jīng)典版）也可以應(yīng)用于巡視電線是否破損、是否有鳥窩等場景。
“EasyDL這項服務(wù)是相對輕量級的，不需要技術(shù)的深度對接，但表計識別這個場景，對技術(shù)的依賴還是蠻深的?！闭劶芭c廣東電網(wǎng)的合作，百度深度學(xué)習(xí)技術(shù)平臺部總監(jiān)馬艷軍感慨頗多，“關(guān)鍵在于，飛槳是貼近核心業(yè)務(wù)場景的，像對輸變電設(shè)備進行巡檢，是電力行業(yè)共同的痛點?！?/p>
這恰恰說明，針對企業(yè)中不同難度的場景訴求，飛槳提供的產(chǎn)品形態(tài)也不相同，核心都是為輔助客戶真正解決問題。
與此同時，參與合作的廣東電網(wǎng)的工程師楊英儀博士還是百度黃埔學(xué)院的學(xué)員，通過在黃埔學(xué)院的學(xué)習(xí)，從深入學(xué)習(xí)的入門者成為了飛槳平臺的優(yōu)秀開發(fā)工程師，快速成長為廣東電網(wǎng)智能巡檢機器人重大攻關(guān)團隊在AI領(lǐng)域的骨干成員。這也是飛槳既能授之于魚，也能授之以漁的思路。盡管企業(yè)具有豐富的AI技術(shù)應(yīng)用與落地場景，擁有深度學(xué)習(xí)所需的數(shù)據(jù)和技術(shù)條件，但他們在理論及技術(shù)應(yīng)用方面都存在不小的挑戰(zhàn)。
從技術(shù)到業(yè)務(wù)再到人才的賦能，這很好地形成了一個閉環(huán)。
飛槳的持續(xù)進化
從目前來看，企業(yè)選擇飛槳，大多還是為了滿足特定的應(yīng)用場景需求，但飛槳也在根據(jù)實際場景中的用戶訴求，不斷著完成自我進化。不同于單純面向開發(fā)層面的深度學(xué)習(xí)框架，飛槳早已躍遷到了面向產(chǎn)業(yè)級深度學(xué)習(xí)開源開放平臺的定位。
在最新公布的飛槳1.6版本中，9項新品以及12項產(chǎn)品升級，我們洞察到了更面向場景、面向應(yīng)用的飛槳。
其中重要的新品發(fā)布包括：4項端到端開發(fā)套件：NLP領(lǐng)域的ERNIE語義理解，CV方向的PaddleDetection目標(biāo)檢測和PaddleSeg圖像分割，推薦方向的ElasticCTR點擊率預(yù)估；端側(cè)推理引擎Paddle Lite 2.0版本；3項工具組件：聯(lián)邦學(xué)習(xí)PaddleFL、圖神經(jīng)網(wǎng)絡(luò)PGL和多任務(wù)學(xué)習(xí)PALM；以及新推出了EasyDL專業(yè)版。
如今飛槳能夠提供完備的工具組件、面向應(yīng)用任務(wù)的產(chǎn)業(yè)級開發(fā)套件，以及支持低門檻應(yīng)用深度學(xué)習(xí)技術(shù)的多個服務(wù)平臺。最新數(shù)據(jù)顯示，在飛槳深度學(xué)習(xí)平臺上已經(jīng)累計服務(wù)了150多萬開發(fā)者，并有超過6.5萬企業(yè)用戶，僅在定制化訓(xùn)練平臺上就發(fā)布了16.9萬個模型。
從2016年開源到如今，飛槳一直在成長，這實際上是源自開發(fā)者的訴求。“有平臺、被使用，反過來，平臺自然而然地就不斷得到升級和推動，”百度AI技術(shù)平臺體系執(zhí)行總監(jiān)、深度學(xué)習(xí)技術(shù)及應(yīng)用國家工程實驗室副主任吳甜向雷鋒網(wǎng)表示。
目前在工業(yè)、物流等場景中涌現(xiàn)出了諸多AI訴求，也是飛槳落地較多也相對成熟的，這是否意味著是飛槳接下來重點深入的領(lǐng)域？
“深度學(xué)習(xí)技術(shù)本身是很通用的，飛槳本身希望能夠成為底座，但在推進行業(yè)的過程中，像面向場景的端到端套件，本身就帶有行業(yè)和場景的特點了。”吳甜回答道。
可以看出這一邏輯，飛槳本身作為深度學(xué)習(xí)平臺所具備的靈活性，決定了面向不同的場景可以提供更多的定制化服務(wù)。不同層次的開發(fā)者對深度學(xué)習(xí)平臺的應(yīng)用本身就有不同的訴求，比如，具備一定AI技術(shù)背景的開發(fā)者，可以選擇開發(fā)套件進行二次開發(fā)；反之，可以選擇諸如EasyDL、EasyEdge這樣的服務(wù)平臺直接上手使用。
未來，無論飛槳面向更多企業(yè)核心訴求推出的可滿足二次開發(fā)的套件，還是滿足不同終端部署訴求的高性能處理引擎，亦或是服務(wù)更多不具備AI技術(shù)背景的開發(fā)者，其本質(zhì)問題都是為了降低深度學(xué)習(xí)的門檻，讓飛槳更加貼合到傳統(tǒng)企業(yè)的業(yè)務(wù)線中。
回到上文中飛槳在電力行業(yè)的應(yīng)用，是偶然，也是必然。
圖注：PaddleSeg覆蓋了DeepLabv3+, U-Net, ICNet三類主流的分割模型，通過統(tǒng)一的配置，幫助用戶更便捷地完成從訓(xùn)練到部署的全流程圖像分割應(yīng)用。
例如，圖像分割PaddleSeg開發(fā)套件，除了用于智能巡檢機器人外，在工業(yè)質(zhì)檢中的零件分揀、瑕疵分級、農(nóng)業(yè)中地塊分割、自動駕駛中的車道線分割等有著豐富的應(yīng)用場景；再比如，目標(biāo)檢測PaddleDetection開發(fā)套件，可以應(yīng)用于安防監(jiān)控中的行人監(jiān)測、智慧交通中的人流車流統(tǒng)計、商品檢索等場景。
我們還注意到，飛槳在底層芯片、服務(wù)器的適配上，除了與華為HiAI建立更全方位的合作外，還將引入寒武紀、比特大陸、FPGA、NPU等更多芯片。
飛槳真正意義上開始走向工業(yè)級成熟。
飛槳在成長，企業(yè)也必須成長
得益于政策的推動及技術(shù)成熟，近兩年深度學(xué)習(xí)正從實驗室走向產(chǎn)業(yè)大規(guī)模通用，無論是部署于質(zhì)量管控端的良品率提升，還是企業(yè)戰(zhàn)略決策端的管控和經(jīng)營決策，已經(jīng)有了一批先行者。
但是，有個前提需要關(guān)注。根據(jù)2018年9月埃森哲公布的《中國企業(yè)數(shù)字轉(zhuǎn)型指數(shù)》顯示目前只有7%的中國企業(yè)轉(zhuǎn)型成效顯著，一個關(guān)鍵指標(biāo)是過去三年企業(yè)新業(yè)務(wù)的營收收入占總營收占比超過50%。
不少企業(yè)惶恐，說轉(zhuǎn)型是找死，不轉(zhuǎn)型就是等死，因此如何在轉(zhuǎn)型的同時實現(xiàn)企業(yè)自身的平穩(wěn)運營成為當(dāng)前企業(yè)面臨的難題，更何況是從數(shù)字化向智能化的躍遷。是信息化、數(shù)字化、智能化三化并行，還是智能化先行？
對此，吳甜認為，“不同于美國是從信息化、數(shù)字化、智能化一步步推進的，在中國，能看到大量企業(yè)正在同步或者很短時間內(nèi)快速進行三化的轉(zhuǎn)型。不過信息化、數(shù)字化、智能化本身相互聯(lián)系，需要整體性推進，一個企業(yè)如果還沒有做到信息化、數(shù)字化，很難就直接躍升到智能化，或者就只是做一些單點的智能化，形不成系統(tǒng)。”
但這也側(cè)面說明，中國整個市場的想象空間是非常巨大的，關(guān)鍵在于誰把握住了機遇。飛槳可以看做是智能時代的操作系統(tǒng)，上承模型開發(fā)和應(yīng)用、下接基礎(chǔ)芯片硬件。這或許才是飛槳的機會。
當(dāng)然，飛槳也需要等待部分企業(yè)的成熟。一方面，企業(yè)需要有對AI硬件和底層框架有深入了解的人才，以滿足面向業(yè)務(wù)需求的開發(fā)；另一方面，企業(yè)應(yīng)用單點智能技術(shù)的前提，也是因為他們不可能一下就將原有設(shè)備替換成智能設(shè)備。此外，數(shù)據(jù)、技術(shù)基礎(chǔ)、業(yè)務(wù)流程、競爭力、監(jiān)管等，企業(yè)同樣存在各方面的擔(dān)憂，其智能化轉(zhuǎn)型的目標(biāo)也必須符合當(dāng)前企業(yè)發(fā)展的戰(zhàn)略規(guī)劃。
更為廣泛的，在制造、能源、金融、教育、醫(yī)療等各個領(lǐng)域，越來越多的場景正在涌現(xiàn)、值得挖掘，等待與百度飛槳一同成長。（雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))）
