AI落地热火朝天,AI团队变身施工队,挨家挨户敲开传统企业的大门……然而,这是一种非常低效的做法。
第四范式创始人兼CEO戴文渊博士的洞察是:“重新按照AI的要求制定标准和规范,实现规模化。”
第四范式的定位一直不是SaaS产品公司,其核心能力在于 PaaS 层,AI应用的构建和积累都向平台集中发力。
回顾五年的产品发展路径,第四范式联合创始人、首席研究科学家,陈雨强告诉《亲爱的数据》:
“第一代、第二代产品的时候,AI对人才的要求特别高,需要非常强的统计学和编程功底,特别是C++底层编程,还要python编程和组件代码能力。先知平台(Sage)的出现,用一个拖拉拽的界面,先建模,后上线,方便了数据科学家。2015年,在建设先知平台的同时,(我们)科学技术部做了两件事情,第一,高维机器学习模型,保证效果。第二,AutoML技术,不依赖于大量科学家手工打造模型。归根到底,三个字,降门槛。”
AI的原始社会,自己动手、丰衣足食。AI的现阶段,陈雨强强调:“以后就不会这样了,都要现成的AI应用。”
原始社会喝水得从烧制陶器做盛水器皿开始,现代社会瓶装水3元一瓶,这是趋势。
AI进化,第四范式思考出一套“心法”。
2017年库伯学习圈(hyperCycle)。这个出生于1984年的理论在AI时代释放了新能量。暗合体验学习的四大步骤(反馈、反思、理论、行动),又对应(数据采集、数据标注、机器学习、机器模型),闭环结构实现对接和循环。用人类学习过程类比机器学习的过程,用一个熟悉事物的类似原理,去理解新鲜事物的规律。
可以这样说,理解了库伯学习圈,就理解了简版AI原理,绕过数学与编程的大山。
2019年,第四范式曾用「1+N」回答企业转型如何用 AI 构建竞争力。「1」代表企业的核心业务需要用 AI 做到极致,「N」代表企业的众多场景要用 AI 大规模落地。
“心法”解救普通人,“做法”解救无数亟需转型的传统企业。
2020年的发布会传达出,第四范式想做的是,“心法”+“做法”的双重智慧,这些都需要一个平台属性的产品去承载。
什么是数据形式?
过去的五年里,第四范式也有用高人力成本为合同项目填坑的事情,客户有时并不接受建议的方法论。陈雨强说:“我们的经验来自于踩坑,但不是100%的客户都接受。没有人配合数据改造,苦坐在现有的数据垃圾堆上,龟速前进,(项目)花了三年才完工。”
2020年,越来越多的解决方案瞄准AI整个生命周期。AI模型开发从启动到结束,包括数据准备、模型训练、模型测试、模型上线等环节。每一个环节做到极致,整个周期才有可能高效。在规模化中追求极致,有一样东西非常重要——标准化。图片、文本、日志,数据的形式多种多样,如何标准化?不同的业务场景,不同项目的数据平台,如何标准化?AI应用需要打通数据,第四范式就推出了“数据形式”。所谓“不定义,无数据”,数据从哪来、到哪去、类型、结构、关系……想要标准化,就是全方位地定义标准与格式。这些工作并不是一个新概念,名叫“数据治理”。数据形式是数据治理的终点。开始,一般是IT工程师对数据治理有深刻体会,也是他们最先意识到数据治理的重要性,而且数据治理最终是在IT层面落地。接着,AI工程师也感同身受了。
数据问题和IT问题高度混杂。第四范式是一家AI公司,几乎拥有一家IT公司全栈人才,与IT公司一模一样的人才配置。AI公司集体吐槽:“如果一个AI应用工作量是100%,那95%都是在数据上面。”陈雨强吐槽:“定义不清楚的话,AI生命周期后面所有环节,所有的人都会偏离,这也是做AI那么难的原因之一。做不到,AI科学家跑到每个细节去,跟每个工程师讲,为什么这个数据必须这么编码,为什么这个数据必须这么去拿,相当于做IT的人必须懂了AI,才能把这个事情完全做对。”一场嵌入式的革命,工程化、集成化随处可见,烦Skr人。
让一个新事物融入原有的体系是高难度、精细化的工作,也有人管这个过程叫,企业「智能化改造」。
AI落地不是科学发明,是一个具有时代代表性的复杂工程,背后藏着排山倒海的工程细节。数据治理就好比是建筑物的整体地基。
数据形式就好比万里长城上的砖、天坛祈年殿里的榫卯、宫苑凉亭里劈成条的竹篾,它们是藏在中国建筑里的灵魂。从某种角度讲,数据形式是藏在AI技术里的灵魂。“数据形式”一口气解决了三个问题。第一个,数据缺闭环,建模过程没有反馈机制。比如,人是环境的函数,人的成长需要有外部环境持续不断地刺激(教育)。数据不断供给,模型不断迭代。第二个,数据不一致。使用线下的数据建模,到了线上模型效果不好,原因是线下的数据经过了按照BI思路的ETL,导致使用了和真实的线上数据不一致的离线数据。错误的数据训练出来的模型到了线上,当然效果不好。
陈雨强用了一个比喻,他说:“要想富,先修路,但是问题在于AI和BI的路是不一样的,开火车得铺铁轨,马车也不能在高速公路上奔跑。”第三个,数据无时序。AI数据没有时间属性就做不了时序特征。比如,最近半年共买了3件东西:鼠标、键盘、显示器,消费物品数量为3。
数据有了时间的属性,才能理解买东西的先后顺序。算法能够做出更好的特征来琢磨消费者近期、中期和远期的行为。人的行为在变化,冬天买棉衣,夏天买T恤。统计数据不需要的,AI数据需要。第四范式AIOS产品负责人黄缨宁补充了一个例子。
数据形式至少需要三类knowhow(实用知识):第一,模型需要什么样的数据,业务的knowhow。第二,哪些数据从APP里面直接取,哪些数据可以从数据仓库取,IT的knowhow。第三,这些数据里面,哪些是行为数据,哪些是反馈数据,数据怎么用,AI的knowhow。
知识都被封装进了“数据形式”,封装复杂性,是AI平台解决问题的常用办法。
数据形式是针对数据治理环节提出的标准,浓缩了各个业务场景中数据治理环节的经验沉淀,一键打开就能进入相应业务场景的AI应用,比如推荐场景、反欺诈场景。
有了它,实时与离线数据就能以同一个标准接入。有了它,能做到“一键打通”。有了它,准备就绪的数据,从三类knowhow上解耦出来。作为客户,甚至根本就不需要知道它是怎么做到的,只需要知道,这个东西能够保证数据一致性,保障效果也比较好。数据形式也不是一蹴而就的,数据蓄水由分布式文件系统hDFS负责,实时特征由数据库(RtiDB)负责,任务管理与调度由AI的操作系统搞定。这个专门的操作系统就是AIOS。
AIOS是什么?
但凡一台笔记本电脑都会有一个桌面,就像太阳每天从东方升起。
IT知识成为生活常识,这源于1990年,比尔盖茨说:“微软公司的使命,是让每个家庭的桌上都有一台电脑。”
陈雨强说:“我们希望每个企业都用上一个Sage AIOS。”
但凡一个新世界,就会有一个入户门。用户进入AI的世界需要一个易操作的桌面,AIOS瞄准了这个痛点。Sage AIOS可以理解为一个AI版的Windows,很多产品功能都可以类比。
数据形式类比Windows的文件格式。AIOS的各种App类比Windows桌面上的各种应用软件。
App可以分为两类:一类是业务应用,直接提供某个场景的解决方案;一类是工具类应用,给数据科学家和开发者用来构建AI应用。区分使用者和开发者,两者都得偿所愿。
hyperCycle套件(ML、CV、NLP)类比开发工具VisualStudio,利用库伯学习圈理论,帮助客户低门槛的进行AI应用构建。
陈雨强说:“库伯学习圈(hyperCycle)产品,给业务人员用,不需要建模能力,不需要代码能力。”
如果说“降门槛”是第四范式团队出发时就立下的庄严承诺,那么带hyperCycle前缀的三款产品,就是五年后对承诺的兑现。
AIOS外型酷似Windows,颜值高,使用者有天然亲切感。AI独角兽向PC时代霸主借势,向曾经的PC王者致敬。AIOS的独白:“AI时代的Windows桌面,享受一模一样的乐趣。”
比起之前的先知平台, AIOS是不是仅仅变化了外观呢?答案是否定的,这是一次产品理念的升级,AIOS+App是一种产品理念。身为一名合格的操作系统,要有各种各样的软件,还要解决资源调度与处理数据管理。在黄缨宁看来,AIOS是一个桥梁。
对上,把文件、设备、任务、进程和线程给管理了起来。
对下,AIOS把所有的算力管理了起来,包括CPU、GPU、内存这些计算资源硬件。存储和计算这两件事情,一个是文件格式,一个是计算的资源管理和调度。
两件事情都弄好了,应用就能够更容易地在操作系统上构建。
简单的理解为,第四范式把很多东西装在AIOS里来卖,一堆企业级的管理应用,一套资源调度管理的工具,还有个数据中台。
我的电脑,还在桌面
数据中台是热门词汇,虽然业界对数据中台的定义还没有达成共识,厂家和专家对数据中台的标准和意见也都各有不同。有专家认为,数据中台一定要统一对外的服务。向上拓展能够提高数据应用的价值和赋能业务。向下发展能提高性能,保障数据的应用能力。第四范式的数据中台也是如此。向上,第四范式的数据中台的第一任务是做3C(一致、时序、闭环)的数据治理,数据经过标准化处理成为数据形式,数据形式可以提供给任何一个AIOS上的APP。“数据中台”类比Windows的系统文件,说得直白一点,只要你买了AIOS就给自带数据中台,这样,数据治理的能力含在了AIOS里面。
数据形式在数据中台上,因为训练框架需要数据输入。有些重要的组件也跑在数据中台与资源调度上,训练框架需要算力调度支持。“我的电脑”在Windows桌面上屹立不倒,它在AIOS版里,是“数据中台”。
“用软件定义算力”,第四范式是怎么做的?
“我们的第一行代码,是写在GDBT上的。”第四范式副总裁郑曌告诉《亲爱的数据》。这里的GDBT,全称是“General Distributed Brilliant Technology”,自研的大规模机器学习框架。那么问题来了,为什么第四范式的第一行代码不是写在推荐算法里?很多AI解决方案提供商都有软硬一体的优化方案。可谓八仙过海各显神通。可是,很多企业的软件框架是把开源的代码拿来改一改,甚至有的连修改的能力都没有。最后的结果无非是向业务妥协,放弃一些做不到的场景。业界有人感叹,现在是什么时代,是算法定义计算的时代。
一方面,AI应用场景众多,特点各异,实现最后应用落地的开源软件无论功能还是性能,尤其在大规模方面与实际需求有较大的距离,众多AI厂商束手无策。自研的机器学习框架,能为软硬一体的优化方案带来独特优势,相当于独门秘籍。底层实现方法不一样,效果上有较大区别。越是量身定制,效果越好。另一方面,市场上流行的深度学习框架,解决的是偏语音和图像类的问题,对于决策性问题深度学习的效果不是特别好。
陈雨强谈道:“企业产生价值这个事情,关键是要抓住决策,企业的主要任务是经营。”郑曌谈道,开源很难支持海量特征抽取,也支持不了大规模。所以,有很多企业就会选择牺牲业务。不能做事中,就做事后。比如,银行跨境交易事中反欺诈,这时候,不能慢。不仅要和时间赛跑,还要和秒表赛跑。受害人刷卡时,银行系统当时就能准确识别这是一笔欺诈,刷卡一瞬间就阻断。
事后分析则非常佛性,先让他刷,刷完了之后再来分析,认定为异常交易,启动追责……这时候,犯罪分子有可能已经携巨款跳上开往公海的船只,跑路了。实时的价值在这个例子中比较典型。事中阻断的难度比事后大多了,这就是在很多企业内部,属于“要妥协,做不到”的业务场景。
算力浪费的一部分原因是企业没有能力优化,利用率不高。AI发展急需硬件的升级,传统硬件产品无法在基础能力上满足密集的线性代数计算和海量数据高吞吐的需求。AI算法需要对网络连接权重进行多次调整,也需要很高的计算能力的支撑。问题反映到企业经营中就会变成“钱没少花”。
郑曌告诉《亲爱的数据》:“一个不懂算法的人,很难预计一个机器学习任务需要消耗多少内存,用了多少算力,这需要查看日志,手工地去调整资源设置。举个例子,随便抓住一个第四范式办公室里路过的AI工程师,突然问他,上周汇报的word版《工作周报》消耗了笔记本电脑多少内存?他也会一脸懵逼,原因是很难估算。因此,分布式执行引擎具备自适应调度功能尤为重要。”所以,第四范式2020年也推出了一个分布式调度系统,hyperScheduler(以下简称hS)。
没有资源调度会怎么样?“一核有难,八核围观”,利用率不高,浪费。利用率太高,容易挂了。
所以,需要Sage AIOS的“hS”,类比Windows“进程调度器”。通过自动资源推测、容器动态调度等方式,让用户不感知资源细节。通过资源共享、虚拟化等方式,让集群算力利用率最大化。”
GDBT、hS和实时内存数据库(RTiDB)在 AI 全生命周期中扮演着核心引擎的角色,其所支撑的能力,不管是面向行为数据与反馈数据的自动数据处理、自动特征组合,还是面向模型训练的算法自动探索、超参自动调节,这些工作,都在算力消耗中占到了极大比例。底层框架任何一个微小的技术实现,给全生命周期带来的影响都会成倍放大。
所以,越是底层的能力,越需要极致、入微的优化。第四范式还有一系列组合拳:PWS任务调度系统,定制X86机器学习芯片,自研机器学习专用加速卡,数据压缩算法,FPGA异构加速芯片计算力调度。2019年的产品发布会上公布的数据显示,相比普通服务器,SageOne 软硬一体解决方案可实现高维模型构建过程的6-12倍加速,TCO 降低到1/2到1/3。
“2020年,(我们)把TCO 降低到了1/10。”郑曌谈道。
在《亲爱的数据》看来,当一部分AI企业还在卖算法的时候,第四范式建造了一个端到端的平台,从拖拉拽,到模型可以直接上线。2020年,第四范式进行了产品升级,产品升级的说法也不准确,因为不止是产品升级了,产品理念也升级了,而整体的产品形态是AIOS+App。AIOS是积累了五年的AI应用的底座,AIOS是一个承载无数数据形式与应用的操作系统。第四范式 “Sage”产品下,发展出Sage AIOS、Sage Studio、Sage hyperCycle ML等。各个组件也比较灵活,这取决于客户的实际需求。市场竞争还停留在Sage Studio类似功能的阶段,第四范式却已进入到AI桌面应用的广阔天地,进入到AIOS+App的产品理念,顺着这个思路,未来有巨大的想象空间。AI是一个崭新的市场,在做得好之前,先要做得对。这是决定生与死的一步。五年前,第四范式就已经出发。2018年,成为AI独角兽。2020年,第四范式仍然是一家创业公司,落地8000+客户,覆盖12000+场景。2020年8月20日,主题为“万悟赋能,商业生花”的新产品发布会在上海举办,一个“悟”字,既包括AI落地方法论在经验摸索中“开窍”,也暗含产品理念在“想通”中升级。
灵感刺眼,顿悟来临。AI落地没有永远正确的答案,且行且思,且行且悟。