隨著技術(shù)的積淀，AI正在走出象牙塔和實(shí)驗(yàn)室屈留，步入商業(yè)世界，成為撬動(dòng)社會(huì)發(fā)展和經(jīng)濟(jì)增長(zhǎng)的新杠桿测蘑。人工智能的發(fā)展為世界帶來(lái)了日新月異的變化：社會(huì)行為全面數(shù)字化灌危，政府、商業(yè)公司帮寻、生活?yuàn)蕵?lè)等決策制定全面智能化 乍狐，從機(jī)器為人服務(wù)變成人機(jī)協(xié)同生活，程序的邏輯從 IF-THEN-ELSE 固逗， 轉(zhuǎn)變成 INPUT-LEARN-PREDICT浅蚪；技術(shù)的組織梳理從DAL-BLL-UI藕帜，轉(zhuǎn)變成 DATA-MODEL-ROBOT，同時(shí)降本增效惜傲、政府監(jiān)管需求進(jìn)一步放大更促進(jìn)了社會(huì)向人工智能的轉(zhuǎn)型洽故。

然而，這一進(jìn)程卻并不是一帆風(fēng)順的盗誊，由于AI技術(shù)太新太難也太復(fù)雜时甚，對(duì)于眾多技術(shù)儲(chǔ)備并不豐沛的傳統(tǒng)行業(yè)企業(yè)而言，AI應(yīng)用的落地正面臨技術(shù)門(mén)檻高哈踱、基礎(chǔ)設(shè)施要求高荒适、建設(shè)成本高等一系列難題。在轉(zhuǎn)型AI的時(shí)代开镣，無(wú)論是從IaaS基礎(chǔ)設(shè)施還是PaaS平臺(tái)層面來(lái)說(shuō)刀诬，機(jī)遇與挑戰(zhàn)并存。

面向AI的（IaaS) 體系結(jié)構(gòu)邪财、基礎(chǔ)設(shè)施建設(shè)

數(shù)據(jù)與算力的爆發(fā)為面向AI的IaaS體系結(jié)構(gòu)陕壹、基礎(chǔ)設(shè)施建設(shè)帶來(lái)了新的機(jī)遇，也觸發(fā)了新的挑戰(zhàn)树埠。

隨著數(shù)據(jù)爆發(fā)和算力提升將推動(dòng)AI發(fā)展糠馆，為AI基礎(chǔ)設(shè)施建設(shè)帶來(lái)了重大機(jī)遇，使得智慧城市怎憋，智慧生活成為可能又碌。從數(shù)據(jù)爆發(fā)的角度來(lái)說(shuō)，根據(jù)相關(guān)機(jī)構(gòu)預(yù)測(cè)到2025年盛霎，全球數(shù)據(jù)圈將從2018年的33ZB增至2025年的175ZB赠橙。隨著龐大數(shù)據(jù)量不斷增長(zhǎng)，人工智能解決問(wèn)題的數(shù)量和質(zhì)量也將增加愤炸，這也使得算法期揪、模型復(fù)雜度進(jìn)一步提升。為了適應(yīng)數(shù)據(jù)爆發(fā)规个，模型變得更寬凤薛、更深、更復(fù)雜诞仓，能夠覆蓋更復(fù)雜的業(yè)務(wù)場(chǎng)景缤苫，支撐物聯(lián)網(wǎng)，千人千面等以前不能支撐的精細(xì)化定制化運(yùn)營(yíng)方式墅拭。而從算力的角度來(lái)看活玲，回望過(guò)去20余年，計(jì)算機(jī)的性能成幾何級(jí)數(shù)增長(zhǎng)，2015年的計(jì)算性能相比1993年約為50萬(wàn)倍舒憾。算力的發(fā)展镀钓，使得使用AI硬件體系結(jié)構(gòu)、定制化加速硬件镀迂、計(jì)算芯片丁溅，進(jìn)一步釋放機(jī)器學(xué)習(xí)算法的潛力、提升海量規(guī)模數(shù)據(jù)的利用成為可能探遵。

而機(jī)遇總是伴隨著挑戰(zhàn)窟赏。一方面，超高維的機(jī)器學(xué)習(xí)能力箱季，能夠大幅提高企業(yè)數(shù)據(jù)模型維度涯穷，帶動(dòng)機(jī)器學(xué)習(xí)效果的提升，增益數(shù)據(jù)價(jià)值藏雏；另一方面求豫，通過(guò)AutoML等技術(shù)的引入，它也能有效降低AI的使用成本和門(mén)檻诉稍，讓更多傳統(tǒng)行業(yè)企業(yè)有能力將AI應(yīng)用部署到更多業(yè)務(wù)場(chǎng)景中去。而圍繞專家構(gòu)建AI超高維系統(tǒng)最疆，圍繞AutoML技術(shù)構(gòu)建應(yīng)用系統(tǒng)杯巨，都將帶來(lái)算力的巨大需求。傳統(tǒng)的大數(shù)據(jù)基礎(chǔ)架構(gòu)+AI算法的拼接努酸，面臨機(jī)器規(guī)模激增服爷、新業(yè)務(wù)探索投入產(chǎn)出比差、聯(lián)機(jī)業(yè)務(wù)運(yùn)維成本高昂等問(wèn)題获诈。

面對(duì)這樣的機(jī)遇與挑戰(zhàn)仍源，我們不難發(fā)現(xiàn)，AI基礎(chǔ)設(shè)施建設(shè)是系統(tǒng)性工程舔涎，不是簡(jiǎn)單的CPU笼踩、GPU硬件堆砌。它需要業(yè)務(wù)+算法+平臺(tái) + 數(shù)據(jù) +算力的統(tǒng)籌優(yōu)化亡嫌，需要為企業(yè)支撐有核心競(jìng)爭(zhēng)力的AI PaaS平臺(tái)嚎于。 而為企業(yè)支撐有核心競(jìng)爭(zhēng)力的AI PaaS平臺(tái)同樣也是機(jī)遇與挑戰(zhàn)共存。

面向AI的（PaaS) 平臺(tái)

隨著AI落地應(yīng)用的場(chǎng)景越來(lái)越多挟冠，一方面來(lái)說(shuō)于购，小范圍探索性的AI場(chǎng)景驗(yàn)證，已經(jīng)轉(zhuǎn)變成廣泛大規(guī)模的AI生產(chǎn)上線知染，AI落地的業(yè)務(wù)價(jià)值在各行各業(yè)各場(chǎng)景下得到體現(xiàn)肋僧。另一方面，AI數(shù)據(jù)計(jì)算的管理和匯集，以中心樞紐的形式支持著跨行嫌吠、跨國(guó)止潘、跨領(lǐng)域的AI協(xié)同合作。這些條件使得面向AI的PaaS平臺(tái)建設(shè)成為強(qiáng)需求居兆。

然而面向AI的PaaS平臺(tái)建設(shè)并非易事覆山，一個(gè)企業(yè)級(jí)的AI PaaS平臺(tái)面臨著諸多挑戰(zhàn)。這些挑戰(zhàn)主要分為集中性泥栖，安全性簇宽，靈活性和可擴(kuò)展性四個(gè)方面。首先吧享，集中性意味不僅要求數(shù)據(jù)資產(chǎn)魏割、模型資產(chǎn)的統(tǒng)一積累和管理，還對(duì)硬件資源的統(tǒng)一調(diào)度和租戶管理提出了要求钢颂。第二钞它，安全性則包括了審計(jì)功能和代碼安全的統(tǒng)一化頁(yè)，國(guó)產(chǎn)化與知識(shí)產(chǎn)權(quán)保護(hù)背景下（開(kāi)源License殊鞭、國(guó)內(nèi)外商業(yè)軟件授權(quán)控制）的監(jiān)管和來(lái)自國(guó)家金融監(jiān)管科技的標(biāo)準(zhǔn)和要求遭垛。第三，從靈活性的角度來(lái)說(shuō)操灿，AI的PaaS平臺(tái)不僅要求資源的靈活分配與調(diào)度锯仪，還要求擴(kuò)容與縮容應(yīng)用程序開(kāi)發(fā)接口的開(kāi)放性以支撐多類型業(yè)務(wù)。最后趾盐，可擴(kuò)展性也是AI的PaaS平臺(tái)必不可少的特點(diǎn)庶喜。因?yàn)殡S著人工智能技術(shù)算法與技術(shù)架構(gòu)的發(fā)展，必須能夠在保持系統(tǒng)安全穩(wěn)定運(yùn)行的情況下及時(shí)升級(jí)救鲤，才能維持技術(shù)水平領(lǐng)先久窟。

綜上所述，充分釋放AI時(shí)代的業(yè)務(wù)潛能本缠，需要強(qiáng)大的IaaS斥扛、PaaS支撐。支撐全球領(lǐng)先的用戶群體+數(shù)據(jù)規(guī)模+場(chǎng)景服務(wù)搓茬，可以考慮構(gòu)建完全國(guó)產(chǎn)化的犹赖、集中性和可擴(kuò)展性統(tǒng)一的IaaS和PaaS能力，打造AI閉環(huán)的核心競(jìng)爭(zhēng)力卷仑。AI競(jìng)爭(zhēng)的背后是算力的競(jìng)爭(zhēng)峻村，更高的算力意味著更快速的落地、更高效的投入產(chǎn)出锡凝。

面向AI的應(yīng)用層面建設(shè)

傳統(tǒng)應(yīng)用的加速AI化粘昨，以及視覺(jué)、語(yǔ)音、NLP等源生AI應(yīng)用的探索和落地张肾，將對(duì)計(jì)算基礎(chǔ)設(shè)施提出前所未有的巨大需求芭析。源生的感知類AI應(yīng)用將經(jīng)歷早期、發(fā)展到成熟三個(gè)時(shí)期吞瞪。決策類AI應(yīng)用將從25%逐步發(fā)展到100%馁启。

【圖】

從AI建設(shè)最上層的應(yīng)用層面來(lái)看，AI應(yīng)用離不開(kāi)場(chǎng)景芍秆。大量AI算法負(fù)載和AI場(chǎng)景應(yīng)用負(fù)載產(chǎn)生了巨大算力需求惯疙。作為AI應(yīng)用負(fù)載的對(duì)基礎(chǔ)設(shè)施的要求和已有的傳統(tǒng)IT基礎(chǔ)設(shè)施有著顯著不同。

將傳統(tǒng)IT基礎(chǔ)設(shè)施所提供的特性和AI應(yīng)用負(fù)載所要求的特性進(jìn)行對(duì)比妖啥，我們可以發(fā)現(xiàn)：傳統(tǒng)IT基礎(chǔ)設(shè)施是為Web/Mobile/數(shù)據(jù)庫(kù)/大數(shù)據(jù)應(yīng)用而建霉颠，將Scale-up 和 Scale-out進(jìn)行了區(qū)分。從芯片角度來(lái)說(shuō)荆虱，傳統(tǒng)IT基礎(chǔ)設(shè)施使用通用服務(wù)器和芯片蒿偎，單顆芯片性能有限；從存儲(chǔ)角度來(lái)說(shuō)怀读，傳統(tǒng)IT基礎(chǔ)設(shè)施使用中低配內(nèi)存加上大容量低速存儲(chǔ)诉位；從網(wǎng)絡(luò)角度來(lái)說(shuō)，傳統(tǒng)IT基礎(chǔ)設(shè)施以縱向流量為主的Spine Leaf網(wǎng)絡(luò)拓?fù)洳思希械退倬W(wǎng)絡(luò)為主不从；而從供電散熱角度來(lái)說(shuō)，傳統(tǒng)IT基礎(chǔ)設(shè)施以標(biāo)準(zhǔn)電流供應(yīng)為主犁跪，采用傳統(tǒng)風(fēng)冷散熱技術(shù)。

而AI應(yīng)用負(fù)載歹袁，場(chǎng)景主要是實(shí)行高維分布式機(jī)器學(xué)習(xí)/深度學(xué)習(xí)訓(xùn)練坷衍，在業(yè)務(wù)場(chǎng)景中實(shí)時(shí)決策和感知。AI場(chǎng)景中數(shù)據(jù)量和模型復(fù)雜度極高条舔，復(fù)雜稀疏矩陣運(yùn)算多的情況枫耳，AI應(yīng)用負(fù)載所要求的IT基礎(chǔ)設(shè)施需要適應(yīng)這些場(chǎng)景的需求。并且AI應(yīng)用負(fù)載具有計(jì)算密集孟抗、訪存密集的特點(diǎn)迁杨，產(chǎn)生大量中間結(jié)果用于模型迭代，高維稀疏模型需要大容量存儲(chǔ)空間凄硼，集群內(nèi)頻繁大規(guī)模數(shù)據(jù)交換铅协，AutoML算法需要更多算力支撐，比傳統(tǒng)應(yīng)用需要更高功率摊沉。

AI的應(yīng)用普及先行一步狐史，而基礎(chǔ)設(shè)施如果沒(méi)有跟上步伐，其中帶來(lái)的問(wèn)題顯而易見(jiàn)。AI應(yīng)用負(fù)載運(yùn)行在傳統(tǒng)IT基礎(chǔ)設(shè)施上骏全，導(dǎo)致模型訓(xùn)練不充分苍柏、模型效果打折扣，AI應(yīng)用性能無(wú)法滿足業(yè)務(wù)需求姜贡，新系統(tǒng)上線周期長(zhǎng)试吁，機(jī)架數(shù)量制約算力擴(kuò)容，和供電楼咳、散熱等成本占比偏高熄捍，并業(yè)務(wù)增長(zhǎng)/變化的速度受制約，Performance/dollar不理想爬橡，AI系統(tǒng)建設(shè)TCO居高不下治唤。

異構(gòu)計(jì)算加速AI全流程

為了不要讓基礎(chǔ)設(shè)施制約業(yè)務(wù)增長(zhǎng)，使用異構(gòu)計(jì)算加速AI全流程是一個(gè)很好的思路糙申。

關(guān)于異構(gòu)計(jì)算加速AI全流程的方法一般可以為分別兩個(gè)部分宾添。第一個(gè)部分是：芯片級(jí)異構(gòu)。這包括四種類型： 第一 柜裸，CPU:Cascade Lake AP,單處理器最大48core,更多內(nèi)存通道,更高訪存帶寬和EPYC處理器缕陕，Vega 7nm技術(shù)；第二疙挺，GPU：Tesla V100 訓(xùn)練歹颓，Tesla P4/T4 推理，CUDA編程框架和Tesla V100 訓(xùn)練命满，Tesla P4/T4 推理蚁署，CUDA編程框架；第三搀暑，F(xiàn)PGA:用于AI訓(xùn)練/推理加速,硬件級(jí)計(jì)算加速,OpenCL,更低每瓦特性能,更高的加速性能和更低設(shè)備間互聯(lián)延遲沥阳；第四，其他：TPU/NPU,ASIC專用芯片,邊緣計(jì)算芯片,國(guó)產(chǎn)芯片自点，海光/沸騰,光芯片,神經(jīng)芯片和量子計(jì)算桐罕。

第二個(gè)部分是：系統(tǒng)級(jí)異構(gòu)。這其中包括三個(gè)部分桂敛。第一功炮。高密度節(jié)點(diǎn)：Intel 9200 Walker Pass，2U2N / 2U4N术唬，Up to 8 x Cascade Lake AP薪伏，Up to 384 Core，有更高的單位面積計(jì)算密度和更低的TCO粗仓；第二毅该，GPU集成系統(tǒng)：Nvidia HGX / DGX博秫，4U8卡 / 10U16卡，Tesla V100加速卡和NVLink加速CPU/GPU通信眶掌；第三挡育，水冷技術(shù)：On-chip冷卻，Direct-to-node冷卻朴爬，Rack冷卻和大幅節(jié)省功耗即寒，PUE小于1.1。

如何解決AI建設(shè)各層面痛點(diǎn)

第四范式提供的解決方案將會(huì)從I/O召噩，網(wǎng)絡(luò)母赵，計(jì)算三個(gè)方面來(lái)解決AI基礎(chǔ)建設(shè)的痛點(diǎn)。

高性能閃存具滴，全面解決AI計(jì)算的I/O瓶頸問(wèn)題

首先凹嘲，針對(duì)AI時(shí)代I/O訪存瓶頸，第四范式使用高性能閃存构韵，全面解決AI計(jì)算的I/O瓶頸問(wèn)題周蹭。目前高維AI訓(xùn)練/推理過(guò)程遭遇四大I/O瓶頸。第一是高維稀疏模型大小GB~TB量級(jí)疲恢，需要分片分節(jié)點(diǎn)存儲(chǔ)凶朗；第二，訪存頻繁显拳，CPU性能受限于訪存帶寬棚愤；第三，產(chǎn)生大量中間結(jié)果用于模型迭代杂数，落盤(pán)速度制約訓(xùn)練效率宛畦；第四，在線實(shí)時(shí)復(fù)雜特征計(jì)算揍移，需要高性能緩存支撐刃永；為了給AI工作負(fù)載提供高性能、高性價(jià)比的存儲(chǔ)環(huán)境羊精，第四范式做了開(kāi)創(chuàng)式三大創(chuàng)新。第一囚玫，NVMe/3Dx Point閃存技術(shù)喧锦；第二，Intel全新Optane SSD抓督，擴(kuò)展virtual memory空間燃少，削減CAPEX和高性價(jià)比SSD用于離線；第三铃在，在線計(jì)算cache阵具，大幅提升AI運(yùn)算速度碍遍。

高帶寬&低延時(shí)網(wǎng)絡(luò)，強(qiáng)化東西向吞吐阳液，提升AI訓(xùn)練性能

現(xiàn)存Spine Leaf網(wǎng)絡(luò)拓?fù)浣鉀Q南北向流量問(wèn)題怕敬，但大規(guī)模AI訓(xùn)練負(fù)載造成東西向“流量風(fēng)暴”有網(wǎng)絡(luò)密集型通信，大量的數(shù)據(jù)分布在不同的計(jì)算節(jié)點(diǎn)中帘皿，訓(xùn)練引擎需要不斷計(jì)算模型權(quán)重东跪，并和其它節(jié)點(diǎn)同步優(yōu)化結(jié)果，從而協(xié)同計(jì)算鹰溜，同步成為性能瓶頸虽填，模型規(guī)模增長(zhǎng)，需要更高帶寬曹动，高維模型造成權(quán)重的數(shù)量呈指數(shù)增長(zhǎng)和計(jì)算是同步的斋日，所以通信表現(xiàn)為網(wǎng)絡(luò)突發(fā)流量。高帶寬&低延時(shí)網(wǎng)絡(luò)墓陈，強(qiáng)化東西向吞吐恶守，提升AI訓(xùn)練性能有：第一，帶寬從千兆/萬(wàn)兆升級(jí)到100G/200G甚至更高跛蛋；第二熬的，從銅纜升級(jí)到光纖；第三赊级，RDMA技術(shù)運(yùn)用押框，提升跨節(jié)點(diǎn)間數(shù)據(jù)交換效率；第四理逊，InfiniBand網(wǎng)絡(luò)橡伞，最小化通信延遲；第五晋被，通過(guò)強(qiáng)化網(wǎng)卡計(jì)算能力兑徘，降低CPU負(fù)載，提升通信效率羡洛。

高性能計(jì)算：一體化集成系統(tǒng)帶來(lái)更大AI業(yè)務(wù)價(jià)值

一體化集成系統(tǒng)是集算法挂脑，數(shù)據(jù)和計(jì)算基礎(chǔ)設(shè)施為一體的高性能AI集成系統(tǒng)。而松耦合軟硬件是通用處理器欲侮，加速卡崭闲，存儲(chǔ)，硬件提供商威蕉，大數(shù)據(jù)平臺(tái)和開(kāi)源AI框架的松散集合刁俭。一體化集成系統(tǒng)涵蓋三大特點(diǎn)：第一，端到端優(yōu)化適配韧涨，最大限度發(fā)揮軟硬件效能牍戚，大幅提升性能表現(xiàn)侮繁；第二，整機(jī)柜交付如孝，將交付周期從人/月級(jí)縮短至人/天級(jí)宪哩；第三，一站式解決AI應(yīng)用的軟硬件兼容問(wèn)題暑竟，提升系統(tǒng)穩(wěn)定性斋射，顯著降低運(yùn)維成本。這樣的基礎(chǔ)設(shè)施擁有更好性能/價(jià)格比但荤，更低算力/功耗比罗岖，更少計(jì)算面積，更低總擁有成本腹躁。因而使得業(yè)務(wù)應(yīng)用擁有更敏捷的業(yè)務(wù)響應(yīng)桑包，更低的運(yùn)營(yíng)成本，更精準(zhǔn)的實(shí)時(shí)決策纺非，更穩(wěn)定的業(yè)務(wù)表現(xiàn)哑了。綜上所述，一體化集成系統(tǒng)烧颖，意味著更高效的基礎(chǔ)設(shè)施弱左，從而意味著更大的AI業(yè)務(wù)價(jià)值。

一體化集成系統(tǒng)為AI場(chǎng)景帶來(lái)質(zhì)的飛躍

通過(guò)與AI行業(yè)核心基礎(chǔ)設(shè)施技術(shù)提供商 英特爾公司的深度合作炕淮，第四范式AIO引入Intel Cascade拆火，Optane 固態(tài)硬盤(pán)等技術(shù)，擁有了更充沛的算力涂圆，進(jìn)一步加速了企業(yè)實(shí)施AI應(yīng)用的進(jìn)程们镜。

在AI數(shù)據(jù)處理能力上，結(jié)合英特爾Cascade Lake CPU润歉，與第四范式軟硬一體的優(yōu)化模狭，先知AI平臺(tái)分布式模型訓(xùn)練框架訓(xùn)練速度獲得飛躍。在TB級(jí)數(shù)據(jù)規(guī)模下踩衩，“第四范式先知”平臺(tái)的模型訓(xùn)練速度可達(dá)Spark的數(shù)千倍嚼鹉。同時(shí)，平臺(tái)將常用驱富、有效的數(shù)據(jù)處理過(guò)程進(jìn)行了產(chǎn)品化封裝锚赤，用戶只需簡(jiǎn)單配置即可對(duì)原始數(shù)據(jù)表進(jìn)行復(fù)雜計(jì)算與處理，使數(shù)據(jù)處理工作量減少80%

英特爾 Optane 固態(tài)盤(pán)則是“第四范式先知”平臺(tái)引入的另一項(xiàng)英特爾 “殺手锏”萌朱，其革命性的3D XPoint? 技術(shù)，正在打破內(nèi)存和固態(tài)盤(pán)之間的邊界策菜。它對(duì)于高吞吐量晶疼、低延遲酒贬、高服務(wù)質(zhì)量、高耐用性和非易性特性的融合翠霍，使得它成為第四范式構(gòu)建高效分布式多級(jí)存儲(chǔ)系統(tǒng)的基石锭吨，該系統(tǒng)讓“第四范式先知”平臺(tái)獲得了更高效的存儲(chǔ)和查詢能力。 高性能實(shí)時(shí)特征數(shù)據(jù)庫(kù)也因?yàn)橐隣ptane寒匙，打造了5G-ready的超低延時(shí)零如，以及持久化存儲(chǔ)的能力。

目前锄弱，軟硬一體支撐的核心AI算法已經(jīng)廣泛應(yīng)用到業(yè)務(wù)場(chǎng)景中考蕾。

在金融反欺詐領(lǐng)域，金融機(jī)構(gòu)的傳統(tǒng)做法是通過(guò)專家系統(tǒng)來(lái)辨識(shí)欺詐風(fēng)險(xiǎn)会宪，但這一系統(tǒng)窮盡人力和經(jīng)驗(yàn)肖卧，也只能總結(jié)出數(shù)千條專家規(guī)則，要用來(lái)應(yīng)對(duì)日趨智能化掸鹅、高頻化和精準(zhǔn)化的金融欺詐塞帐，明顯力不從心。AI形成超高維的機(jī)器學(xué)習(xí)能力來(lái)應(yīng)對(duì)這一挑戰(zhàn)巍沙。在數(shù)據(jù)預(yù)處理環(huán)節(jié)葵姥，該平臺(tái)采用全量樣本進(jìn)行數(shù)據(jù)建模。在特征工程階段句携，平臺(tái)抽取交易報(bào)文榔幸、用戶信息等基本信息，再結(jié)合客戶在業(yè)務(wù)中的歷史行為等多樣化特征务甥，利用超高維的機(jī)器學(xué)習(xí)算法牡辽，以及端到端軟硬一體AI基礎(chǔ)設(shè)施的強(qiáng)悍算力，通過(guò)將交易報(bào)文中的原始字段進(jìn)行超高維組合和衍生敞临，最終形成總量超過(guò)25億維的特征集态辛。這些創(chuàng)新幫助其提升信用卡交易反欺詐識(shí)別準(zhǔn)確率達(dá)7倍以上。同時(shí)挺尿，在端到端軟硬一體AI基礎(chǔ)設(shè)施強(qiáng)勁計(jì)算能力的支持下奏黑，平臺(tái)能夠在20毫秒內(nèi)就完成從線上數(shù)據(jù)集成到提供最終欺詐評(píng)分的全過(guò)程，從而實(shí)現(xiàn)“事中反欺詐”编矾。不僅如此熟史，通過(guò)對(duì)英特爾架構(gòu)服務(wù)器進(jìn)行橫向擴(kuò)展, 該平臺(tái)更能實(shí)現(xiàn)每秒數(shù)十萬(wàn)筆交易的吞吐量，使金融反欺詐系統(tǒng)真正實(shí)現(xiàn)了實(shí)時(shí)化窄俏。

在金融產(chǎn)品推薦領(lǐng)域蹂匹，軟硬一體支撐的核心AI算法將個(gè)性化金融產(chǎn)品推薦場(chǎng)景的點(diǎn)擊率107%～574%倍，將規(guī)則從1,000條人工專家規(guī)則增加至2,500,000,000條機(jī)器+人工規(guī)則凹蜈。該軟硬一體基礎(chǔ)設(shè)施正在為中國(guó)金融行業(yè)總資產(chǎn)的半數(shù)以上金融資產(chǎn)提供個(gè)性化金融服務(wù)推薦限寞，反欺詐忍啸，反洗錢(qián)等服務(wù)。

在個(gè)性化內(nèi)容分發(fā)領(lǐng)域履植，軟硬一體支撐的核心AI算法將點(diǎn)擊率提升30%～35%计雌，將業(yè)務(wù)規(guī)則從100條規(guī)則到1,000,000,000條規(guī)則，幫助1000多家客戶搭建基于AI的先進(jìn)推薦系統(tǒng)玫霎。

在糖尿病檢測(cè)等領(lǐng)域凿滤，軟硬一體支撐的核心AI算法幫助醫(yī)療客戶將預(yù)測(cè)準(zhǔn)確率提升2—3倍，將業(yè)務(wù)規(guī)則從10條規(guī)則到500庶近，000條規(guī)則翁脆，全面精準(zhǔn)預(yù)測(cè)，提前治療和預(yù)防拦盹。

第四范式也在幫助信貸風(fēng)控鹃祖、供應(yīng)鏈金融、智能獲客廣告投放普舆、智能客服等眾多行業(yè)和領(lǐng)域的企業(yè)用戶實(shí)現(xiàn)AI應(yīng)用的落地恬口。

“第四范式先知”平臺(tái)定位于企業(yè)級(jí)AI核心系統(tǒng)，由數(shù)據(jù)核心沼侣、算法核心祖能、生產(chǎn)核心三大模塊組成。通過(guò)與英特爾領(lǐng)先硬件產(chǎn)品與技術(shù)的深度結(jié)合蛾洛，該平臺(tái)不僅覆蓋了AI在生產(chǎn)中的各個(gè)應(yīng)用環(huán)節(jié)养铸，同時(shí)也顯著降低了AI的應(yīng)用門(mén)檻，讓傳統(tǒng)企業(yè)應(yīng)用AI變得更為簡(jiǎn)單高效轧膘，并能幫助企業(yè)實(shí)施從戰(zhàn)略钞螟、策略到執(zhí)行的全面智能化。

?

高維數(shù)據(jù)模型突破機(jī)器學(xué)習(xí)效果瓶頸??

著名科幻著作《三體》*曾勾勒出一種高維空間谎碍，可實(shí)現(xiàn)許多低維空間不可能完成的事情鳞滨。在“第四范式先知”平臺(tái)上，工程師們也巧妙地將數(shù)據(jù)“升維”, 通過(guò)平臺(tái)內(nèi)置的高維模型算法和特征工程算法蟆淀，結(jié)合英特爾高性能硬件產(chǎn)品提供的強(qiáng)大算力拯啦，在萬(wàn)億級(jí)大數(shù)據(jù)和海量特征場(chǎng)景下，平臺(tái)也能表現(xiàn)出出色的計(jì)算性能熔任，得到令人滿意的評(píng)估效果褒链。

數(shù)據(jù)是企業(yè)構(gòu)建AI應(yīng)用的本源，如今企業(yè)的業(yè)務(wù)會(huì)產(chǎn)出TB級(jí)疑苔，乃至PB級(jí)的海量數(shù)據(jù)甫匹。在早期系統(tǒng)中，囿于人力的局限，或者對(duì)非結(jié)構(gòu)化兵迅、非數(shù)字化數(shù)據(jù)處理能力的不足哀墓，企業(yè)對(duì)海量數(shù)據(jù)的利用，往往處于低維度狀態(tài)喷兼，從而無(wú)法深度發(fā)掘數(shù)據(jù)內(nèi)蘊(yùn)含的巨大價(jià)值。

在機(jī)器學(xué)習(xí)中后雷，數(shù)據(jù)的維度越高季惯、數(shù)據(jù)處理速度能力越強(qiáng)，學(xué)習(xí)效果就越佳臀突。在數(shù)據(jù)處理能力上勉抓，第四范式自主研發(fā)的分布式模型訓(xùn)練框架也讓訓(xùn)練速度獲得飛躍。在TB級(jí)數(shù)據(jù)規(guī)模下候学，“第四范式先知”平臺(tái)的模型訓(xùn)練速度可達(dá)Spark*的數(shù)百倍1藕筋。同時(shí)，平臺(tái)將常用梳码、有效的數(shù)據(jù)處理過(guò)程進(jìn)行了產(chǎn)品化封裝隐圾，用戶只需簡(jiǎn)單配置即可對(duì)原始數(shù)據(jù)表進(jìn)行復(fù)雜計(jì)算與處理，使數(shù)據(jù)處理工作量減少80%2掰茶。