數字化和資訊化

 數字化轉型-數字化工具和數字化體系
    硬體基礎--運維團隊 網路團隊
	數字化--業務線上，海量資料-資料驅動，關鍵資料-業務驅動，核心資料-人事驅動
	新的業務邏輯和組織管理模式

大資料平臺

 大資料平臺的構建--有一個業務，就可以有資料接入，資料採集，資料同步和傳輸，資料計算和資料探勘以及資料視覺化
 採用的工具棧有開源的，也有商業的，搭建和應用起來比較方便，尤其結合雲端計算技術，彈性伸縮和自動編排等功能
 資料建設都是為了使用者更快、更方便、更放心的使用資料
   實時資料： 資料質量和資料時效
   資料管理-資料時效保障 - 目標- 機制-方法-效果-成本
 資料質量保障
    資料質量
	資料質量反饋迴路
	關注資料 pipeline 的實踐、政治和人的價值觀，
	通過使用流程、標準、基礎設施和激勵措施來提高資料的質量和地位
 

AI平臺：

 AI平臺和大資料平臺有很多相似的地方，然而構建起來，思路會有所不同
 AI平臺在概念驗證和生產階段的所面臨的問題也不同。

 以資料為中心的視覺 AI 建立一個端到端平臺
    深度學習的核心要素是算力、演算法和資料，如何構建一個高效的端到端AI平臺，直接決定了業務的天花板和迭代進化效率
    演算法工程師希望可以像搭積木一樣自由進行模型設計組裝，並且快速進行效果驗證
    機器學習研究和機器學習應用
    工業級機器學習
       解決的問題的複雜性不單是關注演算法模型的程式碼的開發，
       而是一個涉及在離線閉環的，包括特徵、樣本，模型已經應用的的全鏈路問題。
 專業的資料標註服務商 
   監督學習所需要的大規模、高質量的標註資料集是AI產業發展的剛需，也是AI工業化的主要瓶頸之一
    資源管理、專案管理和標註工具箱
    資料採集、準備和管理	
	資料標註行業正從簡單的勞動力密集型向專業型資料服務過渡。
	人力資源的培訓和評估：標註員和質檢員-資料的提交和打回 資料驗收,自動化訓練，自動打分和反饋
	前沿的技術架構：
	
 迭代：
   資料迭代： 資料採集和管理平臺的更新
          更多時候，你需要定製資料
   工具迭代： 傳統工具和自動化工具以及AI工具
              對同一個場景提出不同的資料標註要求
			  不同團隊需要標註不同的資料屬性
			  資料合規性和隱私保護的要求-- 雲端標註和私有化部署
   演算法迭代：
        訓練
		部署： 邊緣裝置  環境變化

 一套從模型訓練到端上推理的完整 AI 架構	
  業務層 中臺層 AI 介面層、AI 演算法層和 AI 底層庫 系統層 硬體層
  開發環境： 
      資料管理平臺：資料採集  資料清洗  資料標註  資料迴流
	  AI訓練平臺： 模型訓練 模型倉庫 模型評測 模型壓縮
  應用環境：功能 效能 成本
     AI 應用落地
  整體框架層面設計：
      通用資料介面
	  圖形影象庫
  效能方面的探索和實踐：前後處理和模型推理
 

準則：

 你無法只用理論上的可行性來應付一切
 從以模型為中心到以資料為中心的機器學習開發的轉變：同步開發模型和資料： 在開始階段有AI模型，到AI模型很多的時候 
 自己標註資料，至少在開始的時候
 MLOps--》 DevOps
 追求演算法的先進性--追求演算法的應用價值

參考

 端側 AI SDK 框架，快手爆款特效落地背後的祕密 https://mp.weixin.qq.com/s/K5yCIFnLqUFkjtNITWbsZw
 別再把資料當作商品了 https://mp.weixin.qq.com/s/fiGKxYdQd_ZlDkCgyBTuRQ
 實時數倉不保障時效還玩個毛？https://mp.weixin.qq.com/s/WbqwXHb2IPmvh1rdA74jLw