产业智能化的百度经验：飞桨结合智能云，让AI赋能千行万业

    首先从开发的角度，我们提供一个开发便捷的深度学习框架；而从训练的角度，可以支持超大规模的训练；从部署的角度，可以进行多端、多平台的高性能推理引擎的部署；同时提供很多产业级的模型库。

    从开发的角度，飞桨提供一个开发便捷的深度学习框架。一方面，大家知道这些软件系统都是很多程序员在写，程序员有自己写程序的习惯，我们这种组网式的编程范式与程序员的开发习惯非常一致，程序员开发起来会很有效率，而且也很容易上手；另外一个方面是设计网络结构，深度学习发展很多年，多数深度学习的系统网络都是人类专家来设计的，但是，设计网络结构是很专、很不容易的一件事情。所以，我们开发网络结构的自动设计。现在机器自动设计的网络，在很多情况下已经比人类专家设计的网络得到的效果还好。

     另一个方面，大规模训练面临的挑战。飞桨支持超大规模的特征、训练数据、模型参数、流式学习等等。我们开发的这套系统现在已经可以支持万亿级参数模型，不止是能支持这样的训练，同时可以支持实时的更新。

     说到多端多平台，飞桨能很好的支撑从服务器到端、不同的操作系统之间，甚至不同框架之间的无缝衔接。这里是一些具体的数据，大家可以看到，我们通用架构的推理，它的速度是非常快的。同时，刚才我提到的跟华为的合作，我们针对华为的NPU做了定向的优化，使它的推理速度得到进一步的提升。

     另外一方面，所有这些基础框架，与真正的开发应用之间还有一步，我们定向地为不同的典型应用提供很多官方的模型库，比如说语言理解的、增强学习的、视觉的等等。飞桨的这些模型都在大规模的应用中得到过验证，同时我们也在一些国际的比赛中测试了这些模型，夺得了很多个第一。

     刚才讲的是基本的框架模型等等，另一方面，我们还有完备的工具组件，以及面向任务的开发套件，以及产业级的服务平台。

     举几个例子，比如说语言理解，大家知道现在语言理解，我们也都基于深度学习框架来做，像百度的ERNIE。一方面，我们现在用的深度学习技术是从海量的数据里进行学习，但是它没有知识作为前提。百度开发了一个非常庞大的，有3000多亿个事实的知识图谱，我们用知识来增强基于深度学习的语言理解框架，就产生了ERNIE。另一方面，我们又加入了持续学习的技术，从而让ERNIE有一个非常好的表现。下面浅蓝色的线是现在SOTA最好的结果，我们用ERNIE+百科知识——我们知识图谱也有很多来源——加进去以后，大家可以看到有很明显的提升。我们更高兴地看到，持续加入不同的知识，比如加入对话知识、篇章结构知识等等，这个系统还可以进一步提升它的性能。

     这是前面讲的一系列套件之一，可以零门槛进入的定制化训练和服务平台。我们这些平台，希望能降低门槛，帮助各行各业来加速整个技术创新。现在大概是什么状态呢？现在我们已经服务了150多万的开发者，其中包括超过6.5万个企业。在这个平台上，他们自己训练了已经有16.9万个模型。

     飞桨深度学习开源开放平台跟百度的智能云也有很好的结合，依托云服务更多的客户，让AI可以赋能各行各业。这里有一些例子，比如说在农业，我们帮助水培蔬菜的智能种植；在林业，帮助病虫害的监测识别；以及公共场所的控烟、商品销售的预测、人力资源系统的自动匹配、制造业零件的分拣，以及地震波、藏油预测，以及更广泛地覆盖通讯行业、地产、汽车等等领域，各行各业都基于这个平台都得到了智能化的升级。

    比如水培蔬菜智能种植，我们通过深度学习平台支持它进行长势分析、水培方案的精调、环境的控制，使产量得以提高，同时成本得以降低。智能虫情监测也是一样，系统的识别准确率已经相当于人类专家的水平，而且监控的周期也从一周缩短到一小时。

    精密零件智能分拣的案例中，我们真正用这个深度学习系统的时候，还是有不少事情要做，比如说如何选择分拣的模型，中间也会涉及一些数据的标注，尤其是一些错误case的积累等等，然后在飞桨平台上进行训练升级。

    这是一个工业安全生产监控的例子，昨天在另一个会上，有一个来宾问我，他们特别想在一些场景下，监控一些不当的环节，比如说生产环境里打手机、抽烟、跃过护栏等等。这些都可以通过飞桨的平台自动实现。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!