近年来,在泛零售及快消行业,由于市场格局越发瞬息万变、消费场景愈加错综复杂,以机器学习算法、人工智能模型代替纯人脑人工完成商品计划、运营、供应链管理已逐渐成为主流。
oIBP 欧睿数据(下简称“欧睿”)是国内领先为泛零售业提供端到端 AI 大数据挖掘应用解决方案的供应商,以自研算法、模型为承载,缔造商品运营系统、需求计划系统、选品下单系统等系列产品,赋能斯凯奇、欧莱雅、太平洋咖啡等多家企业进行供销存管理。面对泛零售全行业需求激增的现状,为降本增效、实现对产品及产品研发与实施交付过程的集中治理,欧睿携手和鲸 ModelWhale 联合打造 AI 中台,自上而下地开展企业数字化转型。
基于 AI 中台,欧睿现已完全实现 ModelOps 模型的全生命周期管理,彻底打通企业上下跨部门、跨角色、跨人员的协同工作流——创始人高峻峻老师曾分享 AI 中台的建设成果,“目前,我们已经在中台为多种优化、预测场景固化了 30 余套模型模板、接口服务,全面提升了从开发到交付的效益效能,按现在的产品研发效率,未来,每年都将有几十个新模型能够落地投产”。
下文将从欧睿建设 AI 中台、实践转型前后的具体变化展开,为同样聚焦“数字化”的各企业提供一定参考。
AI 中台建设前的痛难点
模型:开发、部署、调优、复用全流程割裂
模型,是欧睿的核心资产,然而在实践转型前,从模型开发、部署到调优、复用,各阶段均存在壁垒且流程衔接难以贯通:
- 开发调试:于本地计算机环境进行,算法工程师需自行协调测试数据、开发环境、计算资源等生产资料;
- 部署调用:基于算法包,需完成导出、部署、测试等多个步骤,每次部署均需考虑模型性能与资源消耗并选择合适的部署方式,敏捷性较低,模型调用也难以监控;
- 优化迭代:需复现开发环境,手动关联原先的测试数据、计算资源,很难实现模型代码各版本的集中管理;
- 成果复用:算法包上传至特定服务器虽能达成简单共享、管理,但由于数量庞大,一旦需要在较长时间跨度内复现复用,则会花费大量时间、精力用于成果“寻找”,大部分工程师选择“从头再来”。
人员:各自为营、难以协作
相较于模型的操作壁垒,人员协同困难是欧睿难以实现降本增效更直接的原因:
- 算法工程师间各自为营:算法人员是非常独立的个体,每位工程师基于各自专长负责特定类型的模型开发,由于本地环境各不相同,模型本身难以流转,长此以往,不断加深人员间各自为营的局面,甚至人人都有一套专属编程标准,针对某一客户需要多类型模型加以支持的场景,则需多位算法工程师同时负责一位客户;
- 算法工程师与实施、业务人员难以协作:实施、业务人员对于模型代码、算法的理解力较低,几乎完全无法参与模型操作的各步骤,工程师难以与其达成协作的前提下,从售前到交付,再到售后,完整业务链路的各环节均需多位算法人员的深度参与,负担很重。
以上两大痛难点综合作用,最终造成:1)产品研发效率较低,虽深耕行业数十年、坐拥丰富经验,但固化、沉淀下的模型成果并不算特别多;2)人力成本加速增长,资深算法工程师分身乏术,对新鲜血液需求量过大。
由于泛零售全行业的需求激增,而欧睿也正值企业的高速发展期,近未来,无论是客户还是模型产品在数量上都有成倍增长的趋势,量变引发质变,创始人高老师认为,“如果没法根治这两点问题,那么我们日后的工作将逐渐难以开展直到寸步难行”——这也是欧睿急于进行数字化转型的动因。
AI 中台建设后具体如何实现降本增效
经欧睿与和鲸双方的不懈努力,AI 中台正式投产使用。基于中台,不仅模型的全生命周期得以统一于同一平台,企业上下各角色人员也可在同一平台进行高效协同。
ModelOps 模型的全生命周期管理
区别于计算机本地,AI 中台为模型全生命周期提供在线环境。
在云端,算法工程师可实现模型生产资料的集中管理,完成数据治理中台或数据库中测试数据的一键接入与开发环境、算力资源的即开即用,为繁杂的底层工作大幅减负。
对于算法包成果,中台降低模型部署的技术门槛,支持将其一键发布为 REST 服务或离线预测,企业内外部的模型使用者均可通过 API 或网页服务进行调用,同时,中台实施模型监控,完整保留调用操作全记录。
调优阶段,AI 中台可一键拉起模型原本对应的生产资料,开箱即改,同时以完备的版本管理、版本比对功能赋能算法、模型的开放性探索。
针对问题最大的成果复现,中台协助欧睿完全改变原有算法包管理的底层逻辑——工程师不再将成百上千的算法包作为成果直接丢进服务器,取而代之,他们将多种类型的模型减量封装为通用的模型模版,将模版作为开发成果固化沉淀于 AI 中台,后续针对不同的客户使用场景,仅需找到相应通用模版并完成轻量调参,即可实现成果复用。
以上,从模型的开发、部署到调优、复用,所有步骤集中于同一平台,不仅解决阶段内影响效率的各个问题,也为流程衔接提供顺滑的操作体验,是基于 ModelOps 理念所实现的模型全生命周期管理。
企业上下跨部门、跨角色、跨人员的协同工作流
为从源头解决人员协同困难,AI 中台为欧睿引入全新 Canvas 低代码拖拉拽开发模式。
基于 Canvas,算法工程师在开发阶段将代码按“用途”划分为数个代码块分别编写,随后将其独立封装为不同可视化功能组件——模型搭建环节,仅需通过拖拉拽操作完成组件连接。 ModelOps 模型成果复现中,欧睿也是通过 Canvas 中组件、工作流 flow、模板等大小不同的可复现单元实现模型模版的固化沉淀。
Canvas 帮助算法人员打破工作孤岛。企业上下所有工程师均基于相同云端环境与编程规范进行模型开发,对于模型可一键添加使用者或协作者,不仅直接解决模型难以流转问题,更是完全实现多位算法人员对同一模型、模型模板进行共同测试、编辑、迭代等操作。
更重要地,Canvas 彻底打通算法工程师与实施、业务人员间的协作壁垒。对实施业务侧而言,一方面,模型呈现方式从冗长的代码变为简单的功能组件,使其不再“畏难”、深入理解模型本身成为可能;另一方面,Canvas 大大简化模型从搭建到部署的操作步骤——拖拉拽、一键发布并调用,并不需要对编程、开发有所理解。
由此,从职能分工出发,工程师的定位从算法实现 + 全流程深入客户,转换为模板开发 + 培训顾问,授人与渔地使实施业务侧熟练掌握模板使用等轻量模型操作,并由他们专人专岗、全权负责从售前至售后的客户对接,大幅减轻算法人员的工作负担,使其专注于产品研发效率的提升。
Canvas 同时也为产品展示提供支持。欧睿深耕供销存领域,坚持自研算法、模型而非使用国外现有的相应软件,正是出于应将泛零售的商品、计划由黑箱转为白箱的考虑,而高老师表示,“Canvas 正是一种白箱实现”,从客户尤其是对方企业业务决策者的角度出发,对于产品本身也会有更好的理解。
Canvas 的引入,将欧睿从开发,到实施、业务,及其他售前、售后,甚至客户紧密地联系在一起,通过使用同一平台,全面打通企业上下跨部门、跨角色、跨人员的协同工作流。
企业数字化转型,一直在路上
多年合作,和鲸深知欧睿始终聚焦数智化赋能,以自研算法、模型为泛零售行业走向数字化、智能化提供一架架桥梁,而与和鲸 ModelWhale 携手打造的 AI 中台,正是为这些桥梁建立坚实的底座。
企业数字化转型是艰难的、漫长的,但若像欧睿一般找到合适的工具与方法也未尝不能事半功倍,和鲸与众企业一直努力在路上,立志为数字经济建设更光明的未来。
平台搭建、转型方案设计,任何相关需求,都欢迎您点击【联系产品顾问(移动端跳转)】与我们展开交流(咨询备注“数字化转型”),或点击右侧链接免费【试用 ModelWhale 团队版】(获赠 CPU、GPU 算力)。