1.1 中臺戰(zhàn)略的興起

自從中臺戰(zhàn)略被提出并得到成功實施后，業(yè)界反響強烈，國內(nèi)各家企業(yè)紛紛啟動了自己的中臺化進程。尤其是對于在戰(zhàn)略中處于核心地位的數(shù)據(jù)中臺建設(shè)，各方都有自己的解讀和心得。

但總體來看，業(yè)界形成了對中臺戰(zhàn)略的一些共識，即主張“大中臺、小前臺”，通過構(gòu)建中臺，沉淀共享服務(wù)，提高服務(wù)重用率，打破“煙囪式”、“項目制”系統(tǒng)之間的集成和協(xié)作壁壘，降低前臺業(yè)務(wù)的試錯成本，賦予業(yè)務(wù)快速創(chuàng)新能力，最終提升企業(yè)的組織效能。

無論是在金融、在線交易、資訊、醫(yī)療還是教育行業(yè)，業(yè)界對中臺戰(zhàn)略的研討包括企業(yè)日?；顒又械母鱾€環(huán)節(jié)，例如業(yè)務(wù)中臺、技術(shù)中臺、移動中臺等等，但在數(shù)據(jù)時代，企業(yè)中的大量業(yè)務(wù)都運行于大數(shù)據(jù)之上，數(shù)據(jù)的響應(yīng)能力、處理能力決定了業(yè)務(wù)效率，所以中臺戰(zhàn)略中最主要的、也是實施的起點，仍然是數(shù)據(jù)中臺。數(shù)據(jù)中臺實現(xiàn)了組織內(nèi)數(shù)據(jù)標準的統(tǒng)一，并打破數(shù)據(jù)壁壘，構(gòu)建統(tǒng)一數(shù)據(jù)實體，對外提供統(tǒng)一的數(shù)據(jù)服務(wù)。通過這三個“統(tǒng)一”實現(xiàn)了組織內(nèi)的數(shù)據(jù)資產(chǎn)中心，為前臺業(yè)務(wù)提供了自動化、自助化的敏捷數(shù)據(jù)能力輸出。

自動化的優(yōu)勢是可以極大節(jié)省常規(guī)數(shù)據(jù)操作的成本開銷，而自助化數(shù)據(jù)管理可以支持業(yè)務(wù)用戶根據(jù)自己需求自助式地獲取、處理數(shù)據(jù)，靈活實現(xiàn)業(yè)務(wù)需求。但這兩個優(yōu)勢相比于傳統(tǒng)“煙囪式”數(shù)據(jù)系統(tǒng)來說，只是使業(yè)務(wù)方感覺數(shù)據(jù)服務(wù)更加能用、易用而已，想要真正做到好用，甚至讓業(yè)務(wù)方喜歡用，無論是數(shù)據(jù)中臺還是其他中臺服務(wù)，都離不開智能化的能力。

1.2 智能業(yè)務(wù)需求的中臺化

業(yè)務(wù)的智能化需求來自于兩方面：

• 一方面從數(shù)據(jù)層面來看，隨著可獲取的數(shù)據(jù)越來越多，我們對其中有價值信息的辨識、數(shù)據(jù)關(guān)系的發(fā)現(xiàn)、數(shù)據(jù)趨勢的把握都將變得越來越困難，只有通過智能化的方法對大數(shù)據(jù)進行治理，才能提升業(yè)務(wù)，甚至創(chuàng)新業(yè)務(wù)。基于大數(shù)據(jù)探索，發(fā)現(xiàn)其中的潛在數(shù)據(jù)聯(lián)系與趨勢，可以為業(yè)務(wù)優(yōu)化與創(chuàng)新提供強有力的支持，實現(xiàn)真正的數(shù)據(jù)驅(qū)動業(yè)務(wù)。因此數(shù)據(jù)中臺必須具備智能化能力，能夠為業(yè)務(wù)提供一定的智能數(shù)據(jù)分析能力。

• 另一方面，除了基于數(shù)據(jù)自底向上的智能化驅(qū)動以外，還存在自上而下的企業(yè)智能化理念驅(qū)動。近幾年來，許多智能技術(shù)日趨成熟，相應(yīng)的智能化理念也深入人心，大量智能化的成功案例使這些技術(shù)逐漸被行業(yè)主流接受，甚至成為了實際上的標準解決方案，比如電商需要推薦、金融需要風控，而隨之就要求研發(fā)人員能夠在數(shù)據(jù)之上準確快速實現(xiàn)前臺提出的智能化目標。

上圖是一個示例，數(shù)據(jù)來源于Roland Berger。宜信作為一家金融科技公司，更多面對的是金融領(lǐng)域的智能業(yè)務(wù)需求。從圖中可以看到在金融這一個領(lǐng)域之內(nèi)就有這么多環(huán)節(jié)已經(jīng)形成了標準化的智能應(yīng)用，可想而知在今天企業(yè)業(yè)務(wù)的發(fā)展過程中智能化正在扮演一個多么重要的角色。

無論是哪方面的需求，都會碰到一個問題：智能業(yè)務(wù)需求各種各樣、各不相同，一個需求下來，研發(fā)團隊需要針對性開展數(shù)據(jù)分析處理、模型的構(gòu)建訓(xùn)練等，過程復(fù)雜繁復(fù)，效率不高，從而拖長了需求響應(yīng)時間，降低了業(yè)務(wù)敏捷程度，拉高了試錯成本。這與在中臺戰(zhàn)略背景下，業(yè)務(wù)前臺希望能夠?qū)Ｗ⒂跇I(yè)務(wù)邏輯、靈活應(yīng)對變化產(chǎn)生了矛盾，而且隨著智能化應(yīng)用的廣泛開展，這個矛盾也越來越普遍。

究其原因，一方面是由于智能化的大規(guī)模興起才短短幾年，智能應(yīng)用研發(fā)還處在比較原始的階段，缺乏完整的生命周期管理理論和相應(yīng)的管理框架工具；另一方面則反映了我們的中臺能力沒有完全覆蓋到前臺業(yè)務(wù)研發(fā)中笨重、重復(fù)、低效的環(huán)節(jié)。

那么，我們自然而然會想到，我們能否對現(xiàn)有數(shù)據(jù)中臺進行進一步智能化躍遷，解決上述問題呢？如果能，數(shù)據(jù)中臺可以或者應(yīng)該提供什么樣的數(shù)據(jù)智能化能力？如果不能，中臺戰(zhàn)略又應(yīng)該如何敏捷支持智能化業(yè)務(wù)需求？

1.3 從數(shù)據(jù)中臺到AI中臺

我們先來看看數(shù)據(jù)中臺的智能化支持能力，試分析如下問題：數(shù)據(jù)中臺能通過通用的智能數(shù)據(jù)模型充分支持當前業(yè)務(wù)背景下多樣的智能需求嗎？答案是比較困難，原因在于業(yè)務(wù)智能化過程的復(fù)雜性。

通常的機器學(xué)習任務(wù)包括了回歸、分類、標注、聚類、推薦等等，每個算法模型的實現(xiàn)又包括了數(shù)據(jù)預(yù)處理、特征分析、建模、訓(xùn)練、部署等多個環(huán)節(jié)，實際中的應(yīng)用更是有可能包括多個模型。

而數(shù)據(jù)中臺以數(shù)據(jù)為核心，其智能化能力若想支持到以上所有環(huán)節(jié)，工作量絕對不小，并且會偏離數(shù)據(jù)中臺的原有目標，因此讓數(shù)據(jù)中臺承擔全部的智能化業(yè)務(wù)支持是不合適的。

詳細來說，我們可以從目前人工智能（AI）所涵蓋的內(nèi)容進行分析。廣義上人工智能指利用科學(xué)方法和技術(shù)，研制能夠模仿、延伸、擴展人類智能的機器系統(tǒng)，涉及了計算機科學(xué)、數(shù)學(xué)、哲學(xué)、心理學(xué)等多門學(xué)科；而從計算機科學(xué)的角度狹義來看，人工智能特指可以接受和處理外部數(shù)據(jù)，并能夠做出類人化分析、決策的計算機系統(tǒng)，涵蓋了數(shù)據(jù)挖掘、機器學(xué)習、深度學(xué)習、強化學(xué)習等多個子領(lǐng)域。如無特殊說明，本文所述人工智能皆指后者。

這幾類任務(wù)中，機器學(xué)習、深度學(xué)習、強化學(xué)習的目標、實施過程比較相似，因此通常直接統(tǒng)稱為機器學(xué)習任務(wù)，本文也采取這種概略性說法。而數(shù)據(jù)挖掘任務(wù)則與機器學(xué)習任務(wù)相關(guān)又不太相同，他們之間的區(qū)別給很多人帶來過困擾。

實際上，按照《數(shù)據(jù)挖掘與預(yù)測分析》書中的定義，“數(shù)據(jù)挖掘是從大型數(shù)據(jù)集中發(fā)現(xiàn)有用的模式和趨勢的過程”，這其中包括了數(shù)據(jù)預(yù)處理、數(shù)據(jù)探索、數(shù)據(jù)降維、數(shù)據(jù)統(tǒng)計、關(guān)聯(lián)分析、離群分析等子任務(wù)，這些是機器學(xué)習工作開展的基礎(chǔ)。

而另一方面，數(shù)據(jù)挖掘還包含了之后的數(shù)據(jù)聚類、數(shù)據(jù)預(yù)測、數(shù)據(jù)分類的一些內(nèi)容，這些正是機器學(xué)習所研究的部分內(nèi)容；由于機器學(xué)習的蓬勃發(fā)展和優(yōu)異性能表現(xiàn)，一般此部分的工作也更多交由機器學(xué)習來完成。

總之，兩者都是人工智能的重要研究方向，也是企業(yè)大數(shù)據(jù)智能化過程中的重要環(huán)節(jié)，彼此相互聯(lián)系，但側(cè)重點存在不同：數(shù)據(jù)挖掘更側(cè)重于“洞察”，而機器學(xué)習更側(cè)重于“學(xué)習”和“預(yù)測”。

從上述分析可以看出，當前業(yè)務(wù)背景下，從事“洞察”任務(wù)的數(shù)據(jù)挖掘工作將重心放在了數(shù)據(jù)上，一般不需要人工輔助即可自動化完成；此外由于不涉及數(shù)據(jù)預(yù)測、分類等任務(wù)，數(shù)據(jù)挖掘通常采用比較固定的分析算法和模型，所以該部分工作完全可以做到自動化、自助化，集成到數(shù)據(jù)中臺內(nèi)，作為固定的智能數(shù)據(jù)模型服務(wù)提供給業(yè)務(wù)用戶。

另一方面，從事“學(xué)習”和“預(yù)測”任務(wù)的機器學(xué)習工作相對而言更加復(fù)雜：

• 機器學(xué)習的實施過程通常是高度計算密集型的；

• 所采用算法和模型結(jié)構(gòu)有可能相同，但都需要根據(jù)業(yè)務(wù)數(shù)據(jù)進行個性化參數(shù)訓(xùn)練；

• 訓(xùn)練階段通常經(jīng)過多次迭代；

• 除部分非監(jiān)督學(xué)習外，實施環(huán)節(jié)通常需要人工標注環(huán)節(jié)的參與；

• 線上模型的運行性能需要監(jiān)控，需要根據(jù)數(shù)據(jù)演進進行更新。

了解了人工智能領(lǐng)域分類后，我們來試圖回答一下前面提出的問題。如果數(shù)據(jù)中臺愿意支持業(yè)務(wù)所提出的智能化需求，那么我們要怎么對數(shù)據(jù)中臺進行躍遷？或者說數(shù)據(jù)中臺要怎么躍遷自己的能力來支持這些需求呢？

從上圖可以看出，數(shù)據(jù)中臺本身具備以數(shù)據(jù)為核心、算法固定、有一定的自動性等特征，我們完全可以在數(shù)據(jù)中臺里利用其流式計算能力、批量計算能力、數(shù)據(jù)可視化技術(shù)等來為相應(yīng)的業(yè)務(wù)需求提供支持。

這些還都是數(shù)據(jù)中臺本身就已經(jīng)具備的功能。如果還要用數(shù)據(jù)中臺來做機器學(xué)習部分的AI項目支持，還需要具備哪些能力呢？如上圖所示，一圈一圈地往外擴展。首先需要復(fù)雜的特征工程支持能力、模型訓(xùn)練能力；其次需要數(shù)據(jù)標注能力、模型部署能力、性能監(jiān)控能力。

每一項能力都需要耗費大量的人力物力和時間來進行開發(fā)，而且由內(nèi)而外的能力擴展與數(shù)據(jù)本身的相關(guān)性是由強至弱的，也就是說隨著能力層次的不斷擴充，數(shù)據(jù)中臺逐漸偏離了其“以數(shù)據(jù)為核心”的宗旨，而且也會使得數(shù)據(jù)中臺變得臃腫復(fù)雜，在對接前臺業(yè)務(wù)需求的時候，也可能會帶來更多復(fù)雜性的問題。因此數(shù)據(jù)中臺可以一定程度上支持智能化業(yè)務(wù)需求，但如果想單靠數(shù)據(jù)中臺來支持所有智能化業(yè)務(wù)需求顯然不是最佳選擇。

那么我們要怎么做呢？將AI中臺與數(shù)據(jù)中臺進行分離。

如上圖，我們將數(shù)據(jù)中臺外面套著的幾層能力抽象剝離出來，整合形成一個獨立的中臺層，依托數(shù)據(jù)中臺進行一定的協(xié)作，共同應(yīng)對前臺的智能化業(yè)務(wù)需求。數(shù)據(jù)中臺主要集成數(shù)據(jù)挖掘、數(shù)據(jù)洞察智能算法和模型；新的中臺主要承擔復(fù)雜的學(xué)習預(yù)測類智能需求研發(fā)。這一中臺我們稱之為“AI中臺”。

上圖是AI中臺與數(shù)據(jù)中臺分離的結(jié)構(gòu)化圖表，自上而下分別是業(yè)務(wù)前臺、AI中臺和數(shù)據(jù)中臺，還有底層一些相關(guān)的計算存儲資源。

• 數(shù)據(jù)中臺提供基本能力，包括數(shù)據(jù)標準化、數(shù)據(jù)實體化、數(shù)據(jù)服務(wù)統(tǒng)一化等；還支持部分數(shù)據(jù)處理的智能需求，包括智能數(shù)據(jù)模型、關(guān)聯(lián)分析、主成分分析、異常點分析等。數(shù)據(jù)中臺主要承擔數(shù)據(jù)探索的職責。

• AI中臺提供模型設(shè)計訓(xùn)練、模型/算法庫、復(fù)用標注管理、監(jiān)控服務(wù)等一系列相關(guān)AI緊耦合的能力支持。AI中臺從事的是學(xué)習預(yù)測的任務(wù)。

• 業(yè)務(wù)前臺則是包括了各種需要中臺提供敏捷性支持的需求，比如業(yè)務(wù)智能需求、用戶細分需求、個性推薦需求等。

值得注意的是，上圖所示結(jié)構(gòu)只是一個示例，中臺主要面向業(yè)務(wù)，是為了更敏捷地響應(yīng)業(yè)務(wù)需求，因此中臺體系應(yīng)該針對業(yè)務(wù)來設(shè)置，比如有一些前臺業(yè)務(wù)不需要AI中臺可以直接落到數(shù)據(jù)中臺來進行處理。

至此我們已經(jīng)回答了前文的問題，單純依賴數(shù)據(jù)中臺來支持業(yè)務(wù)智能化需求的敏捷實施是不夠的，但我們可以在其基礎(chǔ)之上構(gòu)建專門的AI中臺來提供這一能力。中臺化戰(zhàn)略中不能單獨依賴數(shù)據(jù)中臺來實現(xiàn)中臺化轉(zhuǎn)型，阿里的共享服務(wù)中心也是包括了業(yè)務(wù)、技術(shù)、數(shù)據(jù)等多個層面的內(nèi)容，各企業(yè)應(yīng)該按照自己的業(yè)務(wù)結(jié)構(gòu)與流程，合理抽象構(gòu)思自己的中臺服務(wù)模型并加以實施。

前文通過對智能化業(yè)務(wù)需求和數(shù)據(jù)中臺的分析解釋了建設(shè)AI中臺的背景和原因，但AI中臺的目標究竟是什么？其基本要求和能力有哪些？接下來我們將對此進行詳細討論。

2.1 AI任務(wù)劃分與敏捷需求

AI中臺需要靈活地支持各類AI任務(wù)，解決各類任務(wù)敏捷化過程中的需求與痛點。當前，企業(yè)智能化需求各不相同，導(dǎo)致相應(yīng)的AI任務(wù)也種類繁多。

對AI任務(wù)類型有許多種劃分方法，例如經(jīng)典地按任務(wù)目標可分為回歸、分類、聚類、標注等等。

這里我們采用另一種劃分方式，認為所有的AI任務(wù)都可以劃分成為兩類：

• 一種是針對某個業(yè)務(wù)領(lǐng)域內(nèi)特定類型數(shù)據(jù)，提供對此類數(shù)據(jù)的基礎(chǔ)AI學(xué)習、預(yù)測、分析能力的“橫向”任務(wù)，例如計算機視覺、自然語言處理任務(wù)等；

• 另一種則是面向業(yè)務(wù)具體需求的、相對特殊化與個性化的“縱向”任務(wù)，例如金融領(lǐng)域的智能風控、電商領(lǐng)域的產(chǎn)品推薦以及比較常見的用戶畫像構(gòu)建等。

就這兩類AI任務(wù)來說，無論哪類任務(wù)都可以獨立對外服務(wù)，也可以混合起來相互之間集成、組合，形成AI解決方案來支持更復(fù)雜的業(yè)務(wù)場景。我們構(gòu)建智能化業(yè)務(wù)應(yīng)用的核心就是將智能化需求分解、映射為具體的AI任務(wù)并一一實現(xiàn)，最后再進行合理地編排組合，實現(xiàn)任務(wù)目標。

但另一方面，在兩類任務(wù)的實施過程中，其敏捷化需求存在著不同，對AI中臺應(yīng)該提供的服務(wù)需求也不同。相對而言，橫向任務(wù)的敏捷化比較容易實現(xiàn)。

對于橫向任務(wù)，除部分場景外，很多時候其本身并不直接解決業(yè)務(wù)需求，常作為基礎(chǔ)模型對數(shù)據(jù)進行初步加工，再由一些縱向任務(wù)來對接需求。這也給算法實施團隊充足的時間對橫向任務(wù)模型進行充分的雕琢，對其敏捷性進行完善。

由于業(yè)務(wù)領(lǐng)域內(nèi)數(shù)據(jù)的通用性，我們完全可以預(yù)訓(xùn)練出一套常用的業(yè)務(wù)領(lǐng)域?qū)Ｓ脵M向AI模型，例如金融業(yè)務(wù)領(lǐng)域內(nèi)的通用自然語言理解模型等。這樣我們只需維護、更新這套模型，該領(lǐng)域內(nèi)的所有智能化相關(guān)需求都可以隨時地復(fù)用該模型庫，從而節(jié)省大量的任務(wù)訓(xùn)練時間。

再進一步，我們甚至可以預(yù)先訓(xùn)練一個全領(lǐng)域的橫向AI模型庫，這樣即使我們進入到一個全新的業(yè)務(wù)領(lǐng)域，基于這個預(yù)訓(xùn)練庫，也能迅速地打造出領(lǐng)域內(nèi)通用橫向模型，例如計算機視覺領(lǐng)域的ImageNet項目、自然語言處理領(lǐng)域Google推出的BERT技術(shù)等都是如此。

因此，橫向的基礎(chǔ)性AI任務(wù)本身能夠通過提升模型的通用性、可復(fù)用性來敏捷支撐智能化業(yè)務(wù)需求，一個基本的AI共享服務(wù)平臺（或者說我們希望構(gòu)建的AI中臺）應(yīng)該為其提供一個方便的可復(fù)用解決方案設(shè)計與自動展開結(jié)構(gòu)，完善的模型庫、算法庫管理系統(tǒng)，以及穩(wěn)定的模型運行環(huán)境等。

對于縱向任務(wù)來說，情況就變得比較復(fù)雜?？v向任務(wù)需求廣泛，多為定制化開發(fā)，數(shù)據(jù)多種多樣，很難像橫向任務(wù)那樣通過構(gòu)建通用化模型來響應(yīng)需求；項目的開發(fā)需要專門的人工標注，模型需要反復(fù)地訓(xùn)練與調(diào)優(yōu)，這些無一不需要大量時間與精力，最終導(dǎo)致項目大多數(shù)時間成本均花費在這些環(huán)節(jié)之上，造成AI應(yīng)用項目研發(fā)緩慢。

更為重要的是，實際中前臺面對業(yè)務(wù)的瞬息萬變，對智能化應(yīng)用的最大要求不一定是性能的最優(yōu)化提升，而是快速研發(fā)、迅速上線、立即產(chǎn)生效果，在不少情況下甚至可以對性能進行一定的容忍，顯然大多數(shù)縱向任務(wù)的開發(fā)速度是無法滿足這一需求的，這就產(chǎn)生了前臺業(yè)務(wù)快速推進與后臺研發(fā)緩慢的激烈矛盾。AI服務(wù)如果要中臺化，那么我們的AI中臺必須能夠解決縱向任務(wù)研發(fā)緩慢這一最大痛點。

縱向任務(wù)的這一痛點關(guān)鍵在于其研發(fā)過程的復(fù)雜性：

• 在目前大多數(shù)縱向任務(wù)項目中，由于需求的不同，算法團隊每次都會依次經(jīng)歷數(shù)據(jù)獲取、處理、分析、建模、標注，模型訓(xùn)練、調(diào)優(yōu)、驗證、部署、監(jiān)控、更新等一系列環(huán)節(jié)；

• 而每個環(huán)節(jié)內(nèi)還有自己的復(fù)雜性，如數(shù)據(jù)接入管理、特征工程的開展、標注過程的人工介入、訓(xùn)練調(diào)優(yōu)的反復(fù)迭代等；

• 此外，整個環(huán)節(jié)還有眾多角色的介入，如數(shù)據(jù)分析師、算法工程師、標注工程師、業(yè)務(wù)分析師等，對角色的管理同樣復(fù)雜。

所以針對這類復(fù)雜任務(wù)問題的研究重點就在于其全生命周期的科學(xué)化管理，以及研發(fā)流程和每個環(huán)節(jié)的優(yōu)化。通過對研發(fā)過程中各環(huán)節(jié)的拆分，我們能夠在一定程度上優(yōu)化任務(wù)編排順序，清楚定位各環(huán)節(jié)參與角色，通過任務(wù)并行與角色協(xié)作縮短時間開銷；而對于每個環(huán)節(jié)或局部環(huán)節(jié)的深入探討，可以抽象出自動化操作和可復(fù)用的流程，進一步提高業(yè)務(wù)響應(yīng)速度。

此外，不管橫向任務(wù)還是縱向任務(wù)，兩者對AI中臺都有一些共同的基本需求。

首先，智能模型對數(shù)據(jù)的統(tǒng)一訪問需求。智能模型在訓(xùn)練階段需要一定量的訓(xùn)練數(shù)據(jù)，上線之后需要對接生產(chǎn)數(shù)據(jù)，以后的監(jiān)控、更新還需要更多數(shù)據(jù)，但在實際中每個項目的數(shù)據(jù)來源一般都各不相同，這就導(dǎo)致研發(fā)人員每次都要根據(jù)項目情況人工去申請、獲取、清洗、預(yù)處理數(shù)據(jù)，十分影響效率。如果能夠?qū)咏y(tǒng)一的數(shù)據(jù)服務(wù)平臺甚至數(shù)據(jù)中臺，那么這一過程將節(jié)省下大量時間與精力。

其次，智能模型需要穩(wěn)定的模型部署、運行平臺，還有相應(yīng)的模型監(jiān)控系統(tǒng)來時刻追蹤模型的性能表現(xiàn)。當然，便捷的模型更新機制也應(yīng)具備，便于我們根據(jù)需要不斷更新、升級模型。

再次，智能模型在開發(fā)過程中，需要一系列的運算、存儲等資源。在大多數(shù)企業(yè)實體中，很多項目都是項目組自己提供運算資源訓(xùn)練模型，上線時再申請生產(chǎn)資源對環(huán)境進行配置、對項目進行部署。這種各自為政的資源管理模式不可避免地會造成資源使用的不協(xié)調(diào)與浪費，需要一套可靠的資源管理系統(tǒng)對計算資源進行集中管控，并提供彈性化的計算資源調(diào)度能力。

綜上，我們可以基于前文對兩類AI任務(wù)的分析，對AI中臺究竟要做什么，應(yīng)具備什么能力進行一下總結(jié)。

2.2 AI中臺的目標與能力

AI中臺致力于解決目前企業(yè)智能應(yīng)用研發(fā)過程中存在的響應(yīng)緩慢、效率低下問題，包括但不限于：

• “煙囪式”開發(fā)，項目成本高、不易集成，過程重復(fù)，缺乏能力沉淀；

• 研發(fā)環(huán)節(jié)繁多，缺少優(yōu)化、協(xié)同、自動化輔助，業(yè)務(wù)響應(yīng)緩慢；

• 模型研發(fā)缺乏標準指導(dǎo)，服務(wù)接口混亂，難以維護管理；

• 缺少統(tǒng)一的數(shù)據(jù)訪問渠道，數(shù)據(jù)獲取難、標準不一致，重復(fù)的數(shù)據(jù)預(yù)處理與特征工程；

• 缺少統(tǒng)一的模型運行、監(jiān)控平臺，以及更新、維護機制；

• 基礎(chǔ)資源分散管理，未得到充分利用，造成浪費。

以上問題普遍存在，可以說現(xiàn)在的許多算法研發(fā)團隊更像是算法外包團隊，根據(jù)不同業(yè)務(wù)部門的需求各自構(gòu)建陣地，逐步攻克目標，過程重復(fù)、效率有限。而AI中臺則努力提供一個強大的AI能力支持中心，根據(jù)業(yè)務(wù)需要快速提供火力支援，迅速達成目的。所以，AI中臺應(yīng)具備的能力包括：

• 多層次可復(fù)用。對于算法、模型的標準化研發(fā)指導(dǎo)，以及可復(fù)用服務(wù)封裝能力；

• 服務(wù)統(tǒng)一化。統(tǒng)一的服務(wù)接口規(guī)范，支持服務(wù)的動態(tài)編排組合；

• 流程角色優(yōu)化。研發(fā)流程拆分優(yōu)化，清晰的研發(fā)角色定義，支持任務(wù)并行與角色協(xié)作，構(gòu)建AI產(chǎn)品研發(fā)流水線；

• 自動化迭代。具備研發(fā)環(huán)節(jié)內(nèi)部、環(huán)節(jié)之間的自動化迭代、流轉(zhuǎn)功能；

• 對接數(shù)據(jù)平臺。數(shù)據(jù)中臺或其他基礎(chǔ)數(shù)據(jù)服務(wù)對接，迅速接入標準化數(shù)據(jù)，乃至預(yù)處理數(shù)據(jù)；

• 運行監(jiān)控。提供統(tǒng)一的模型運行環(huán)境和監(jiān)控能力，以及模型更新機制；

• 資源管控。統(tǒng)一資源管理，包括計算資源、存儲資源等，支持資源彈性調(diào)度。

結(jié)合上述能力，我們針對AI中臺給出一個探討性的定義：

AI中臺是一套完整的智能模型全生命周期管理平臺和服務(wù)配置體系，基于數(shù)據(jù)平臺服務(wù)，通過對智能服務(wù)的共享復(fù)用、對智能服務(wù)研發(fā)相關(guān)角色進行管理，以及研發(fā)流程的標準化、自動化，對前臺業(yè)務(wù)提供個性化智能服務(wù)的迅速構(gòu)建能力支持。

前文我們介紹了AI中臺產(chǎn)生的背景、能力以及定義，本節(jié)將重點介紹AI中臺的實施路線。

3.1 AI中臺的主要成分

上圖展示的是AI產(chǎn)品研發(fā)的生命周期，業(yè)務(wù)需求進來，要經(jīng)過業(yè)務(wù)理解、模型學(xué)習、數(shù)據(jù)處理和運行監(jiān)控四個大的步驟。

這四個步驟加上中臺管理構(gòu)成了AI中臺主要成分：

• 業(yè)務(wù)理解，根據(jù)業(yè)務(wù)需求設(shè)計實施方案，服務(wù)編排，通用方案模板管理；

• 數(shù)據(jù)處理，包括數(shù)據(jù)獲取和數(shù)據(jù)準備與分析；

• 模型學(xué)習包括特征工程、模型訓(xùn)練和模型評估，以及可復(fù)用模型庫、算法庫管理；

• 運行監(jiān)控包括模型自動部署運行、性能監(jiān)控和對外服務(wù)接口管理。

• 此外，為了便于對AI中臺進行角色、權(quán)限統(tǒng)一控制和資源管控，我們還設(shè)置了中臺管理模塊。

3.2 從平臺到中臺的構(gòu)建

構(gòu)建數(shù)據(jù)中臺時我們一般會采用從平臺到中臺演進的策略，AI中臺的構(gòu)建也是如此。

從平臺到中臺的躍遷過程中需要參考常見的機器學(xué)習平臺，包括訓(xùn)練平臺，部署/運行平臺、監(jiān)控平臺、標注平臺、建模平臺、數(shù)據(jù)處理平臺等。

我們可以根據(jù)現(xiàn)有平臺完成AI中臺的構(gòu)建。建模平臺具備業(yè)務(wù)建模、服務(wù)/模型建模的功能，可用于業(yè)務(wù)理解和模型學(xué)習的環(huán)節(jié)；訓(xùn)練平臺具備模型自動化訓(xùn)練優(yōu)化評估功能，可用于模型學(xué)習環(huán)節(jié)；數(shù)據(jù)處理環(huán)節(jié)需要進行數(shù)據(jù)分析、樣本分析，可以用到數(shù)據(jù)處理平臺和標注平臺；而部署/運行平臺和監(jiān)控平臺可為運行監(jiān)控環(huán)節(jié)提供支持。由此可見，我們能夠根據(jù)現(xiàn)有平臺完成AI中臺的構(gòu)建。

上圖是AI中臺的能力圖譜。

• 不論企業(yè)還是AI訓(xùn)練團隊，最早都是從基礎(chǔ)設(shè)施出發(fā)，包括數(shù)據(jù)接入、高性能計算資源、運行環(huán)境資源等；

• 然后在保障穩(wěn)定的基礎(chǔ)之上獲得訓(xùn)練工具，包括模型訓(xùn)練追蹤能力、算法框架支持能力等，實現(xiàn)過程的自動化；

• 有了訓(xùn)練工具的支撐，我們可以把常用的業(yè)務(wù)和環(huán)節(jié)進行聚攏和集中配置，形成AI平臺，包括模型/服務(wù)結(jié)構(gòu)可配置化、模型算法可復(fù)用化等，形成標準化的AI研發(fā)過程；

• AI中臺實際上是對現(xiàn)有能力進行整合串聯(lián)，實現(xiàn)生命周期的管理，包括服務(wù)編排共享能力、方案可復(fù)用能力、全流程管理能力等，在標準之上實現(xiàn)提效，達到高效的目的。

上圖將AI中臺能力分別與成分、平臺進行映射，并且以顏色進行區(qū)分與對應(yīng)。

值得注意的是，這里我們只列出了部分中臺能力，根據(jù)中臺對業(yè)務(wù)的支持需要還可能會包含其他能力，需要我們?nèi)ソㄔO(shè)；此外，平臺對中臺的支持也是有限的，缺乏的功能或不全面的功能都要我們?nèi)ヘS富。

3.3 AI中臺的流程及架構(gòu)

上圖從前臺業(yè)務(wù)需求出發(fā)，根據(jù)AI中臺的五個成分列出AI中臺建設(shè)所需的主要功能組件。

• 業(yè)務(wù)理解部分包括方案模板管理、方案設(shè)計、服務(wù)編排、服務(wù)共享等；

• 數(shù)據(jù)處理部分包括數(shù)據(jù)展示、數(shù)據(jù)訪問、數(shù)據(jù)分析、數(shù)據(jù)標注等；

• 模型學(xué)習部分包括服務(wù)設(shè)計、特征處理、模型訓(xùn)練、模型追蹤、模型庫、算法庫等；

• 運行監(jiān)控部分包括具體的產(chǎn)品封裝、自動部署、性能監(jiān)控、訪問接口管理、模型更新和發(fā)布測試等；

• 中臺管理部分包括角色權(quán)限、資源管理、租戶管理和流程控制等。

將前文所述的功能構(gòu)件映射到AI項目生命周期中得出上圖所示的總體運轉(zhuǎn)流程。

• 從業(yè)務(wù)需求開始，對業(yè)務(wù)進行理解，包括方案模板參考、方案設(shè)計、服務(wù)編排、服務(wù)共享等，如果需要復(fù)用其他服務(wù)，可以在這里進行訪問配置；

• 數(shù)據(jù)處理部分的工作通過數(shù)據(jù)中臺來完成，數(shù)據(jù)中臺向上提供數(shù)據(jù)參考、向下提供模型訓(xùn)練及監(jiān)控的支持；

• 模型訓(xùn)練部分形成比較復(fù)雜的循環(huán)，因為其本身就是一個自動化迭代的過程；

• 封裝部分涉及到監(jiān)控和對外提供訪問接口等功能；

• 中臺管理在底部提供構(gòu)建支持。

下文將對各部分運轉(zhuǎn)流程進行詳細拆解。

業(yè)務(wù)理解中心

業(yè)務(wù)理解中心的運轉(zhuǎn)流程如上圖所示：

• 業(yè)務(wù)需求進來之后，先從數(shù)據(jù)處理中心獲取數(shù)據(jù)分析和參考，采集數(shù)據(jù)樣本提供可視化支持；

• 然后進行方案選擇：是否具備可復(fù)用的方案模板？“是”即直接復(fù)用方案，只需改變數(shù)據(jù)；“否”即進行方案設(shè)計。

• 接下來是分解方案到各個服務(wù)中，并對服務(wù)進行合理有效的編排。此處還需考慮哪些服務(wù)可供復(fù)用；

• 最后輸出三個方面的內(nèi)容：向數(shù)據(jù)處理中心輸出數(shù)據(jù)獲取要求；向運行監(jiān)控中心輸出產(chǎn)品封裝指導(dǎo)；向模型學(xué)習中心輸出模型訓(xùn)練任務(wù)。

業(yè)務(wù)理解中心運轉(zhuǎn)流程主要涉及三個角色：

• 業(yè)務(wù)分析師，分析相關(guān)方案設(shè)計、服務(wù)編排；

• 數(shù)據(jù)分析師，提供數(shù)據(jù)建議、方案設(shè)計建議；

• 算法工程師，考慮服務(wù)編排、服務(wù)之間的數(shù)據(jù)接口等。

數(shù)據(jù)處理中心

數(shù)據(jù)處理中心的運轉(zhuǎn)流程如上圖所示：

• 從業(yè)務(wù)處理中心獲取數(shù)據(jù)要求規(guī)范，通過數(shù)據(jù)訪問對接數(shù)據(jù)中臺；

• 基于數(shù)據(jù)中臺向上提供數(shù)據(jù)分析功能、數(shù)據(jù)展示及功能可視化；

• 通過數(shù)據(jù)展示獲得參考，對數(shù)據(jù)進行標注；

• 操作數(shù)據(jù)訪問，返回到數(shù)據(jù)中臺，對數(shù)據(jù)進行重新加工。

• 最后對對外輸出三個方面的內(nèi)容：向業(yè)務(wù)理解中心輸出數(shù)據(jù)分析參考；向模型學(xué)習中心輸出模型訓(xùn)練數(shù)據(jù)；向運行監(jiān)控中心輸出生產(chǎn)數(shù)據(jù)。

數(shù)據(jù)處理中心運轉(zhuǎn)流程主要涉及四個角色：

• 數(shù)據(jù)分析師，要求對其中主要環(huán)節(jié)都有涉獵；

• 業(yè)務(wù)分析師和算法工程師主要關(guān)注數(shù)據(jù)展示；

• 標注工程師，主要參與數(shù)據(jù)標注環(huán)節(jié)。

模型學(xué)習中心

模型學(xué)習中心是算法工程師的主要陣地，該部分的運轉(zhuǎn)流程如上圖所示：

• 接收來自業(yè)務(wù)理解中心的模型服務(wù)任務(wù)、數(shù)據(jù)處理中心的訓(xùn)練數(shù)據(jù)、運行監(jiān)控中心的性能矯正信息，進行服務(wù)設(shè)計。服務(wù)設(shè)計時要考慮需要多少個模型？模型之間如何串聯(lián)？算法庫和模型庫中是否有可供復(fù)用的算法與模型？

• 服務(wù)流程設(shè)計完成后進行特征處理；

• 將特征輸入模型進行編碼和訓(xùn)練；

• 將模型訓(xùn)練結(jié)果輸入模型追蹤的功能組件進行模型評估；

• 經(jīng)過迭代獲得最優(yōu)訓(xùn)練模型輸出到運行監(jiān)控中心，同時輸出數(shù)據(jù)操作到數(shù)據(jù)處理中心。

運行監(jiān)控中心

運行監(jiān)控中心是與業(yè)務(wù)用戶直接相關(guān)的一環(huán)，由運維人員進行模型更新和性能監(jiān)控。該部分的運轉(zhuǎn)流程如上圖所示：

• 接收數(shù)據(jù)處理中心提供的生產(chǎn)數(shù)據(jù)，通過訪問接口處理輸出，寫回到數(shù)據(jù)處理中心；

• 接收模型學(xué)習中心的已訓(xùn)練模型服務(wù)、業(yè)務(wù)理解中心的產(chǎn)品封裝指導(dǎo)，對產(chǎn)品服務(wù)進行串聯(lián)封裝、部署、發(fā)布、測試；（如果要封裝的產(chǎn)品是對已有產(chǎn)品的更新，則先通過模型更新機制對現(xiàn)有模型進行合理啟停更新操作之后再部署發(fā)布測試。）

• 向上將交互數(shù)據(jù)提供給訪問接口，并對訪問接口進行配置；向下提供性能指標給性能監(jiān)控，如果發(fā)現(xiàn)問題及時報警，并反饋到模型學(xué)習中心進行重新訓(xùn)練。

AI中臺層級架構(gòu)

AI中臺的層級架構(gòu)如上圖，AI中臺處于數(shù)據(jù)模型服務(wù)與業(yè)務(wù)解決方案之間，向上連接業(yè)務(wù)向下溝通數(shù)據(jù)，每一個層級都有其可復(fù)用的機制。

中間部分從上而下分成業(yè)務(wù)理解、模型學(xué)習、數(shù)據(jù)處理三大板塊；右側(cè)的運行監(jiān)控對產(chǎn)品和模型進行統(tǒng)一封裝、對外統(tǒng)一的訪問接口等；左側(cè)是貫穿于整個流程始終的平臺管理，包括角色權(quán)限、租戶管理、流程控制、資源管理等。

上文對中臺實施路線進行了較為詳細的介紹，本節(jié)將結(jié)合宜信內(nèi)部智能投顧機器人的實踐案例分析AI中臺如何解決實際業(yè)務(wù)中的智能化需求。（由于智能投顧機器人是一個比較大的解決方案，此處做了適當抽象和縮減。）

4.1 智能投顧機器人

智能投顧是通過人工智能算法，在線提供自動化的資產(chǎn)組合配置建議和財富的管理服務(wù)。例如宜信旗下的智能理財產(chǎn)品：投米RA，就是通過智能化的方式幫助用戶做科學(xué)的資產(chǎn)配置，從而實現(xiàn)財富管理方式的升級。

智能投顧機器人涉及的AI服務(wù)及數(shù)據(jù)：

• 智能交互，比如聊天機器人；

• 客戶畫像，對于已有客戶積累的公司來說這部分數(shù)據(jù)已經(jīng)具備；

• 篩選產(chǎn)品池，從現(xiàn)有理財產(chǎn)品池中篩選表現(xiàn)最優(yōu)的產(chǎn)品，目前我們的理財產(chǎn)品池可以實現(xiàn)定時批量處理，自動化篩選出每個時期表現(xiàn)較好的精選產(chǎn)品；

• 風險分析，作為一個金融領(lǐng)域的智能應(yīng)用，風險分析尤為重要，用戶能承受什么樣的風險、基于該風險值能取得怎么樣的回報等都要有合理的分析；

• 資產(chǎn)配比，宜信目前有很多類型的資產(chǎn)，如基金、股票、房產(chǎn)等，還會進行全球化的資產(chǎn)配比，這就需要科學(xué)、理性、量化的分析，納入風險因子進行綜合考量，實現(xiàn)資產(chǎn)配比；

• 投資產(chǎn)品推薦，參考用戶畫像里的個人信息、風險分析、資產(chǎn)配比等，為用戶推薦最優(yōu)化收益產(chǎn)品。

了解了智能投顧機器人的特征之后，我們結(jié)合AI中臺的運轉(zhuǎn)流程具體來看該案例的實施。

4.2 案例實施

業(yè)務(wù)理解

在業(yè)務(wù)理解環(huán)節(jié)，首先需要考慮業(yè)務(wù)方案是什么樣的？是否可復(fù)用？假設(shè)有可復(fù)用的方案，直接接入數(shù)據(jù)即可；如果沒有可復(fù)用的方案，則需要設(shè)計新的方案。

如上圖右側(cè)的設(shè)計導(dǎo)圖所示，需要考慮數(shù)據(jù)接口配置和數(shù)據(jù)源/角色配置。比如方案的數(shù)據(jù)接口有哪些？涉及到哪些服務(wù)？如何返回？每個結(jié)構(gòu)里相關(guān)的角色有哪些？等等。

最重要的是考慮哪些服務(wù)是可復(fù)用的？假設(shè)公司內(nèi)部已經(jīng)有了一個聊天機器人，那么這里完全可以用它來接待客戶，承擔智能聊天的功能；此外財富產(chǎn)品畫像服務(wù)也已經(jīng)有了，直接把篩選產(chǎn)品詞這部分產(chǎn)生的數(shù)據(jù)源接入進來即可；而資產(chǎn)配比服務(wù)，我們可能有相關(guān)的線下模型，并且已經(jīng)將它進行服務(wù)化封裝。以上這些服務(wù)都可復(fù)用，風險分析服務(wù)及后續(xù)投資產(chǎn)品推薦服務(wù)需要新建。

可復(fù)用的服務(wù)、需新建的服務(wù)明確之后，各個團隊可以并行開發(fā)，角色配置也是如此，如此很快便可進入下一階段，提高了開發(fā)的效率。

模型學(xué)習

延續(xù)上一階段的實踐，對風險分析服務(wù)進行實際模型設(shè)計與訓(xùn)練。

從方案設(shè)計獲取模型服務(wù)job，設(shè)計服務(wù)流程，它的輸入是一個篩選后的用戶畫像，如上圖右側(cè)的結(jié)構(gòu)所示，設(shè)計了兩個比較簡單的模型：一個是風險承受能力測評模型，這個模型之上還復(fù)用了一個已有的特征篩選模型，配合將用戶畫像里適合模型的有用特征提取出來并輸入到模型中；另一個是流動性需求模型，評估資產(chǎn)需求，這里加了一個Python的代碼片段對用戶畫像的數(shù)據(jù)進行加工再輸入模型中。底下還新建了一個模型，對數(shù)據(jù)進行合并和輸出。

該模型可進行自動訓(xùn)練、可視化追蹤。模型編排確定后，任務(wù)自動發(fā)送給工程師，可以在終端上通過交互式編程界面進行開發(fā)，之后對代碼進行上傳，在托管服務(wù)器可以將代碼直接發(fā)布到訓(xùn)練集群上，自動進行訓(xùn)練，之后將訓(xùn)練結(jié)果推送到追蹤服務(wù)器上，獲取相關(guān)數(shù)據(jù)進行模型調(diào)優(yōu)反復(fù)迭代，同時追蹤服務(wù)器會記錄每一次指標及模型，可選擇最優(yōu)的模型發(fā)布給監(jiān)控中心。

運行監(jiān)控

運行監(jiān)控主要對服務(wù)和方案進行封裝、測試、發(fā)布，包括接口配置。可以單個服務(wù)測試，也可以整個方案一起進行測試。

服務(wù)上線之后，通過提供可視化支持以及相關(guān)統(tǒng)計報表對整個性能進行合理監(jiān)控，如上圖所示，一旦發(fā)現(xiàn)報警，可回到模型學(xué)習中心，進行重新訓(xùn)練。

數(shù)據(jù)處理

前面幾個部分都跟數(shù)據(jù)處理相關(guān)，數(shù)據(jù)處理的部分直接交給數(shù)據(jù)中臺來完成，AI中臺只提供數(shù)據(jù)中臺的訪問接口，主要操作包括：通過數(shù)據(jù)中臺的可視化工具觀察數(shù)據(jù)，利用數(shù)據(jù)中臺數(shù)據(jù)模型預(yù)處理數(shù)據(jù)，標注平臺開展各模型數(shù)據(jù)標注。其最終目標是支持模型訓(xùn)練過程中訪問數(shù)據(jù)中臺綁定訓(xùn)練數(shù)據(jù)，比如文件、數(shù)據(jù)庫以及其他數(shù)據(jù)存儲系統(tǒng)。

上圖右側(cè)展示的是宜信已經(jīng)開源的工具，包括DBus、Wormhole、Moonbox、Davinci，可以幫助大家更好地構(gòu)建數(shù)據(jù)中臺。

以上部分介紹了AI中臺產(chǎn)生的背景、目標、定義、實施路線。

• AI中臺的構(gòu)建可以復(fù)用現(xiàn)有的技術(shù)、能力和平臺，是一種敏捷的智能業(yè)務(wù)支持方案；

• AI中臺是數(shù)據(jù)/業(yè)務(wù)智能化發(fā)展的產(chǎn)物，以自動化模型代替人工流轉(zhuǎn)，降低資源和人員成本；

• AI平臺的能力建設(shè)基于數(shù)據(jù)平臺/中臺，面向前臺業(yè)務(wù)需求，提升響應(yīng)業(yè)務(wù)需求的能力。

• 通過AI中臺沉淀技術(shù)、共享服務(wù)、優(yōu)化流程、整合資源、降低成本、提升效率是我們構(gòu)建AI中臺的最終目標，要想實現(xiàn)這一目標，還需要一個比較漫長的探索和實踐過程。

從平臺到中臺，面向業(yè)務(wù)一步步實現(xiàn)躍遷，這是一個循序漸進的過程，不可一蹴而就。企業(yè)實施落地中臺化戰(zhàn)略，最重要的是從自己的業(yè)務(wù)實際、具體的研發(fā)條件出發(fā)，以共享服務(wù)、整合資源、降低成本、提升效率為目標，建立符合業(yè)務(wù)需求的中臺體系和方法論。

Q1: AI中臺要從哪些維度來評估需求的重要程度？業(yè)務(wù)需求多種多樣，如何設(shè)計可復(fù)用的AI模型？

A: 評估需求的部分不應(yīng)交由AI中臺來完成，在業(yè)務(wù)前臺將需求提交過來時應(yīng)該與業(yè)務(wù)分析專家、需求分析專家進行合理的討論確定項目的優(yōu)先級，評定的維度主要從業(yè)務(wù)的重要性、影響客戶的范圍、時間緊迫性等維度出發(fā)綜合評估，一般在專門的需求分析系統(tǒng)中完成。

AI模型的可復(fù)用設(shè)計問題實在太泛化了，主要從業(yè)務(wù)中自行體會，對于有經(jīng)驗的架構(gòu)師可以比較容易地識別出不同粒度下的復(fù)用方案設(shè)計。這里簡單從不同層次討論一下。算法級不必多說，而模型級別主要考慮單個模型的功能粒度，一般來說我們不建議一個模型過于復(fù)雜，過于復(fù)雜的功能我們通常會采用多個模型分別實現(xiàn)各功能，再在服務(wù)設(shè)計中通過模型編排來實現(xiàn)；模型的通用性需要定義好模型的數(shù)據(jù)接口，以及模型結(jié)構(gòu)，考慮模型重訓(xùn)練和增量訓(xùn)練的機制，便于復(fù)用時進行模型適應(yīng)；此外模型的功能通用性同樣需要關(guān)注。服務(wù)級別的復(fù)用相對比較容易識別，是比較固定和獨立的場景服務(wù)，例如聊天機器人、客戶風控等等，一般需要復(fù)用的服務(wù)基本不需要過多的重訓(xùn)練和調(diào)整，相對固定，直接調(diào)用或簡單配置后調(diào)用即可，服務(wù)的復(fù)用設(shè)計類似于SOA過程中web服務(wù)的設(shè)計，增加考慮服務(wù)的可配置性。方案級別的復(fù)用比較少，因為解決方案已經(jīng)是一套相對固定的產(chǎn)品了，我們主張的復(fù)用也更類似于一種模板和指導(dǎo)架構(gòu)，中間的服務(wù)模型填充由用戶自己實現(xiàn)，所以方案級別的復(fù)用設(shè)計可以直接從重要的產(chǎn)品抽象。

Q2: 這些平臺都已經(jīng)落地了嗎？對業(yè)務(wù)提升的效果是怎樣的呢？

A: 已經(jīng)部分落地，不斷完善中，研發(fā)速度快了，工程師省事了，效率高了，對業(yè)務(wù)輸出的智能化產(chǎn)品也多了:)

Q3: 請問你們這邊AI中臺是否對外輸出，是否支持本地化部署？

A: AI中臺在發(fā)育成熟后會考慮將部分能力以工具的形式對外發(fā)布，本地化部署當然在我們的考慮之內(nèi)。

Q4: 前臺和中臺是否會出現(xiàn)分工不明確的問題，怎么才能更好的解決？

A: 映射到我們的研發(fā)流程里，前臺和中臺的劃分還是很明確的，前臺在確定研發(fā)計劃時，將只負責前臺業(yè)務(wù)邏輯的設(shè)計和交互管理，對于其余的數(shù)據(jù)功能、AI功能會直接推送到技術(shù)中臺、數(shù)據(jù)中臺、AI中臺等中臺模塊獲取支持；而前臺和中臺的劃分在組織架構(gòu)層面得到了更加清晰的劃分，業(yè)務(wù)團隊的不同反映了工作性質(zhì)的不同，兩者唯一可能出現(xiàn)交叉的人員角色就是業(yè)務(wù)分析專家了，可能來自于前臺團隊，但其權(quán)限也是有限的，角色分工完全通過中臺管理進行配置，各個環(huán)節(jié)所能映射的角色是不同的，所以不會出現(xiàn)前臺業(yè)務(wù)人員介入算法工作的情況，也可以管理技術(shù)人員參與業(yè)務(wù)分析的程度?？偠灾芭_和中臺的劃分是企業(yè)中臺化戰(zhàn)略的一個重要環(huán)節(jié)，不光要從業(yè)務(wù)流程上梳理，還要對組織架構(gòu)、人員職責進行統(tǒng)一的調(diào)整。

【本文是51CTO專欄機構(gòu)宜信技術(shù)學(xué)院的原創(chuàng)文章，微信公眾號“宜信技術(shù)學(xué)院( id: CE_TECH)”】

戳這里，看該作者更多好文