如何破解行业智能化转型痛点

9月13日，工业和信息化部总工程师、新闻发言人田玉龙在国务院新闻办举行的“推进制造强国网络强国建设，助力全面建成小康社会”发布会上表示，加强新兴产业的产业链布局，比如人工智能、量子通信等前沿领域。这方面也出台了一些政策，引导地方、扶持地方，结合各自的特色和区域战略，使他们形成各具特色的产业链，推动新兴产业集群化发展。

“人工智能已经极大地改变了人类的生活和生产方式。”在2021联想创新科技大会上，联想集团高级副总裁、首席技术官芮勇分析说，联想在不断赋能行业的实践中发现，各行各业在智能化转型过程中都面临着一系列共性的痛点，可归纳为三大类，一是模型构建难，二是数据样本少，三是场景适配慢。

对于模型构建难，芮勇观察到，在企业中，很多业务专家熟悉具体场景，但他们可能不是人工智能专家，不知道怎样用人工智能搭建合适的模型。传统的做法是请人工智能专家手动搭建模型，这不仅耗时耗力，而且很难充分利用计算资源达到精度和时延的联合最优。另外一个做法是利用机器学习技术，搜索神经网络架构，这种方法能够节省人工成本，但是会耗费大量的GPU算力。

“当模型被部署到边侧或端侧以后，面对新出现的问题和任务，很难收集到有效的样本数据。”芮勇说。

在芮勇看来，当新的场景需求出现，比如新建一条智慧产线或一座智慧厂房，如何利用已有的能力迅速规模化复制一套完整的解决方案？这需要考虑到一系列因素，比如新任务场景需要调用哪些人工智能能力组件？它们以一种什么形式组合、连接起来才能发挥作用？它们分别应该跑在哪些设备上，才能满足算力、存储、网络、功耗等资源需求？综合考虑这些因素是很困难的，往往需要积累多年从业经验和通过反复试验才能找到较优的方案。这就产生了第三个痛点，如何快速高效地适配新场景。

针对模型构建难这一痛点，芮勇介绍说，联想提出了“多层级细粒度神经网络架构搜索”技术，它能为业务人员省时高效地构建出高精度模型。首先，为减少搜索空间，联想提出了模块间—层间—层内的渐进式搜索方法，相比传统的神经网络架构搜索方法，能更快得到一个精度最优、时延最小的网络架构；在此基础上，利用网络权重预热技术，通过近邻采样，对网络架构的权重赋予先验初值，使得模型训练能快速收敛。以图像分类问题为例，有了这一技术的加持，构建同样精度的模型，所需GPU算力仅为业界常用方法的1/10。

为解决样本数据少这一行业转型痛点，联想将“数据增强”和“元学习”结合，打造了“小样本终身学习技术”。芮勇举了个通俗易懂的例子——学开车。“比如，你会开小轿车，现在需要学习开大卡车。两者虽然存在不少差异，但会开小轿车的话，学开大卡车总比从零开始学更容易，因为有些基础可以借鉴。这就是元学习的原理。通过借鉴不同任务的相似之处，来实现任务层面的学习能力泛化，提升模型不断适应新任务的能力。”芮勇说。

对于场景适配慢的行业智能化转型痛点，芮勇介绍说，有了联想基于多目标优化的解决方案自动生成技术，用户只需输入新场景任务和限制条件，算法就能自动确定需要哪些模型，跑在哪些设备上能达到用户所期望的性能，模型之间如何进行协作等，从而构建出最优的完整方案。有了这一技术，原来需要几周才能搭建出一套新场景的智能化方案，现在几个小时就可以完成。

上述这些助力行业智能化转型并解决痛点的方案，主要由面向行业智能化的人工智能平台——联想大脑提供支持。“联想大脑的这些技术，正在赋能许多行业的智能化转型。”芮勇说。