理工酷

内容 AI场景数量的爆发催生AI中台，为AI应用开发提供快速构建能力支持。Al 中台以平台化开发模式替代“烟囱式”开发架构，结合自动化、低门槛的建模方式提升投入产出比。企业应从顶层规划开始，设定用例规划,完善数据基础设施，并明确厂商选型评价指标，选择符合自身需求的供应商，按需求落地AI中台各模块。 在推进数字化和智能化转型的过程中，企业逐步构建数据中台等数据资产管理与服务基础设施，以及机器学习平台等AI模型开发基础设施，AI 中台逐渐形成。基于调研，爱分析认为，AI中台是为企业智能应用提供AI能力支撑的统-共享服务平台,主要包括开发平台层、资产层(算法库&样本库)、业务逻辑层和平台管理层。 在实际落地过程中, Al中台多采取分布式微服务架构，各模块间耦合度较低,企业会结合自身业务需求，调整AI中台架构。 Al中台是数据中台的进一步延伸。数据中台为智能化应用开发提供了数据存储和数据计算的能力，但未涉及Al工程能力建设问题。此外,数据中台的数据治理依赖于人工操作，且难以满足不同场景的个性化需求。因此，随着智能化应用数量的增长，企业在提升自身AI工程能力的过程中,把单场景开发下的数据接入、存储、分析、训练和发布的模型开发流水线自动化,逐步形成了Al中台架构。 在AI中台实际落地的过程中，企业往往会根据业务需要，优先侧重某一AI 技术能力的建设。机器学习平台、NLP 平台等皆为构建AI中台的重要模块。由于数据分析相关应用于前台业务场景耦合度更高，企业一般会从机器学习平台出发，构建AI中台架构，并逐步加入NLP、计算机视觉等其他Al功能模块。

目录 1 企业智能化需求与挑战 2 AI中台助力企业智能化落地 3 AI中台应用场景与实践案例 4 AI中台未来趋势展望 结语

发布单位：爱分析 发布时间：2020年11月