場景需求不斷涌現(xiàn)、創(chuàng)新應用層出不窮，AI正迎來蓬勃發(fā)展期。然而，當傳統(tǒng)行業(yè)紛紛應用AI推進數(shù)字化轉(zhuǎn)型、智能化升級時，AI行業(yè)自身卻還處于手工作坊式的階段。以上游AI企業(yè)專項定制進行算法開發(fā)的傳統(tǒng)模式，已難以滿足規(guī)�；�的應用需求。越來越多的企業(yè)都希望具備自主的AI模型開發(fā)能力以靈活應對場景需求，同時又訴求在投入成本和產(chǎn)出效益方面實現(xiàn)平衡。

在技術(shù)發(fā)展與行業(yè)需求的雙向促進下，AI領(lǐng)域的新星企業(yè)共達地從競爭激烈的行業(yè)中脫穎而出，憑借自主創(chuàng)新的AutoML平臺和技術(shù)，用更低門檻、更低成本即可訓練出高精度的AI模型。以此為核心構(gòu)建的GoodAIdea零代碼自動化AI算法訓練平臺，更可為企業(yè)提供零代碼AI算法訓練以及一鍵到端的部署能力。企業(yè)無需組建專業(yè)AI團隊，僅需上傳算法相關(guān)的數(shù)據(jù)集，即可以0代碼的方式，在數(shù)小時內(nèi)獲取高精度的AI模型，并直接下發(fā)到應用終端上。這種一站式的AI模型定制開發(fā)模式，將定制開發(fā)各類機器視覺長尾算法的效率提升近百倍。

從單點落地到規(guī)模化應用階段，AI行業(yè)急需破解門檻高、成本高、效率低困境

近年來，機器學習在計算機視覺領(lǐng)域?qū)崿F(xiàn)的突破，讓AI技術(shù)成為了各行各業(yè)全新的生產(chǎn)力工具，并全面掀起了AI商業(yè)化的第一波浪潮。短短兩三年間，以人臉識別、人群分析、車輛識別、車牌識別等為主的視覺AI技術(shù)，為一些單點應用場景帶來了巨大創(chuàng)新，提升了諸如人員通行、交通管理、城市安全管理的效率和體驗。

然而，隨著AI技術(shù)與傳統(tǒng)行業(yè)的融合逐步深入，AI已被視作賦能實體經(jīng)濟的重要驅(qū)動技術(shù)，其應用場景需求也逐漸從單點走向規(guī)�；�。尤其是“十四五”規(guī)劃以來，傳統(tǒng)行業(yè)的數(shù)字化轉(zhuǎn)型紛紛加速，對AI技術(shù)的應用提出了越來越多的碎片化、長尾化的需求。比如通過AI技術(shù)識別共享單車亂停亂放、高空拋物、煙火、占到經(jīng)營、街道垃圾、渣土車等并實現(xiàn)智能化管理，成為當下推進智慧城市建設(shè)的重要基礎(chǔ)。而在工業(yè)領(lǐng)域，針對成百上千種不同類型零部件的多種缺陷進行自動化檢測，是提高生產(chǎn)質(zhì)量和生產(chǎn)效率的重要關(guān)鍵。

但面對這樣的產(chǎn)業(yè)機遇，AI的規(guī)�；�落地卻面臨諸多挑戰(zhàn)。一方面，場景的碎片化使得大量的需求存在不確定性，給數(shù)據(jù)處理帶來極大難題，無法針對性地進行數(shù)據(jù)采集、標注。同時在算法模型的訓練過程中，開發(fā)人員也很判斷何種場景使用何種算法，導致最終開發(fā)出來的算法性能存在較多不確定性。

另一方面，AI開發(fā)的門檻較高。從數(shù)據(jù)標注、模型訓練、參數(shù)調(diào)節(jié)、模型部署、芯片適配、性能優(yōu)化等AI算法開發(fā)的全鏈條中，不僅環(huán)境眾多，且每一步都非常依賴于AI開發(fā)人員的主觀經(jīng)驗和能力水平。因此，企業(yè)即便投入大量的人力物力，最終的應用效果也可能無法達到預期。

在AI的單點應用階段，由于通用性強、需求量大，企業(yè)尚可采用“堆人頭”的方式進行定制化開發(fā)。但隨著海量碎片化細分場景的出現(xiàn)，這種定制化開發(fā)路線的弊端逐漸凸顯，面對各種不確定性和超高門檻，很難在成本、質(zhì)量和效率上做到完美的平衡。只有完成從手工作坊式向自動化流水線方式的升級，讓每一個企業(yè)隨時都可以根據(jù)自身需求，低門檻、高效率、靈活地自行開發(fā)AI算法，才能夠真正實現(xiàn)AI的規(guī)�；�。

共達地自動化AI開發(fā)訓練平臺，讓算法開發(fā)周期降至小時級

以解決視覺AI規(guī)�；瘧�用需求的新興AI企業(yè)，正在掀起AI的第二波商業(yè)化浪潮，成立于2020年3月的共達地便是其中的引領(lǐng)者。憑借對AI發(fā)展趨勢的準確預判和率先布局，其基于全新的自動化機器學習（AutoML）核心技術(shù)打造的GoodAIdea零代碼自動化AI開發(fā)訓練平臺（下文簡稱共達地AI平臺），以零代碼自動化方式，高效率、低門檻地完成端到端的AI開發(fā)，破解AI規(guī)模化需求帶來的多重挑戰(zhàn)。

作為業(yè)界領(lǐng)先的計算機視覺領(lǐng)域的自動化訓練平臺，共達地AI平臺由數(shù)十名算法科學家共同參與，深刻理解并剖析算法開發(fā)在每個環(huán)節(jié)的業(yè)務(wù)痛點，從數(shù)據(jù)標注、數(shù)據(jù)質(zhì)量分析、算法建模、芯片適配、算法迭代各個環(huán)節(jié)實現(xiàn)技術(shù)優(yōu)化，將原本需要數(shù)十名專業(yè)技術(shù)工程師耗費數(shù)月完成的算法開發(fā)工作，優(yōu)化為算法的零代碼全自動化生產(chǎn)的小時級工作。

有效的數(shù)據(jù)處理是實現(xiàn)高質(zhì)量、高效率AI算法開發(fā)的前提，但也是一直以來最為消耗人力的環(huán)節(jié)。共達地AI平臺可以根據(jù)需要，對海量數(shù)據(jù)進行快速自動標注，結(jié)合人工復檢的方式，讓數(shù)據(jù)標注更高效。同時，平臺還可以針對不同需求對數(shù)據(jù)進行多維度自動分析，提升數(shù)據(jù)分析效率近百倍。

在算法層面， 首先在AI模型開發(fā)的結(jié)構(gòu)搜索設(shè)計環(huán)節(jié)，傳統(tǒng)的開發(fā)模式需由工程師花費至少一周時間對每個模型結(jié)構(gòu)進行芯片適配，以尋求最佳的模型結(jié)構(gòu)，而共達地AI平臺可以自動尋求最佳模型搜索結(jié)構(gòu)，將整個流程時間壓縮到小時級。其次模型的預訓練環(huán)節(jié)則非常依賴工程師的經(jīng)驗，加之數(shù)據(jù)集極其龐大，整個過程通常需要耗費1～2個月時間，共達地AI平臺有效地融合了大量工程師的多年實踐經(jīng)驗，可以快速、精準地提升預訓練模型的效果，省去試錯環(huán)節(jié)，使算法開發(fā)效率倍增

AI模型的適配和部署是AI落地的最后一環(huán)。一般來說，AI算法在適配芯片前只有10％左右的芯片利用率，需要通過專業(yè)團隊近幾個月的調(diào)優(yōu)使芯片性能得到充分發(fā)揮，否則易造成芯片資源的極大浪費，消耗更多時間和功耗。共達地AI平臺目前已適配市面50余款AI芯片，算法生成后算法利用率可提升至最佳數(shù)值，實現(xiàn)更好的性能功耗比，無需再進行人工調(diào)優(yōu)，即可讓算法快速部署上線。

據(jù)了解，共達地的核心團隊大疆創(chuàng)新、蘋果、微軟、華為、西門子、百度等頂級科技企業(yè)，研發(fā)人員占比70％，多年專注于AutoML技術(shù)領(lǐng)域，在人工智能，尤其是智能硬件、機器人、多媒體等領(lǐng)域，曾經(jīng)多次主導過領(lǐng)先于行業(yè)1－2年的技術(shù)創(chuàng)新和突破，累計獲得40余項全球核心技術(shù)發(fā)明專利。

隨著當下AI技術(shù)開始深入到城市治理、社區(qū)維護、企業(yè)運營、工業(yè)質(zhì)檢、智能制造中的每一個業(yè)務(wù)環(huán)節(jié)和業(yè)務(wù)流程當中，提高AI行業(yè)自身的生產(chǎn)效率，是解決AI規(guī)�；�落地難題最根本的手段。從數(shù)據(jù)采集到模型部署的全流程，共達地AI平臺只需用戶三步操作，即可快速獲得AI算法，開發(fā)成本降低超過90％，有望讓各行各業(yè)的企業(yè)擁抱AI第二波商業(yè)化浪潮的紅利，從根本上實現(xiàn)效率提升，促進產(chǎn)業(yè)升級。

截至目前，共達地AI平臺已和多個行業(yè)的多家翹楚企業(yè)達成合作，其中包括智慧城市行業(yè)的中國南方電網(wǎng)、平安智慧城市等，AI芯片領(lǐng)域的紫光展銳、寒武紀、比特大陸等企業(yè)，以及智慧工業(yè)領(lǐng)域的大族激光、金東唐等企業(yè)，為AI的規(guī)�；瘯r代構(gòu)建高效的基礎(chǔ)設(shè)施。