数字化和信息化
数字化转型-数字化工具和数字化体系
硬件基础--运维团队 网络团队
数字化--业务在线，海量数据-数据驱动，关键数据-业务驱动，核心数据-人事驱动
新的业务逻辑和组织管理模式
IT基础设施
企业数据中心-- 数据中心-计算机机房 中心网络
云计算中心 -- 大数据平台和AI平台以及一些业务所在的地方--适合计算密集型的负载
边缘中心--边缘计算--在边缘部署应用，在边缘计算数据
云-管-端
管道=利用5G作为高速边缘管道
端-- 边缘计算
AI-- AI训练建模在云端
-- AI推理在边缘，靠近用户去做服务
大数据平台
大数据平台的构建--有一个业务，就可以有数据接入，数据采集，数据同步和传输，数据计算和数据挖掘以及数据可视化
采用的工具栈有开源的，也有商业的，搭建和应用起来比较方便，尤其结合云计算技术，弹性伸缩和自动编排等功能
数据建设都是为了用户更快、更方便、更放心的使用数据
实时数据： 数据质量和数据时效
数据管理-数据时效保障 - 目标- 机制-方法-效果-成本
数据质量保障
数据质量
数据质量反馈回路
关注数据 pipeline 的实践、政治和人的价值观，
通过使用流程、标准、基础设施和激励措施来提高数据的质量和地位
AI平台：
AI平台和大数据平台有很多相似的地方，然而构建起来，思路会有所不同
AI平台在概念验证和生产阶段的所面临的问题也不同。
以数据为中心的视觉 AI 建立一个端到端平台
深度学习的核心要素是算力、算法和数据，如何构建一个高效的端到端AI平台，直接决定了业务的天花板和迭代进化效率
算法工程师希望可以像搭积木一样自由进行模型设计组装，并且快速进行效果验证
机器学习研究和机器学习应用
工业级机器学习
解决的问题的复杂性不单是关注算法模型的代码的开发，
而是一个涉及在离线闭环的，包括特征、样本，模型已经应用的的全链路问题。
专业的数据标注服务商
监督学习所需要的大规模、高质量的标注数据集是AI产业发展的刚需，也是AI工业化的主要瓶颈之一
资源管理、项目管理和标注工具箱
数据采集、准备和管理
数据标注行业正从简单的劳动力密集型向专业型数据服务过渡。
人力资源的培训和评估：标注员和质检员-数据的提交和打回 数据验收,自动化训练，自动打分和反馈
前沿的技术架构：
迭代：
数据迭代： 数据采集和管理平台的更新
更多时候，你需要定制数据
工具迭代： 传统工具和自动化工具以及AI工具
对同一个场景提出不同的数据标注要求
不同团队需要标注不同的数据属性
数据合规性和隐私保护的要求-- 云端标注和私有化部署
算法迭代：
训练
部署： 边缘设备 环境变化
一套从模型训练到端上推理的完整 AI 架构
业务层 中台层 AI 接口层、AI 算法层和 AI 底层库 系统层 硬件层
开发环境：
数据管理平台：数据采集 数据清洗 数据标注 数据回流
AI训练平台： 模型训练 模型仓库 模型评测 模型压缩
应用环境：功能 性能 成本
AI 应用落地
整体框架层面设计：
通用数据接口
图形图像库
性能方面的探索和实践：前后处理和模型推理
准则：
你无法只用理论上的可行性来应付一切
从以模型为中心到以数据为中心的机器学习开发的转变：同步开发模型和数据： 在开始阶段有AI模型，到AI模型很多的时候
自己标注数据，至少在开始的时候
MLOps--》 DevOps
追求算法的先进性--追求算法的应用价值
参考
端侧 AI SDK 框架，快手爆款特效落地背后的秘密 https://mp.weixin.qq.com/s/K5yCIFnLqUFkjtNITWbsZw
别再把数据当作商品了 https://mp.weixin.qq.com/s/fiGKxYdQd_ZlDkCgyBTuRQ
实时数仓不保障时效还玩个毛？https://mp.weixin.qq.com/s/WbqwXHb2IPmvh1rdA74jLw