AI中台：一种敏捷的智能业务支持方案（分享实录）

1.1 中台战略的兴起

自从中台战略被提出并得到成功实施后，业界反响强烈，，国内各家企业纷纷启动了自己的中台化进程。尤其是对于在战略中处于核心地位的数据中台建设，各方都有自己的解读和心得。

但总体来看，业界形成了对中台战略的一些共识，即主张“大中台、小前台”，通过构建中台，沉淀共享服务，提高服务重用率，打破“烟囱式”、“项目制”系统之间的集成和协作壁垒，降低前台业务的试错成本，赋予业务快速创新能力，最终提升企业的组织效能。

无论是在金融、在线交易、资讯、医疗还是教育行业，业界对中台战略的研讨包括企业日常活动中的各个环节，例如业务中台、技术中台、移动中台等等，但在数据时代，企业中的大量业务都运行于大数据之上，数据的响应能力、处理能力决定了业务效率，所以中台战略中最主要的、也是实施的起点，仍然是数据中台。数据中台实现了组织内数据标准的统一，并打破数据壁垒，构建统一数据实体，对外提供统一的数据服务。通过这三个“统一”实现了组织内的数据资产中心，为前台业务提供了自动化、自助化的敏捷数据能力输出。

自动化的优势是可以极大节省常规数据操作的成本开销，而自助化数据管理可以支持业务用户根据自己需求自助式地获取、处理数据，灵活实现业务需求。但这两个优势相比于传统“烟囱式”数据系统来说，只是使业务方感觉数据服务更加能用、易用而已，想要真正做到好用，甚至让业务方喜欢用，无论是数据中台还是其他中台服务，都离不开智能化的能力。

1.2 智能业务需求的中台化

业务的智能化需求来自于两方面：

• 一方面从数据层面来看，随着可获取的数据越来越多，我们对其中有价值信息的辨识、数据关系的发现、数据趋势的把握都将变得越来越困难，只有通过智能化的方法对大数据进行治理，才能提升业务，甚至创新业务。基于大数据探索，发现其中的潜在数据联系与趋势，可以为业务优化与创新提供强有力的支持，实现真正的数据驱动业务。因此数据中台必须具备智能化能力，能够为业务提供一定的智能数据分析能力。

• 另一方面，除了基于数据自底向上的智能化驱动以外，还存在自上而下的企业智能化理念驱动。近几年来，许多智能技术日趋成熟，相应的智能化理念也深入人心，大量智能化的成功案例使这些技术逐渐被行业主流接受，甚至成为了实际上的标准解决方案，比如电商需要推荐、金融需要风控，而随之就要求研发人员能够在数据之上准确快速实现前台提出的智能化目标。

上图是一个示例，数据来源于Roland Berger。宜信作为一家金融科技公司，更多面对的是金融领域的智能业务需求。从图中可以看到在金融这一个领域之内就有这么多环节已经形成了标准化的智能应用，可想而知在今天企业业务的发展过程中智能化正在扮演一个多么重要的角色。

无论是哪方面的需求，都会碰到一个问题：智能业务需求各种各样、各不相同，一个需求下来，研发团队需要针对性开展数据分析处理、模型的构建训练等，过程复杂繁复，效率不高，从而拖长了需求响应时间，降低了业务敏捷程度，拉高了试错成本。这与在中台战略背景下，业务前台希望能够专注于业务逻辑、灵活应对变化产生了矛盾，而且随着智能化应用的广泛开展，这个矛盾也越来越普遍。

究其原因，一方面是由于智能化的大规模兴起才短短几年，智能应用研发还处在比较原始的阶段，缺乏完整的生命周期管理理论和相应的管理框架工具；另一方面则反映了我们的中台能力没有完全覆盖到前台业务研发中笨重、重复、低效的环节。

那么，我们自然而然会想到，我们能否对现有数据中台进行进一步智能化跃迁，解决上述问题呢？如果能，数据中台可以或者应该提供什么样的数据智能化能力？如果不能，中台战略又应该如何敏捷支持智能化业务需求？

1.3 从数据中台到AI中台

我们先来看看数据中台的智能化支持能力，试分析如下问题：数据中台能通过通用的智能数据模型充分支持当前业务背景下多样的智能需求吗？答案是比较困难，原因在于业务智能化过程的复杂性。

通常的机器学习任务包括了回归、分类、标注、聚类、推荐等等，每个算法模型的实现又包括了数据预处理、特征分析、建模、训练、部署等多个环节，实际中的应用更是有可能包括多个模型。

而数据中台以数据为核心，其智能化能力若想支持到以上所有环节，工作量绝对不小，并且会偏离数据中台的原有目标，因此让数据中台承担全部的智能化业务支持是不合适的。

详细来说，我们可以从目前人工智能（AI）所涵盖的内容进行分析。广义上人工智能指利用科学方法和技术，研制能够模仿、延伸、扩展人类智能的机器系统，涉及了计算机科学、数学、哲学、心理学等多门学科；而从计算机科学的角度狭义来看，人工智能特指可以接受和处理外部数据，并能够做出类人化分析、决策的计算机系统，涵盖了数据挖掘、机器学习、深度学习、强化学习等多个子领域。如无特殊说明，本文所述人工智能皆指后者。

这几类任务中，机器学习、深度学习、强化学习的目标、实施过程比较相似，因此通常直接统称为机器学习任务，本文也采取这种概略性说法。而数据挖掘任务则与机器学习任务相关又不太相同，他们之间的区别给很多人带来过困扰。

实际上，按照《数据挖掘与预测分析》书中的定义，“数据挖掘是从大型数据集中发现有用的模式和趋势的过程”，这其中包括了数据预处理、数据探索、数据降维、数据统计、关联分析、离群分析等子任务，这些是机器学习工作开展的基础。

而另一方面，数据挖掘还包含了之后的数据聚类、数据预测、数据分类的一些内容，这些正是机器学习所研究的部分内容；由于机器学习的蓬勃发展和优异性能表现，一般此部分的工作也更多交由机器学习来完成。

总之，两者都是人工智能的重要研究方向，也是企业大数据智能化过程中的重要环节，彼此相互联系，但侧重点存在不同：数据挖掘更侧重于“洞察”，而机器学习更侧重于“学习”和“预测”。

从上述分析可以看出，当前业务背景下，从事“洞察”任务的数据挖掘工作将重心放在了数据上，一般不需要人工辅助即可自动化完成；此外由于不涉及数据预测、分类等任务，数据挖掘通常采用比较固定的分析算法和模型，所以该部分工作完全可以做到自动化、自助化，集成到数据中台内，作为固定的智能数据模型服务提供给业务用户。

另一方面，从事“学习”和“预测”任务的机器学习工作相对而言更加复杂：

• 机器学习的实施过程通常是高度计算密集型的；

• 所采用算法和模型结构有可能相同，但都需要根据业务数据进行个性化参数训练；

• 训练阶段通常经过多次迭代；

• 除部分非监督学习外，实施环节通常需要人工标注环节的参与；

• 线上模型的运行性能需要监控，需要根据数据演进进行更新。

了解了人工智能领域分类后，我们来试图回答一下前面提出的问题。如果数据中台愿意支持业务所提出的智能化需求，那么我们要怎么对数据中台进行跃迁？或者说数据中台要怎么跃迁自己的能力来支持这些需求呢？

从上图可以看出，数据中台本身具备以数据为核心、算法固定、有一定的自动性等特征，我们完全可以在数据中台里利用其流式计算能力、批量计算能力、数据可视化技术等来为相应的业务需求提供支持。

这些还都是数据中台本身就已经具备的功能。如果还要用数据中台来做机器学习部分的AI项目支持，还需要具备哪些能力呢？如上图所示，一圈一圈地往外扩展。首先需要复杂的特征工程支持能力、模型训练能力；其次需要数据标注能力、模型部署能力、性能监控能力。

每一项能力都需要耗费大量的人力物力和时间来进行开发，而且由内而外的能力扩展与数据本身的相关性是由强至弱的，也就是说随着能力层次的不断扩充，数据中台逐渐偏离了其“以数据为核心”的宗旨，而且也会使得数据中台变得臃肿复杂，在对接前台业务需求的时候，也可能会带来更多复杂性的问题。因此数据中台可以一定程度上支持智能化业务需求，但如果想单靠数据中台来支持所有智能化业务需求显然不是最佳选择。

那么我们要怎么做呢？将AI中台与数据中台进行分离。

如上图，我们将数据中台外面套着的几层能力抽象剥离出来，整合形成一个独立的中台层，依托数据中台进行一定的协作，共同应对前台的智能化业务需求。数据中台主要集成数据挖掘、数据洞察智能算法和模型；新的中台主要承担复杂的学习预测类智能需求研发。这一中台我们称之为“AI中台”。

上图是AI中台与数据中台分离的结构化图表，自上而下分别是业务前台、AI中台和数据中台，还有底层一些相关的计算存储资源。

• 数据中台提供基本能力，包括数据标准化、数据实体化、数据服务统一化等；还支持部分数据处理的智能需求，包括智能数据模型、关联分析、主成分分析、异常点分析等。数据中台主要承担数据探索的职责。

• AI中台提供模型设计训练、模型/算法库、复用标注管理、监控服务等一系列相关AI紧耦合的能力支持。AI中台从事的是学习预测的任务。

• 业务前台则是包括了各种需要中台提供敏捷性支持的需求，比如业务智能需求、用户细分需求、个性推荐需求等。

值得注意的是，上图所示结构只是一个示例，中台主要面向业务，是为了更敏捷地响应业务需求，因此中台体系应该针对业务来设置，比如有一些前台业务不需要AI中台可以直接落到数据中台来进行处理。

至此我们已经回答了前文的问题，单纯依赖数据中台来支持业务智能化需求的敏捷实施是不够的，但我们可以在其基础之上构建专门的AI中台来提供这一能力。中台化战略中不能单独依赖数据中台来实现中台化转型，阿里的共享服务中心也是包括了业务、技术、数据等多个层面的内容，各企业应该按照自己的业务结构与流程，合理抽象构思自己的中台服务模型并加以实施。