91视频免费观看,中午字幕日韩无码

大家好，我是來自浪潮的張清，非常感謝鈦媒體的邀請(qǐng)，也同樣感謝之前來自曙光和科大訊飛的兩位專家的精彩分享，我今天給大家分享的主題是面向人工智能的計(jì)算解決方案。

在分享之前我首先簡(jiǎn)單的介紹一下浪潮在人工智能方面的工作。浪潮是先進(jìn)的人工智能計(jì)算系統(tǒng)與解決方案提供商，擁有從人工智能計(jì)算產(chǎn)品研發(fā)、計(jì)算系統(tǒng)建設(shè)、軟件設(shè)計(jì)、系統(tǒng)運(yùn)維服務(wù)能力，擁有完備的人工智能端到端解決方案、計(jì)算系統(tǒng)軟硬件產(chǎn)品和應(yīng)用服務(wù)體系，在廣泛應(yīng)用人工智能技術(shù)的互聯(lián)網(wǎng)領(lǐng)域，浪潮計(jì)算設(shè)備產(chǎn)品在中國大型互聯(lián)網(wǎng)市場(chǎng)占用率超過80%，成為中國人工智能第一品牌計(jì)算設(shè)備提供商。

AI的發(fā)展趨勢(shì)

人類已經(jīng)經(jīng)過了三次科技革命——蒸汽時(shí)代、電氣時(shí)代和信息時(shí)代，每次科技革命的發(fā)生都為社會(huì)帶來巨大的變革和進(jìn)步。AI時(shí)代已經(jīng)到來，它可能成為第四次科技革命。下面我們來看一下AI市場(chǎng)、行業(yè)應(yīng)用、技術(shù)的發(fā)展趨勢(shì)。

A市場(chǎng)正在蓬勃發(fā)展，我們從近五年人工智能的投資金額發(fā)現(xiàn)從2012年到2016年，年均增長(zhǎng)率達(dá)到50%以上，截止到2016年，它的投資金額達(dá)到42.5億美元，AI近五年M&A和IPO的數(shù)量年均增長(zhǎng)率為49.85%，2016年已達(dá)到68項(xiàng)，2020年AI整個(gè)的市場(chǎng)規(guī)模將達(dá)到480億美元。（數(shù)據(jù)來源：CB Insights）

2011年，谷歌和微軟研究院的語音識(shí)別方向研究專家先后采用深度神經(jīng)網(wǎng)絡(luò)技術(shù)將語音識(shí)別的錯(cuò)誤率降低20%~30%，這是長(zhǎng)期以來語音識(shí)別研究領(lǐng)域取得的重大突破。2012年，深度神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別應(yīng)用方面也獲得重大進(jìn)展，在ImageNet評(píng)測(cè)問題中將原來的錯(cuò)誤率降低了9%，隨著AI在語音和圖像識(shí)別的巨大成功，互聯(lián)網(wǎng)行業(yè)越來越多的用戶開始應(yīng)用AI。從2015年開始，傳統(tǒng)行業(yè)越來越多的用戶也開始應(yīng)用AI，比如金融企業(yè)、醫(yī)療企業(yè)、汽車廠商和安防企業(yè)等。今年，我們也看到很多傳統(tǒng)科學(xué)計(jì)算用戶開始研究AI技術(shù)，如氣象和石油勘探用戶，利用 AI技術(shù)來提高相關(guān)應(yīng)用的預(yù)測(cè)精度。

總的來說，AI行業(yè)應(yīng)用用戶已經(jīng)從目前最為火熱的互聯(lián)網(wǎng)行業(yè)用戶，逐步發(fā)展到傳統(tǒng)企業(yè)用戶和科學(xué)計(jì)算HPC用戶。

我們先看兩個(gè)例子，第一個(gè)是圖像識(shí)別方面的Imagenet比賽，2012年Imagenet比賽冠軍網(wǎng)絡(luò)模型是Alexnet，它只有8層，訓(xùn)練所需要的計(jì)算量是相對(duì)比較小的，每一張圖片只要1.4GFlop，所訓(xùn)練出來的模型的精度達(dá)到84%，也就是錯(cuò)誤率為16%。到了2015年，經(jīng)過三年的發(fā)展，Imagenet比賽的冠軍網(wǎng)絡(luò)模型是微軟設(shè)計(jì)的Resnet，其變得更加復(fù)雜，模型的層數(shù)達(dá)到152層，層數(shù)是Alexnet的19倍，每一張圖片所需要計(jì)算量大大提高，達(dá)到22GFlop，但錯(cuò)誤率下降為3.5%。

另一個(gè)例子更加驚人，是關(guān)于語音識(shí)別。百度設(shè)計(jì)的語音識(shí)別模型，2014年有2500萬的參數(shù)，訓(xùn)練的數(shù)據(jù)量是7000小時(shí)的語料，8%的錯(cuò)誤率。2015年的訓(xùn)練數(shù)據(jù)是此前的2倍，深度學(xué)習(xí)網(wǎng)絡(luò)是原來的4倍大，2倍的數(shù)據(jù)量，4倍的網(wǎng)絡(luò)復(fù)雜性，實(shí)現(xiàn)的錯(cuò)誤率是5%，但是需要付出什么樣的代價(jià)？就是計(jì)算量的增長(zhǎng)。

所以我們從這兩個(gè)例子可以看出，AI技術(shù)的發(fā)展趨勢(shì)是朝著大數(shù)據(jù)+大模型+大計(jì)算方向發(fā)展，采用更大的模型和數(shù)據(jù)會(huì)使訓(xùn)練出來的模型的精度大幅提高，但這需要更大的計(jì)算資源作為支撐。

AI面臨的挑戰(zhàn)及計(jì)算解決方案

一是需要獲取足夠多的標(biāo)注的數(shù)據(jù)用于模型的訓(xùn)練；

二是需要設(shè)計(jì)分布式深度神經(jīng)網(wǎng)絡(luò)模型及算法；

三是需要一個(gè)大的深度學(xué)習(xí)計(jì)算平臺(tái)以及平臺(tái)管理軟件。

針對(duì)上面三個(gè)方面的挑戰(zhàn)，我們從四個(gè)層次去設(shè)計(jì)整個(gè)AI計(jì)算解決方案：

第一層次是平臺(tái)層；從整個(gè)AI計(jì)算過程的不同特點(diǎn)需求，我們會(huì)設(shè)計(jì)數(shù)據(jù)預(yù)處理平臺(tái)、訓(xùn)練平臺(tái)、推理平臺(tái)，采用不同的網(wǎng)絡(luò)和存儲(chǔ)。

第二個(gè)層次是管理層；對(duì)于復(fù)雜的計(jì)算平臺(tái)，我們需要對(duì)資源要進(jìn)行一個(gè)合理的管理、調(diào)度、監(jiān)控、分析，需要一個(gè)系統(tǒng)管理平臺(tái)。比如說浪潮設(shè)計(jì)的針對(duì)深度學(xué)習(xí)場(chǎng)景的深度學(xué)習(xí)管理平臺(tái)AIStation。

第三個(gè)層次是框架層；現(xiàn)在的很多開源出來的框架，如Caffe，包括我們浪潮設(shè)計(jì)的Caffe-MPI、谷歌的Tensorflow、百度的Paddlepaddle，微軟的CNTK等等，這些框架來幫助解決深度學(xué)習(xí)的訓(xùn)練和推理的一些過程。

第四個(gè)層次是應(yīng)用層；針對(duì)實(shí)際的應(yīng)用場(chǎng)景進(jìn)行AI應(yīng)用開發(fā)，比如圖像和視頻類應(yīng)用，語音類應(yīng)用，以及自然語言處理的一些應(yīng)用，這些應(yīng)用場(chǎng)景我們?nèi)绾尾捎肁I的方法和算法來進(jìn)行實(shí)現(xiàn)。

在設(shè)計(jì)平臺(tái)層之前我們先看一下AI應(yīng)用的計(jì)算過程。首先我們會(huì)收集到不同的數(shù)據(jù)，比如說CT影像的數(shù)據(jù)、語音的數(shù)據(jù)，這些數(shù)據(jù)我們會(huì)傳送到數(shù)據(jù)預(yù)處理平臺(tái)，進(jìn)行圖片的噪音等處理。處理完之后我們對(duì)數(shù)據(jù)做標(biāo)注，形成訓(xùn)練的數(shù)據(jù)樣本集。訓(xùn)練樣本集我們會(huì)送到模型訓(xùn)練的集群進(jìn)行學(xué)習(xí)，也就是模型訓(xùn)練的過程，模型訓(xùn)練完之后會(huì)獲得一個(gè)智能的模型，這個(gè)模型我們會(huì)把它裝載到不同的終端，比如說工作站、手機(jī)、平板，或者說一些云計(jì)算平臺(tái)。最后會(huì)推理或識(shí)別出智能的結(jié)果，比如會(huì)判斷CT影像是否有病灶，識(shí)別是什么方言等。

為了大家對(duì)AI整個(gè)場(chǎng)景理解得更透徹，我們舉個(gè)谷歌的醫(yī)療影像的例子，谷歌最開始從醫(yī)院里面收集到12.8萬張眼底照片的數(shù)據(jù)，然后首先對(duì)這些照片經(jīng)過圖像的檢測(cè)分割等數(shù)據(jù)預(yù)處理，預(yù)處理完之后對(duì)整個(gè)眼底特征進(jìn)行標(biāo)注。預(yù)處理和標(biāo)注完之后獲取了訓(xùn)練的樣本集，這些訓(xùn)練樣本集會(huì)采用深度學(xué)習(xí)的一些框架，如TensorFlow進(jìn)行模型的訓(xùn)練，訓(xùn)練出來的模型會(huì)應(yīng)用在終端，比如說手機(jī)上面，進(jìn)行輔助診斷。

這個(gè)應(yīng)用場(chǎng)景看到采用AI技術(shù)的效果是非常好的，其綜合靈敏度和特異值達(dá)到了0.95，比八個(gè)醫(yī)生小組的評(píng)估值0.91還要高。這個(gè)醫(yī)療影像的AI典型案例基本上涵蓋了三個(gè)過程，就是數(shù)據(jù)預(yù)處理、模型訓(xùn)練和推理識(shí)別。

但數(shù)據(jù)預(yù)處理，模型訓(xùn)練和推理識(shí)別這三塊的計(jì)算特點(diǎn)是不一樣的，比如數(shù)據(jù)預(yù)處理主要是IO相對(duì)比較密集，計(jì)算量相對(duì)較少一些；模型訓(xùn)練計(jì)算量比較大，通信也相對(duì)比較密集；針對(duì)推理識(shí)別，需要比較高的吞吐處理能力和對(duì)單個(gè)樣本低延時(shí)的響應(yīng)。

根據(jù)對(duì)AI計(jì)算過程和特點(diǎn)分析來看，AI平臺(tái)層設(shè)計(jì)所面臨的挑戰(zhàn)主要包括三個(gè)方面：

一是在數(shù)據(jù)預(yù)處理階段，會(huì)涉及大量的小文件隨機(jī)讀寫的問題，如何提高數(shù)據(jù)訪問效率是在數(shù)據(jù)預(yù)處理階段面臨最大的挑戰(zhàn)。
二是在訓(xùn)練階段，因?yàn)闀?huì)涉及到大量的模型進(jìn)行調(diào)優(yōu)，我們會(huì)訓(xùn)練出一個(gè)最優(yōu)的模型出來，這里需要的計(jì)算資源是巨大的，這是第二個(gè)挑戰(zhàn)。
三是在推理階段，一個(gè)樣本，如一張圖片或者一個(gè)語音樣本過來之后，我們?nèi)绾芜M(jìn)行及時(shí)的響應(yīng)，成千上萬的樣本批量過來的時(shí)候，整個(gè)系統(tǒng)的吞吐率如何提高，是推理階段面臨的挑戰(zhàn)。

所以AI平臺(tái)層的設(shè)計(jì)我們從幾個(gè)方面來進(jìn)行針對(duì)性的設(shè)計(jì)：

1.計(jì)算架構(gòu)，采用CPU+GPU+FPGA混合異購模式，訓(xùn)練采用P100/P40 GPU，推理采用P4 GPU或者FPGA低功耗計(jì)算架構(gòu)。

2.存儲(chǔ)架構(gòu)，對(duì)于訓(xùn)練平臺(tái)，主要采用高性能的分布式Lustre存儲(chǔ)；對(duì)于線上推理平臺(tái)，采用HDFS存儲(chǔ)架構(gòu)來設(shè)計(jì)。

3.網(wǎng)絡(luò)架構(gòu)，對(duì)于訓(xùn)練平臺(tái)，采用高速互聯(lián)的IB網(wǎng)絡(luò)；對(duì)于線上推理平臺(tái)，因?yàn)槊總€(gè)計(jì)算節(jié)點(diǎn)之間并不需要通信，所需要的網(wǎng)絡(luò)帶寬并不需要那么高，所以一般會(huì)采用萬兆。
4.計(jì)算模式，對(duì)于訓(xùn)練平臺(tái)，多個(gè)節(jié)點(diǎn)如果同時(shí)訓(xùn)練將采用分布式并行的方式，比如采用MPI+CUDA計(jì)算模式；對(duì)于線上采用Spark/Hadoop+CUDA計(jì)算模式。

針對(duì)平臺(tái)層，浪潮提供全線AI計(jì)算產(chǎn)品支持，如2 GPU服務(wù)器NF5280M4，主要作為線上推理識(shí)別用。還有支持訓(xùn)練的4 GPU服務(wù)器NF5568M4， 8 GPU服務(wù)器AGX-2，還有我們跟百度聯(lián)合研制的SR-AI Rack，單GPU BOX實(shí)現(xiàn)16 GPU并行，整機(jī)柜實(shí)現(xiàn)64塊GPU并行。針對(duì)線上大規(guī)模部署，要求低功耗，我們也設(shè)計(jì)了FPGA板卡F10A，整個(gè)卡功耗可以做到35瓦，性能達(dá)到1.5TFlops。目前浪潮是領(lǐng)先的AI計(jì)算廠商，很多用戶在采用浪潮的計(jì)算產(chǎn)品，在大型互聯(lián)網(wǎng)市場(chǎng)AI產(chǎn)品市場(chǎng)占有率達(dá)到80%以上。

整個(gè)系統(tǒng)部署好之后，既有CPU計(jì)算節(jié)點(diǎn)，也有GPU計(jì)算節(jié)點(diǎn)，對(duì)整個(gè)計(jì)算系統(tǒng)我們?nèi)绾斡行У墓芾砥饋恚涿媾R的挑戰(zhàn)有幾個(gè)方面：

第一，針對(duì)不同的計(jì)算平臺(tái)和計(jì)算設(shè)備，如CPU、GPU或者FPGA，如何進(jìn)行有效的管理。

第二，針對(duì)不同的計(jì)算任務(wù)和計(jì)算框架，如何進(jìn)行合理的調(diào)度。

第三，針對(duì)整個(gè)系統(tǒng)和不同的計(jì)算作業(yè)，如何進(jìn)行監(jiān)控。

應(yīng)對(duì)上述三個(gè)方面的挑戰(zhàn)，浪潮設(shè)計(jì)的深度學(xué)習(xí)管理系統(tǒng)AIStation可以實(shí)現(xiàn)五大功能：深度學(xué)習(xí)框架的快速部署、深度學(xué)習(xí)訓(xùn)練任務(wù)的管理、GPU 與CPU資源的調(diào)度、系統(tǒng)資源與健康狀態(tài)的監(jiān)控、應(yīng)用特征分析。

目前開源出來的深度學(xué)習(xí)框架非常多，如Caffe、TensorFlow、MXNet、Torch等等，框架眾多，如何選擇？選擇一種框架還是選擇多種？以及針對(duì)什么場(chǎng)景或者什么樣的模型來選擇什么樣的框架，針對(duì)多大數(shù)據(jù)量，選擇多機(jī)并行的框架。以上是我們針對(duì)深度學(xué)習(xí)框架所面臨幾個(gè)方面的挑戰(zhàn)。

我們?cè)谶x擇框架的時(shí)候，實(shí)際上可以針對(duì)目前的一些主流框架做一個(gè)評(píng)測(cè)，之前我們跟美國某知名的互聯(lián)網(wǎng)公司開展過聯(lián)合測(cè)試，對(duì)他們所關(guān)心的深度學(xué)習(xí)框架做了一個(gè)測(cè)評(píng)。

我們把三個(gè)主流的框架Caffe、TensorFlow和MXNet部署到我們16 GPU BOX服務(wù)器平臺(tái)上面，采用Imagenet數(shù)據(jù)集，測(cè)試Alexnet和GooLeNet兩種典型網(wǎng)絡(luò)。從測(cè)試結(jié)果來看當(dāng)運(yùn)行Alexnet網(wǎng)絡(luò)時(shí)，Caffe性能最好，每秒可以訓(xùn)練圖片張數(shù)達(dá)到4675張，16個(gè)GPU比單個(gè)GPU的加速比達(dá)到14倍，其次是MXNet，最后是TensorFlow。當(dāng)運(yùn)行GooLeNet時(shí)，MXNet性能最好，每秒可以訓(xùn)練的圖片張數(shù)達(dá)到2462張，16個(gè)GPU比單個(gè)GPU的加速比達(dá)到12.7倍，其次是Caffe，最后是TensorFlow。從這個(gè)評(píng)測(cè)來看，基于不同的網(wǎng)絡(luò)，所選擇最優(yōu)的框架是不一樣的。

基本上可以有大致的一個(gè)原則來選擇：我們會(huì)根據(jù)不同的場(chǎng)景和模型來選擇至少一種深度學(xué)習(xí)框架，目前很難說一種框架能在所有的應(yīng)用場(chǎng)景中表現(xiàn)最優(yōu)，如果是圖像方面的應(yīng)用，主要采用Caffe、TensorFlow和MXNET這三種框架。如果是語音的話，可以選擇CNTK，當(dāng)然還有其他的框架。自然語言處理的話可以采用PaddlePaddle，針對(duì)大數(shù)據(jù)量的訓(xùn)練，采用單機(jī)訓(xùn)練的話時(shí)間會(huì)很長(zhǎng)，有可能是幾周或幾個(gè)月訓(xùn)練出一個(gè)模型，需要采用分布式框架，如浪潮自研的Caffe-MPI，這個(gè)框架就實(shí)現(xiàn)了多機(jī)多GPU卡的并行訓(xùn)練。通過實(shí)際測(cè)試，Caffe-MPI采用16個(gè)GPU卡同時(shí)訓(xùn)練時(shí)，每秒可以處理的效率達(dá)到3061張，較單卡性能提升13倍，擴(kuò)展效率達(dá)到81%，性能將近是TensorFlow的2倍，Caffe-MPI目前已經(jīng)在Github上開源了，可以下載使用。

一、如何利用深度學(xué)習(xí)的方法，提高識(shí)別的正確率，這里面會(huì)涉及到模型和算法的設(shè)計(jì)、數(shù)據(jù)預(yù)處理。

二、GPU編程，在訓(xùn)練程序的設(shè)計(jì)過程中會(huì)涉及到寫部分的GPU的代碼，比如我們會(huì)添加一些新的層，會(huì)寫一些相對(duì)應(yīng)的CUDA代碼。

三、FPGA編程，在推理階段，可能會(huì)采用FPGA平臺(tái)，需要把應(yīng)用從CPU遷移到FPGA上，采用OpenCL編程或者采用偏底層硬件編程語言Verilog，其編程的復(fù)雜度相對(duì)較高。

針對(duì)AI應(yīng)用挑戰(zhàn)，浪潮成立了兩個(gè)聯(lián)合實(shí)驗(yàn)室：Inspur-Intel中國并行計(jì)算聯(lián)合實(shí)驗(yàn)室和Inspur-NVIDIA GPU 聯(lián)合實(shí)驗(yàn)室，針對(duì)GPU、MIC、FPGA異構(gòu)技術(shù)和AI應(yīng)用進(jìn)行研究，我們具備CPU+GPU，CPU+MIC，CPU+FPGA三大異構(gòu)技術(shù)，可以幫助用戶來設(shè)計(jì)深度學(xué)習(xí)的一些模型算法，進(jìn)行GPU、MIC、FPGA應(yīng)用的遷移和優(yōu)化。

在AI方面，我們2014年就開始跟一些典型的互聯(lián)網(wǎng)用戶開展應(yīng)用合作，如以圖搜圖應(yīng)用，其核心算法是Kmeans，幫助用戶實(shí)現(xiàn)從CPU到GPU上的遷移，核心算法性能提升35X，整體應(yīng)用性能提升2.2倍。另外一個(gè)應(yīng)用是關(guān)于語音方面的，主要是語音模型的訓(xùn)練，采用深度學(xué)習(xí)的方法，我們幫助用戶從單機(jī)GPU版本實(shí)現(xiàn)16 GPU卡的多機(jī)并行版本，性能提升13倍，大大縮短整個(gè)深度學(xué)習(xí)訓(xùn)練的時(shí)間，實(shí)現(xiàn)支持萬小時(shí)以上語音數(shù)據(jù)訓(xùn)練。

還有一個(gè)案例就是在網(wǎng)絡(luò)安全方面的應(yīng)用，此應(yīng)用采用深度學(xué)習(xí)技術(shù)，用戶實(shí)現(xiàn)基礎(chǔ)的Python算法版本，我們幫助實(shí)現(xiàn)GPU的遷移與優(yōu)化，單個(gè)GPU計(jì)算，其性能比原來CPU基準(zhǔn)版本加速了90倍，采用四塊GPU并行，其性能是基準(zhǔn)CPU版本的270倍。

最后一個(gè)應(yīng)用案例是線上語音識(shí)別應(yīng)用，采用DNN深度神經(jīng)網(wǎng)絡(luò)，幫助用戶把DNN從CPU平臺(tái)到FPGA平臺(tái)的遷移與優(yōu)化，1塊FPGA卡的性能相當(dāng)于兩塊CPU的2.8倍。功耗只有CPU的15.7%，性能功耗是CPU的18倍。

基于AI系統(tǒng)四個(gè)層次設(shè)計(jì)所面臨的挑戰(zhàn)和相應(yīng)解決方案，我們?cè)O(shè)計(jì)了整個(gè)AI端到端的解決方案，針對(duì)不同的數(shù)據(jù)源，如圖像、視頻、語音、文字等首先會(huì)送到我們CPU的處理平臺(tái)上面進(jìn)行預(yù)處理，預(yù)處理完的數(shù)據(jù)我們會(huì)存放到共享存儲(chǔ)上去，然后GPU的集群訓(xùn)練平臺(tái)會(huì)從存儲(chǔ)里把訓(xùn)練數(shù)據(jù)并行讀取過來進(jìn)行訓(xùn)練，整個(gè)訓(xùn)練平臺(tái)我們可以采用4 GPU、8 GPU或16 GPU BOX設(shè)備，在訓(xùn)練平臺(tái)我們會(huì)部署深度學(xué)習(xí)管理系統(tǒng)AIStation和天眼工具。訓(xùn)練完之后的生成的模型，將會(huì)加載到不同的計(jì)算設(shè)備上去，如P8000 GPU 工作站、FPGA卡、GPU AI云平臺(tái)進(jìn)行推理識(shí)別的服務(wù)。最后實(shí)現(xiàn)各種智能結(jié)果。就是說我們整個(gè)AI端到端計(jì)算的解決方案。

鈦坦白群友互動(dòng)

1.浪潮面向人工智能開發(fā)的計(jì)算平臺(tái)，如之前發(fā)布的GX-2，相對(duì)于其他的計(jì)算產(chǎn)品有什么特點(diǎn)？

張清：GX-2目前是全球最高密度的GPU服務(wù)器，他在2U的空間里可以插8塊GPU卡，既可以支持PCIE，而且還可以支持NVLINK 2.0。

2.浪潮的方案都是基于GPU，請(qǐng)問張總浪潮的人工智能平臺(tái)和其云計(jì)算解決方案或超融合架構(gòu)有何匹配及聯(lián)系？數(shù)據(jù)如何獲?。坑布矫娑际遣捎猛ㄓ梅?wù)器？

張清：浪潮的方案在模型訓(xùn)練主要是GPU方案,推理我們還有FPGA方案。目前浪潮的人工智能平臺(tái)和其云計(jì)算解決方案或超融合架構(gòu)沒有對(duì)應(yīng)匹配及聯(lián)系。數(shù)據(jù)有些來自開源社區(qū)、有些來自客戶，還有些是公共平臺(tái)數(shù)據(jù)。硬件方面主要采用通用服務(wù)器，也有與用戶定制化開發(fā)的服務(wù)器,如SR-AI Rack.

3.公共數(shù)據(jù)平臺(tái)主要指？包含運(yùn)營商等渠道吧？用戶是在平臺(tái)上沉淀的用戶數(shù)據(jù)，應(yīng)該不會(huì)直面最終用戶吧？

張清：公共數(shù)據(jù)平臺(tái)主要是指浪潮的天元大數(shù)據(jù)，有政府公開數(shù)據(jù)、聯(lián)盟伙伴數(shù)據(jù)、浪潮自有數(shù)據(jù)。用戶在平臺(tái)上沉淀的數(shù)據(jù)僅作為實(shí)驗(yàn)使用，用戶實(shí)際場(chǎng)景的數(shù)據(jù)不會(huì)直面給其他最終用戶。

群友：相當(dāng)于應(yīng)用層能力開放，人工智能平臺(tái)聚合開發(fā)者做的應(yīng)用，然后用戶數(shù)據(jù)直接積累到平臺(tái)。

張清：嗯，用戶的實(shí)驗(yàn)數(shù)據(jù)會(huì)積累到平臺(tái)。

（本文獨(dú)家首發(fā)鈦媒體，根據(jù)浪潮人工智能首席架構(gòu)師張清在鈦坦白上的分享整理）

鈦坦白第44期：醫(yī)療信息化的現(xiàn)狀和市場(chǎng)機(jī)會(huì)

本文系作者葛佳音授權(quán)鈦媒體發(fā)表，并經(jīng)鈦媒體編輯，轉(zhuǎn)載請(qǐng)注明出處、作者和本文鏈接。
本內(nèi)容來源于鈦媒體鈦度號(hào)，文章內(nèi)容僅供參考、交流、學(xué)習(xí)，不構(gòu)成投資建議。
想和千萬鈦媒體用戶分享你的新奇觀點(diǎn)和發(fā)現(xiàn)，點(diǎn)擊這里投稿。創(chuàng)業(yè)或融資尋求報(bào)道，點(diǎn)擊這里。

快報(bào)