根據IDC預測，企業直接用於數字化轉型的投入在2020~2023年間將達到17.5%的年複合增長率，到2023年超過7萬億美元。2021年全球會有5.5萬億美元投資在數字化轉型。
這次疫情加速了各行業數字化、智能化的轉型速度，企業數字化、智能化轉型已不再是錦上添花，而是在競爭中存活的必然選擇。那麼傳統企業如何快速轉型？已經擁抱數字化、智能化的企業如何在疫情下保持強有力的競爭力？
事實上，從計算機視覺到NLP，不管用例的差異有多大，它們的共同點都是數據。數據是核心，企業需要爲AI部署做好充足的數據準備，本文我們將圍繞“轉型”、“演進”、“趨勢”三個點爲大家分享企業如何通過一站式數據處理、分析平臺，更好的擁抱AI。
企業如何加速完成智能化轉型的步伐?
現在很多企業都開始了數字化轉型、智能化轉型，國內企業信息化進程大概可以分爲以下四個階段：
• 業務操作電子化
• 業務流程信息化
• 業務和管理的數字化
• 業務決策智能化
業務決策智能化是一種新學術理論，它又分爲輔助智能、增強智能及自主智能三步。自主智能階段將是企業未來的發展方向。在企業內外部因素的驅使下， 智能化轉型會給傳統產業帶來諸多益處，這其中包括：更敏捷的運營、更智能的決策、全新的價值主張及外部實現業務轉型、創新和增長。
但對於傳統企業，AI落地相對更難。據調查顯示，在推進智能化轉型中， 40%企業進展相對順利， 這其中僅有13%的企業取得比較可觀的效果，剩餘的27%效果一般。另外60%的轉型企業尚沒有進入智能化轉型的良性路徑，這裏面甚至有26%的企業智能化轉型成爲了吞噬企業資源的陷阱， 給企業造成了損失。目前來看AI落地還有很長的路要走。困難和挑戰主要來自於以下幾方面：
• 數據：智能技術的能力是由輸入的數據廣度深度和質量來決定的，有些企業數據多但是沒有發揮出作用，主要原因有：數據質量問題、數據碎片化、數據廣度和深度不夠， 另外就是數據架構，很多企業的數據都無法滿足實時獲取與應用。
• 技術基礎：智能技術必須與核心的系統基礎設施緊密集成才能實現價值，但是一般的企業面臨傳統的系統與技術缺口，需要大規模調整才能部署。
• 業務流程：傳統的業務一般是圍繞人建設的，但人工智能驅動的流程跟前者難以匹配。比如金融行業中，現有流程以人與人之間的信息流動爲基礎，隨着AI的發展， 需要考慮機器與人的交互。
• 核心競爭力：數據規模， 定製化產品， 優化匹配， 高留存效益都將成爲核心競爭力。
• 監管：監管與技術達成一致存在較大的複雜性，現有監管制度難以跟上新型技術的步伐， 給智能化部署造成障礙。
• 組織：智能化轉型追求精簡與靈活，只有改變各部門的價值定位才能適應智能化所帶來的變化。
• 人才：人才是智能化轉型的核心動力，無論是企業內部還是市場中，符合智能化轉型的人才比較匱乏，同時企業受限於過往的招聘框架和薪酬體系，而在人才競爭中錯失補充關鍵人才的機會。
• 文化：大部分企業並沒有構建智能化轉型的主動性和初步計劃，領導者轉型動力不足，各層級組織未達成認知上的統一， 以數據、智能、敏捷爲核心的工作文化無法建立，企業內部無法在智能化轉型上形成合力。
所以企業想要成爲真正的智能型組織，應考慮在每個核心業務流程和企業運營中系統地部署AI開發平臺和其他認知工具，以支持數據驅動的決策，推動產品和商業模式創新。不同行業對於智能化轉型的具體準備不同，但又有如下幾個相同點：
• 企業文化升級： 產業升級的關鍵就在於如何更有效的排出推行的阻力，這是一個需要自上而下全員參與的過程，不僅需要統一行動，更需要統一認識和思想。
• 財務的支持： 智能化升級需要資金的投入來建設智能系統，所以企業想要智能化轉型，需要提前在財務方面預判風險。
• AI系統或產品定製：建設AI系統，需要相關團隊來運維、 運營相關產品。團隊成員需要對智能化的鏈路，以及新增業務的實施路徑有清醒的認識。
• 數據採集整理：數據是智能化的基礎和原材料，智能化轉型的第一步往往都是先進行數據連接。有些數據體量大的企業會搭建大數據平臺，AI系統如何與大數據平臺協作，如何從不同的數據源拿到數據等都是需要考慮的問題。
• 人力資源的招募與培訓： 傳統行業AI人才比較匱乏， 需要建設相關的人才及薪酬體系等。
• 項目的選定： 需要評估企業中哪些業務適合智能化轉型。
百度BML給各行業帶來了哪些創新應用?
百度作爲AI的領軍企業，自2016年以來，逐漸把積累多年的人工智能技術全面對外開放，打造了一套整體的人工智能開放生態，幫助企業、業界能夠更快速的使用、應用人工智能的技術去發展。
最近百度智能雲全面升級，融合了雲計算、大數據、百度大腦等百度的核心技術，希望將人工智能輸送到千行萬業，促進各行各業的智能化升級。近期在雲智峯會上，王老師提出以雲計算爲基礎， 人工智能爲抓手，聚焦重要賽道的戰略來實現這個目標。
支撐這個戰略的架構分爲三層：底層百度大腦、 中層兩大中臺、AI中臺、知識中臺。其中中層的AI中臺包括AI能力引擎、AI開發平臺兩部分核心能力以及管理平臺，BML是AI 開發平臺的一部分，其特點有三個，分別爲：自主可控的飛槳、自主可控的BML、國際領先的模型和架構。
因其充分考慮沒有深厚AI人才積累的公司的需求，BML內置了大量經過優化的場景解決方案和案例，用戶可以快速構建自己的AI應用。同時BML也提供了模型產線和拖拽式建模低門檻的建模方式，用戶可通過界面簡單的點擊就可以完成從模型訓練到模型上線的AI全流程。與此同時，BML 對外提供AI 相關的培訓賦能，平臺產品結合業務，幫助用戶儘快上手，落地場景。
金融行業是BML目前智能化轉型做的最爲成熟的行業之一，已在智能營銷、智能風控、日常運營等業務場景中落地。其支持飛槳 、TensorFlow、PyTorch、scikit-learn、XGBoost、SparkM-Llib等主流開發框架；具備多種建模方式；擁有全工作週期的模型管理；交付方式靈活；產品接口友好，充分支持被集成。
我們瞭解到，大家一直比較關注大量算力的管理。BML針對AI作業類型特點，開發了經過高度優化的調度器，減少調度產生的碎片，提升資源使用率。同時BML調度充分考慮底層的硬件拓撲，保證作業能夠充分發揮底層硬件能力。最後針對GPU使用率普遍不高的問題，BML開發了GPU共享的功能，通過顯存隔離，多作業複用GPU算力，提升GPU使用率。
百度BML未來的發展趨勢如何？
談到BML的下一步發展方向，百度智能雲機器學習平臺BML高級產品經理李鴿滔表示：“我們會繼續強化百度的差異化，提升產品核心競爭力，進一步集成飛槳、ERNIE、AIStudio模型積累等技術能力，創新AI開發產品體驗，同時也會推出更加貼近應用需求的應用定製化產品。”