大家好，ModelArts在多個(gè)行業(yè)和項(xiàng)目中有了成功落地，這離不開華為云EI在人工智能領(lǐng)域的長期投入。

華為云長期扎根AI基礎(chǔ)研究，覆蓋計(jì)算機(jī)視覺、語音語義和決策優(yōu)化三大領(lǐng)域。我們聚焦于模型高效、數(shù)據(jù)高效、算力高效、知識(shí)高效4大方向，提出了六大基礎(chǔ)研究計(jì)劃，包括面向大模型的模型摸高計(jì)劃、面向小模型的模型瘦身計(jì)劃、面向多模態(tài)學(xué)習(xí)的數(shù)據(jù)魔方計(jì)劃、面向小樣本學(xué)習(xí)的數(shù)據(jù)冰山計(jì)劃、面向通用知識(shí)抽取的萬物預(yù)視計(jì)劃和面向新學(xué)習(xí)范式的虛實(shí)合一計(jì)劃。

我們的許多研究成果，包括自動(dòng)機(jī)器學(xué)習(xí)、小樣本學(xué)習(xí)、聯(lián)邦學(xué)習(xí)、預(yù)訓(xùn)練模型等，能夠即插即用地部署于ModelArts使能平臺(tái)，助力AI賦能千行百業(yè)。

在多項(xiàng)業(yè)界公開競賽和測評中，華為云EI的持續(xù)創(chuàng)新研究已經(jīng)取得了不錯(cuò)的成果，這些都將應(yīng)用于ModelArts平臺(tái)，提供給全球的開發(fā)者使用。

• 感知方面，我們在ImageNet大規(guī)模圖像分類、WebVision大規(guī)模網(wǎng)絡(luò)圖像分類、MS-COCO二維物體檢測、nuScenes三維物體檢測、視覺預(yù)訓(xùn)練模型的下游 分類/檢測/分割等驗(yàn)證中，均保持業(yè)界領(lǐng)先。目前，ModelArts驅(qū)動(dòng)的感知模型已經(jīng)在醫(yī)療影像分析、油氣勘探、工業(yè)故障檢測等領(lǐng)域獲得廣泛應(yīng)用。
• 認(rèn)知方面，依托語音語義和知識(shí)圖譜方向的積累，我們整合行業(yè)數(shù)據(jù)，對多樣、復(fù)雜、孤島化的數(shù)據(jù)進(jìn)行治理，實(shí)現(xiàn)感知智能到認(rèn)知智能的飛躍。目前，ModelArts驅(qū)動(dòng)的認(rèn)知模型已在藥物靶點(diǎn)預(yù)測、金融詐騙分析、智能售后客服等多項(xiàng)任務(wù)中得到應(yīng)用。
• 決策方面，依托運(yùn)籌優(yōu)化、強(qiáng)化學(xué)習(xí)、智能控制等算法，我們已經(jīng)構(gòu)建起完整的決策底座，使得AI真正實(shí)現(xiàn)感知-認(rèn)知-決策的智能閉環(huán)。目前，ModelArts驅(qū)動(dòng)的決策引擎已經(jīng)應(yīng)用于機(jī)位分配、工業(yè)制造、智能交通、游戲娛樂等領(lǐng)域。

我們發(fā)布的ModelArts3.0，是面向AI在行業(yè)落地提供的AI開發(fā)平臺(tái)。在這里，我和我的團(tuán)隊(duì)主要是從技術(shù)領(lǐng)域進(jìn)行探索和研究，如何通過AI技術(shù)高效解決行業(yè)挑戰(zhàn)，比如，如何用極少數(shù)據(jù)訓(xùn)練出高精度模型？如何降低企業(yè)應(yīng)用AI的門檻？如何解決企業(yè)對數(shù)據(jù)安全使用的顧慮等？最終，我們將骨干模型、聯(lián)邦學(xué)習(xí)、智能診斷評估優(yōu)化、和高效算力，很好的融入了ModelArts3.0，下面我將詳細(xì)解讀。

華為云骨干工具鏈EI-Backbone，整合模型高效、數(shù)據(jù)高效、算力高效、知識(shí)高效，全面提升行業(yè)AI落地能力。EI-Backbone的能力，已經(jīng)在10余個(gè)行業(yè)成功驗(yàn)證，并且斬獲10余個(gè)業(yè)界挑戰(zhàn)賽冠軍，發(fā)表100余篇頂級論文。EI-Backbone提供了AI開發(fā)的新范式，以肺部醫(yī)療影像分割為例來介紹：

• 過去需要成百上千例標(biāo)注數(shù)據(jù)才能進(jìn)行的訓(xùn)練，現(xiàn)在有了EI-Backbone，只需要幾十例甚至十幾例標(biāo)注數(shù)據(jù)即可完成，節(jié)省標(biāo)注成本90%以上；
• 過去需要大量專家經(jīng)驗(yàn)和試錯(cuò)成本的模型選擇和超參調(diào)節(jié)，通過EI-Backbone提供的全空間網(wǎng)絡(luò)架構(gòu)搜索和自動(dòng)超參優(yōu)化技術(shù)，可在無需人工干預(yù)的情況下快速完成，且精度大幅提升；
• 過去需要幾周甚至更長時(shí)間，從頭開始的模型訓(xùn)練、測試、驗(yàn)收和部署流程，在加載EI-Backbone集成的預(yù)訓(xùn)練模型后，可以縮短到幾小時(shí)甚至幾分鐘內(nèi)完成，訓(xùn)練成本降低90%以上。

基于EI-backbone技術(shù)，我們?nèi)A為云ModelArts和杭州云深處科技有限公司合作，實(shí)現(xiàn)了四足機(jī)器狗的工業(yè)場景巡檢。

華為云ModelArts 3.0的下一個(gè)特性–聯(lián)邦學(xué)習(xí)。

眾所周知，數(shù)據(jù)是AI應(yīng)用的基礎(chǔ)，只有基于多樣化的數(shù)據(jù)，才能實(shí)現(xiàn)AI智能感知。然而，在實(shí)際AI行業(yè)落地中，數(shù)據(jù)是分散在不同的數(shù)據(jù)控制者之間，這就導(dǎo)致了行業(yè)應(yīng)用的數(shù)據(jù)孤島問題，使得AI算法訓(xùn)練效果受到限制。

針對這個(gè)問題，華為云Modelarts提供聯(lián)邦學(xué)習(xí)特性，實(shí)現(xiàn)數(shù)據(jù)不出戶的聯(lián)合建模。用戶各自利用本地?cái)?shù)據(jù)訓(xùn)練，不交換數(shù)據(jù)本身，只用加密方式交換更新的模型參數(shù)，實(shí)現(xiàn)協(xié)同訓(xùn)練。

華為云EI與中國科學(xué)院上海藥物所的蔣華良院士合作，將華為自研的FedAMP算法和AutoGenome算法應(yīng)用到藥物研發(fā)的AI任務(wù)中，精準(zhǔn)預(yù)測藥物水溶解性、心臟毒性和激酶活性，準(zhǔn)確度遠(yuǎn)超傳統(tǒng)的聯(lián)邦學(xué)習(xí)和深度學(xué)習(xí)算法。

此外，華為云提供云邊協(xié)同的服務(wù)，支持不同地點(diǎn)、不同客戶的數(shù)據(jù)進(jìn)行聯(lián)邦訓(xùn)練，通過加密方式上傳服務(wù)端，對全局模型進(jìn)行更新，再將其下發(fā)至邊緣設(shè)備，便捷支持同業(yè)態(tài)的橫向聯(lián)邦和跨業(yè)態(tài)的縱向聯(lián)邦學(xué)習(xí)。聯(lián)邦訓(xùn)練參與者可以通過云端，也可以通過華為云邊緣設(shè)備（如智能小站）的計(jì)算能力參與聯(lián)邦訓(xùn)練，實(shí)現(xiàn)行業(yè)內(nèi)聯(lián)合建模。

模型在部署上線前，需要進(jìn)行充分評估，結(jié)果優(yōu)秀的模型直接投入生產(chǎn)環(huán)境，差強(qiáng)人意的則需要進(jìn)一步優(yōu)化迭代。ModelArts提供了全面的可視化評估、智能化診斷功能，使得開發(fā)者可以直觀的了解模型的各方面性能，進(jìn)而針對性的進(jìn)行調(diào)優(yōu)或部署生產(chǎn)。

下面以一個(gè)上皮病變細(xì)胞分類的模型評估來進(jìn)行詳細(xì)講解。

• 在精度方面，華為云ModelArts提供了包含準(zhǔn)確率、精確率、召回率、F1值、混淆矩陣、ROC曲線等常規(guī)指標(biāo)，還包括了數(shù)據(jù)敏感度分析模塊，評估模型在不同數(shù)據(jù)特征子區(qū)間上的表現(xiàn)；
• 在性能方面，ModelArts提供算子級別的時(shí)間、空間消耗統(tǒng)計(jì)分析和多種整體的性能指標(biāo)，并且針對模型的表現(xiàn)給出相應(yīng)建議，如模型量化、蒸餾等；
• 在可解釋性方面，ModelArts提供熱力圖，用以展示模型做出推理判斷所依據(jù)的區(qū)域；
• 在可信方面，ModelArts內(nèi)置多種模型可信相關(guān)評測方法，提供多角度模型安全能力評估指標(biāo)，并能依據(jù)當(dāng)前模型表現(xiàn)給出相應(yīng)的防御建議。

隨著深度學(xué)習(xí)分布式訓(xùn)練的不斷發(fā)展,各類模型的訓(xùn)練對于計(jì)算設(shè)備的需求越來越大。但由于各種原因,訓(xùn)練作業(yè)的資源還沒有被充分利用。造成資源浪費(fèi)的原因非常多,主要包括以下幾點(diǎn):

• 訓(xùn)練算法代碼本身質(zhì)量不高、資源利用率低。
• 模型大小和超參數(shù)的設(shè)置也會(huì)顯著地改變計(jì)算資源的利用率。
• 資源池整體利用率存在波動(dòng)峰谷。類似于“峰谷電”,訓(xùn)練作業(yè)的提交也有高峰期和低谷期，造成很大的資源浪費(fèi)。

彈性訓(xùn)練是ModelArts的核心能力之一，可以根據(jù)模型訓(xùn)練速度的需求自適應(yīng)實(shí)現(xiàn)資源的最佳分配。

ModelArts提供兩種模式，一是Turbo模式，可以充分利用空閑資源加速已有訓(xùn)練作業(yè)，訓(xùn)練速度可提升10倍以上，并且不影響模型的收斂精度；二是經(jīng)濟(jì)模式，可以通過最大化資源利用率給開發(fā)者提供極致的性價(jià)比，在大多數(shù)典型場景下可以提升性價(jià)比30%以上。

為了更好地支持超大算力需求的AI研發(fā)，華為ModelArts平臺(tái)在集群規(guī)模，任務(wù)數(shù)量，以及分布式訓(xùn)練都做了針對性的優(yōu)化。

ModelArts研發(fā)平臺(tái)能夠管理上萬的節(jié)點(diǎn)，更好的支持大型訓(xùn)練任務(wù)需求。通過優(yōu)化服務(wù)框架，ModelArts平臺(tái)支持10萬級別的作業(yè)同時(shí)運(yùn)行、支持萬級芯片的大規(guī)模分布式任務(wù)。

優(yōu)秀的分布式加速比是大規(guī)模集群分布式訓(xùn)練的關(guān)鍵能力，也是促使用戶選擇使用大規(guī)模集群來加速AI業(yè)務(wù)的關(guān)鍵因素。

華為云ModelArts領(lǐng)先的分布式加速比能力，在MLPerf benchmark Imagenet-1K分類任務(wù)上，使用512芯片集群跑出93.6秒的成績，優(yōu)于NVIDIA V100的120秒。

在骨干網(wǎng)絡(luò)、聯(lián)邦學(xué)習(xí)、模型診斷優(yōu)化、高效算力的加持下，華為云ModelArts會(huì)加速AI在行業(yè)落地。未來，華為云將持續(xù)聚焦于模型高效、數(shù)據(jù)高效、算力高效和知識(shí)高效4個(gè)重點(diǎn)方向，扎根于AI基礎(chǔ)研究。在計(jì)算機(jī)視覺、語音語義、決策優(yōu)化3大AI領(lǐng)域進(jìn)行基礎(chǔ)研究計(jì)劃投入，我們會(huì)持續(xù)努力，提供強(qiáng)大的AI技術(shù)支持每一位開發(fā)者發(fā)揮所長、創(chuàng)造獨(dú)特價(jià)值。華為云將持續(xù)踐行普惠AI，與全球開發(fā)者共成長！

謝謝大家！

崔歡歡