AI发展和竞争，已经来到2.0时代。

　　这是一个落地为王关键的阶段。

　　在2019上海世界人工智能现场，谈论最多的话题也是AI落地和实践经验。

　　或许不同的行业位置和角色，对该问题会有不同的答案。

　　但当英特尔给出经验总结和实践分享时，可能相对更具参考，因为作为算力担当、行业基石。AI落地进程中的英特尔见得更多、视野更广，遭遇的挑战和问题亦更具共性。

　　那么英特尔的AI落地经验是什么呢?

　　他们给出4大经验，并用了7个案例来说明。

　　经验一：推理需求超训练需求

　　就像手机厂商早期竞争时的比跑分，算力提供方在AI 1.0时代里的竞争，也往往以模型训练的速度来说话。

　　然而在真实场景中，风向早已变化，推理需求早已超过训练需求。

　　在AI应用和落地部署中，更为务实，技术价值兑现，核心是业务效能有直接提升，而推理就成为关键所在。

　　比如视频平台爱奇艺，AI实践和落地中，推理效率提升可以带动生产力提升。

　　在这家中国头部视频内容公司的产品中，实时弹屏显示、面部识别应用、鉴黄内容检测，以及文本检测应用的推理性能，都是影响用户体验和平台效益的关键项目。

　　英特尔方面分享称，为了实现视频服务实现全流程智能化，爱奇艺导入英特尔架构软硬件组合，优化深度学习云平台：Jarvis。

　　而基于英特尔架构处理器，爱奇艺还引入了MKL/MKL-DNN对云平台进行系统级优化。加入OpenVINO工具套件，提升Jarvis平台的推理效率。

　　最后，一系列部署完成后，效果对比显著：

　　实时弹屏显示的推理速度提升达5倍。面部识别应用的推理效率提升达4倍。涉黄内容检测的推理效率提升达6倍。文本检测应用中的推理性能提升达11倍。

　　不过，爱奇艺本身就是科技互联网公司，AI应用中有基础。

　　所以在加速推理并效果明显的落地实践中，英特尔还举出了美的的项目心得。

　　美的，国内再熟悉不过的家电制造企业，在整个流程中涉及大量的工业视觉检测需求，像快速、敏捷、自动地识别出待测产品的诸多缺陷，例如螺钉漏装、铭牌漏贴、LOGO 丝印缺陷等问题。

　　更重要的是，相关AI模型能够对非标准变化因素有良好的适应性，即便检测内容和环境发生变化，也能很快地予以适应，省去了冗长的新特征识别、验证时间。

　　于是与英特尔合作中，双方打造了一个基于“大数据+AI”端到端解决方案，实现敏捷、高性能通用化缺陷检测能力。

　　通俗来讲，为美的制造流程增添“眼”和“脑”。

　　实际上，利用机器视觉进行工业检测，也是传统工业制造中目前最核心的需求之一。

　　但传统机器视觉方案面临着诸多问题：一方面，复杂的生产环境带来大量非标准化特征识别需求，导致定制化方案开发周期长、成本高。

　　另一方面，检测内容多样化也造成参数标定繁琐，工人使用困难。

　　而且传统方案往往需要机械部件配合定位，因此占用产线空间大，对工艺流程有影响。

　　美的的固有条件是拥有来自生产一线的海量数据资源，并且春江水暖，早就开始进行全力构建基于AI技术，集数据采集、模型训练、算法部署于一体的工业视觉检测云平台。

　　但除了具备工件标定、图像定位及校准等功能外，美的还希望通过部署优化的深度学习训练模型和预测模型，来缩短开发周期和成本，并提高设备的易用性与通用性。

　　于是针对美的这一需求，英特尔为其提供了基于Apache Spark的Analytics Zoo大数据分析和AI 平台，以端到端的方式，帮美的工业视觉检测云平台快速、敏捷地构建从前端数据预处理，到模型训练、推理，再到数据预测、特征提取的深度学习全流程。

　　值得一提的是，Analytics Zoo在模型重定义阶段，不仅可以执行参数调整，并可加速模型推理速度，通过与英特尔至强可扩展处理器的配合，数据显示，云平台的模型推理时间已从 2秒缩短到124毫秒4。

　　最后，Awwnalytics Zoo还对命令行模式与 Web Service 模式提供了良好支持，这使得云平台可与美的其他应用系统实现平滑的对接。

　　整体结果上，项目部署周期缩短了57%，人工成本减少70%，推理时间从2秒缩短至124毫秒。

　　美的方面也反馈称，效益显著，正着手复制到所有产线。