6月13日，天云大数据产品发布暨渠道招募会在京举行。本次会议以“AI浪潮下，如何参与DT转型”为主题，来自投资界、国际第三方独立咨询公司、媒体行业等十余位业内重量级嘉宾进行了精彩分享，国内渠道商以及科技、金融、能源等领域从业者、投资人参加了本次会议。
发布会上，天云大数据正式发布基于Hadoop/spark分布式底层架构的机器学习及建模产品MaximAI 3.0，以“AI的AI”为基本定位，MaximAI 3.0具备支持算法多样化、模型生产智能化、模型部署容器化三大特征，帮助企业实现模型智能化生产。
天云大数据CEO雷涛说：“MaximAI 3.0具有普惠AI的精神，它将科学家在传统实验室完成的工作，赋予更多人使用，降低使用门槛，让更多的开发者、业务人员能够使用人工智能，从而实现AI的民主化。”
今天，如果你愿意，你甚至每天都能找到与AI相关的各种活动，这从一个侧面说明风口上的AI热度不减。然而，由于AI的复杂性与专业性，这影响了其在更多行业场景的推广。理论上，当AI不再是少数大公司和精英科学家的专利之时，将是各行各业能够从AI应用中提高生产力之日。
最新推出的天云大数据MaximAI 3.0体现了AI“Android”化的普惠思路。该分布式数据科学平台通过构建支持Auto Machine Learning特性的PaaS化AI平台，尝试为客户做AI赋能，减少对数据科学家的依赖，在业内率先迈出AI平民化的第一步。
华映资本合伙人章高男表示：“当前，AI企业基本都选择了金融行业作为第一个落地的行业，原因在于金融行业有数据、有场景、有动机，但相信要不了多久，这一局面一定会改变，更多的传统行业将为AI应用提供更广阔的发展空间。天云大数据已经走出了这一步，我们非常看好其成长性。”
据悉，2018年上半年天云大数据最新完成了1亿人民币增资，本次融资由曦域资本、华映资本领投。
从谷歌到天云：未来AI发展更注重规模化生产能力
业界普遍认为，2017年是我国AI发展的元年。正因为如此，AI高高在上，既影响了对AI的认知，也同时阻碍了AI的应用进展。
纵观汽车、手机等众多产品，他们从诞生到大规模量产的历史表明，新技术的发展历程往往经历数十年乃至上百年，AI的量产也同样面临着困难重重的局面。据2017年纽约时报报道，一个刚毕业的AI工程师年薪达到了惊人的30万美元/年，而美国人的平均工资是8.1万美元/年。据腾讯研究院预测，到2020年，市场对AI应用的需求将增长300%，旺盛的需求，偏少的人才供给，导致AI人才成本高昂。
只有通过升级大规模生产工具，才有望满足需求。
举例来说，某股份制银行的APP，其背后是该银行多达数千人的数据科学团队每年生产600个机器学习模型供APP调用，以为客户提供多样化服务。因此比起场景，AI还需要甚至应该更加关注怎样高效率低成本的批量化生产模型，毕竟负担上千人的数据科学团队，对于大多数企业来说是非常有挑战性的。
在刚刚结束的5月19日全球人工智能大会上，Google提出的解决路径是供给规模化的AI工具。无独有偶，天云大数据同样提出了解决问题的规模化AI工具，即通过构建支持Auto Machine Learning（自动化机器学习，AutoML）特性的PaaS化AI平台MaximAI，尝试为客户做AI赋能，减少对数据科学家的依赖，让企业获取机器智能像读书一样简单。
MaximAI3.0:以Auto ML为客户赋能 降低企业AI应用门槛
如上所述，应用机器学习技术解决现实世界问题是昂贵而困难的。利用基于AI的技术方案来克服这一应用过程中的难题，就是自动化机器学习(AutoML)，AutoML指的是“用于优化AI”的AI。
微软和谷歌先后利用图片分类的案例给出了其对AutoML的答案：建模者只需付出最少的操作(上传、选择和评估)，利用微软或谷歌云AI平台的能力，即可获得具有一定精度的机器学习模型。
同样，致力于赶超国际技术前沿的天云大数据，自2015年即开始开发分布式人工智能平台MaximAI，目前MaximAI已经迭代到3.0版本，实现了算法的自动化优化，即Auto Machine Learning。也就是说，客户在选择算法时能更加简单，像基于Android开放应用一样，基于天云的PaaS化AI平台去构建机器学习模型。同时，还可以实现notebook环境下的容器化部署，根据任务类型自动确定算法，特征工程自动化，自动衍生或合成特征，模型超参优化智能化。
经过几次平台迭代，天云平台已能实现模型的智能化生产，真正实现Auto Machine Learning。通过一系列的自动化方法，成功减少了对数据科学家的依赖，降低了AI在企业市场的应用门槛。
“AI不是少数人的专利，AI模型的PaaS化（平台即服务）、智能化成为突破AI产业化应用的关键。未来人工智能发展趋势更应凸显规模化生产能力，让企业获取机器智能像读书一样简单。”雷涛说。
IT向DT转型的生态变化 ：从规则流程驱动向数据驱动转变
2015年9月，国务院发布《促进大数据发展行动纲要》，自此以后，始于2014年的“DT时代”这一概念开始深入人心。这是由于，DT时代的核心之一，就是大数据，而后者正是AI的基础。
不过，在中观和微观层面，IT向DT的转型，并非仅是概念的转换，而体现在整个市场结构将发生根本变化：IT时代，IOE为代表的三大国际巨头组成的IT系统一直是国内企业信息化的“三驾马车”与“黄金搭档”，市场结构逻辑是IT支撑业务，IT设施处理的是经验规则抽象出来的内容；然而伴随着云计算和开源软件技术的成熟应用，随着大数据时代的到来，IT（Information Technology）开始向DT(Data Technology)转型，生态面临重新洗牌，这种高大上的“黄金搭档”即将走下神坛。DT时代的市场逻辑要求直接处理海量数据，因此需要通过更高阶的工具来为企业赋能，（Algorithm）、B(Bigdata)、C(Cloud)即成为了DT时代的技术选择。
进一步分析，随着传统行业数字化程度的提高，传统规则经验方法已经无法满足更复杂的数字化世界的要求。在大数据时代，难以量化与处理的复杂的高维结构需要更高维的算法来描述，机器学习使人类得以在难以精确描述规则的边界去完成任务。因此，IT向DT的转型，意味着从规则流程驱动向数据驱动的转变，重塑生产流程，将复杂业务进行重新表达，将传统流程予以改造，用规模化的AI应用提高生产效率、节省时间。
IT向DT的转型，意味着从规则流程驱动向数据驱动的转变，重塑生产流程，将复杂业务进行重新表达，将传统流程予以改造，用规模化的AI应用提高生产效率、节省时间。
这一深刻的历史背景，为AI的演进同时也为AI的大规模应用提供了土壤。
资料显示，天云大数据分布式数据科学平台基于 Hadoop/spark 分布式底层架构，采用图形用户界面交互 Free Coding 模式，简化整个预测模型生命周期的管理，实现分布式运行深度学习、梯度提升模型、逻辑回归等常用热门算法，加快建模速度，提升模型预测准确率，帮助企业简化编程建模方式，进行机器学习和建模，实现AI模型生产。
目前，MaximAI已广泛应用于金融领域，在大型银行、保险、互联网金融均有成功落地，部署于某大型银行，高风险客户正确识别率高达78%，客户申请欺诈识别率提升20%以上。
同时，作为通用型人工智能平台，MaximAI在医疗、能源、艺术品交易所也得到了成功验证。在医疗领域，天云利用机器学习算法准确识别出影响冠心病患病概率的重要性因子，并依此建立模型、进行预测，在临床实践中为专业医师提供参考和开拓诊疗思路；在能源领域，天云通过对油井故障的示功图进行故障分类，将传统以月为单位的反馈分析效率提升到了日，并且大大减少了维护工人的数量；在艺术品交易领域，通过聚类算法分析，为营销以及艺术品的甄选上线提供精确的数据指导和预测。
AI重塑商业流程 天云赋能合作伙伴
当天的发布会上，天云大数据还公布了渠道发展计划。据介绍，天云与生态合作伙伴的合作可分为四种体系：
一是技术转卖，合作伙伴在价值转移过程中获得附加价值；
二是帮助合作伙伴服务转型，由面向Java、DB流程型开发的服务团队，转型成DT时代的Machine Learning数据驱动团队；
三是面向已经进入数据科学的团队，天云提供支持容器化部署docker的微服务Micro service,将数据科学的模型生产过程沉淀、打包成标准可扩展形态的产品，帮助合作伙伴扩大规模；
四是面向拥有数据和场景的合作伙伴，提供数据变现的资本合作。
天津卓朗科技发展有限公司、山东胜软科技有限公司、北京森益博通有限公司、埃森哲（中国）有限公司等来自全国各地的合作伙伴与天云大数据举行了现场签约仪式。
DT时代生产流程重塑，人工智能替代流程，成为新的核心要素。天云大数据作为国内唯一能够同时提供分布式计算平台产品和AI平台基础设施的解决方案提供商，将以AI赋能合作伙伴，共建生态服务体系，与渠道及客户一起，共享DT时代红利。
- 达索系统全球CEO：科学是公司的DNA 坚持长期主义 – 2023年12月28日
- 发改委：实施绿色低碳先进技术示范工程重点方向含“工业互联网+绿色低碳” – 2023年8月24日
- 如何以技术手段破解数据合规难题 – 2023年8月17日