随着大流行席卷全球市场，对人工智能(AI)公司的资本投资持续增长。根据CBInsights的一项新研究，到2021年，该行业将打破融资记录，仅今年上半年，人工智能公司就吸引了380亿美元的新投资。2020年全年该领域的融资额超过了360亿。但大规模部署AI的新障碍——技术债务问题——威胁着AI应用开发的持续增长和采用。所谓技术债务是指软件中的一些开发工作被省略或延迟，以确保项目在承诺的交付日期之前按时完成，即使在发布之前所有功能都没有完成。对于AI来说，技术债务是复杂的，因为AI本身在很大程度上是未知的，并且为了快速部署而忽视了很多工作，但它是项目成本上升和延迟的关键催化剂。构建和部署传统应用程序和软件系统是一个确定性的、单向的向前迭代过程，然后进行必要的更改。在每次发布中，都会预测、计划和减少流程中的技术债务。由于这种形式的技术债务是可以预测的，因此它与任何其他费用一样被计入预算。AI技术债务的情况并非如此，它具有不同的构成。什么是人工智能技术债？企业和AI初创企业的决策者通过AI开发寻求新的业务能力——例如聊天机器人、面部识别、智能语音助手和自动文本合成——必须意识到AI技术的差异以及消除和预防它的步骤.人工智能开发的目标是发现、训练和部署准确可靠的预测模型。然而，人工智能技术债务包括实现这一切所需的复杂流程和程序的成本。在AI中，技术债务不是人类决策的结果，而是软件实现所需智能水平的功能需求。特别是在深度学习（DL）中，使用神经网络和Transformer（预序编解码器预测器）算法进行自然语言处理（NLP）、机器视觉、声音识别和合成等，模型的复杂性使得有效地管理技术债务比应用程序开发困难得多。这些功能和程序要求通常通过用于管理和确保开发和部署AI模型过程的重复性任务中的附加、临时编码和手动方式来满足。问题在于，以这种方式管理深度学习的AI技术债务对于具有数十亿参数和潜在数百万美元培训成本的新一代深度学习模型来说是不可持续的。风险太大了。避免人工智能技术债务为了应对深度学习迅速增加的复杂性导致人工智能技术债务激增，企业需要帮助。这就是AI编排和自动化平台(AIOAP)的动态软件基础架构可以提供帮助的地方。研究公司Gartner将此类平台定义为为企业提供规划、自动化和生产准备以及AI管道的功能。它还提供企业级治理，包括可重用性、可再现性、发布管理、沿袭、风险和合规性管理以及安全控制。这些平台还支持统一开发；混合、多云和物联网交付；以及操作流和批处理上下文。传统机器学习的人工智能编排和自动化平台（AIOAP）有很多，但只有少数支持深度学习的独特需求，提供多云透明性的就更少了。三大超大规模云服务提供商——亚马逊(AWS)、谷歌云平台(GoogleCloud)和微软Azure——各自提供自己专有的编排和自动化服务。对于使用单一云处理所有深度学习工作负载的企业，这些产品可以显着减轻技术债务。但对于许多出于经济和监管原因而使用多云和混合云的公司而言，采用多个OAP会带来运营复杂性，从而大大减少它们对AI技术债务的贡献。幸运的是，现在出现了一批新兴的AIOAP供应商，通过提供单一用户界面和通用功能的与云无关的产品和服务来满足多云和混合云用户的深度学习需求。这些平台的潜在用户会发现这些平台在平衡AI从业者、管理者和利益相关者对易用性、问责制和价值实现时间的需求方面存在差异。这些都是AI技术债务的关键要素，它们会因用户组织而异，因此选择最佳AIOAP解决方案意味着采取协作方法以确保服务与组织之间的整体最佳匹配。与AI技术债务作斗争是一项团队运动。随着深度学习继续成为跨行业创新的重要工具，控制AI技术债务变得越来越紧迫，因为很容易将有前途的计划埋没在意想不到的增量成本中。AIOAP有助于消除AI技术债务，提高投资回报率，加快实现价值的时间，并确保满足广泛的深度学习需求的法规遵从性。鉴于这些好处，这种类型的基础设施应该成为每家公司未来AI战略的基本要素。
