滴滴開源了一個終端側 AI 集成運行時環境（IRE）—— AoE（AI on Edge）。AoE 以 “穩定性、易用性、安全性” 為設計原則，可以幫助開發者將不同框架的深度學習算法輕松部署到終端高效執行。
滴滴開源了一個終端側 AI 集成運行時環境（IRE）—— AoE（AI on Edge）。AoE 以 “穩定性、易用性、安全性” 為設計原則，可以幫助開發者將不同框架的深度學習算法輕松部署到終端高效執行。
- 一是隨著人工智能技術快速發展，這兩年涌現出了許多運行在終端的推理框架，在給開發者帶來更多選擇的同時，也增加了將 AI 布署到終端的成本；
- 二是通過推理框架直接接入 AI 的流程比較繁瑣，涉及到動態庫接入、資源加載、前處理、后處理、資源釋放、模型升級，以及如何保障穩定性等問題。
根據介紹，當前有以下 8 種終端運行的主流推理框架：
從本質上來說，無論是什么推理框架，都必然包含初使化、前處理、執行推理、后處理、釋放資源這 5 個處理過程，對這些推理過程進行抽象，是 AoE 支持各種推理框架的基礎。目前 AoE 實現了對兩種推理框架 NCNN 和 TensorFlow Lite 的支持。具體來說，AoE 集成運行環境最基本的便是抽象推理操作，通過依賴倒置的設計，使得業務只依賴 AoE 的上層抽象，而不用關心具體推理框架的接入實現。這種設計帶來的最大的好處是開發者隨時可以添加新的推理框架，而不用修改框架實現，做到了業務開發和 AoE SDK 開發完全解耦。
- InterpreterComponent：用來處理模型的初使化、執行推理和釋放資源。
- Convertor：用來處理模型輸入的前處理和模型輸出的后處理。
[[275547]][[275548]]AoE 還有另一個特性是具有穩定性保障。眾所周知，Android 平臺開發的一個重要的問題是機型適配，尤其是包含大量 Native 操作的場景，機型適配的問題尤其重要，一旦應用在某款機型上面崩潰，造成的體驗損害是巨大的。
有數據表明，因為性能問題，移動 App 每天流失的活躍用戶占比 5%，這些流失的用戶，6 成的用戶選擇了沉默，不再使用應用，3 成用戶改投競品，剩下的用戶會直接卸載應用。因此，對于一個用戶群龐大的移動應用來說，保證任何時候 App 主流程的可用性是一件最基本、最重要的事。
結合 AI 推理過程來看，不可避免地，會有大量的操作發生在 Native 過程中，不僅僅是推理操作，還有一些前處理和資源回收的操作也比較容易出現兼容問題。為此，AoE 運行時環境 SDK 為 Android 平臺上開發了獨立進程的機制，讓 Native 操作運行在獨立進程中，同時保證了推理的穩定性（偶然性的崩潰不會影響后續的推理操作）和主進程的穩定性（主進程任何時候不會崩潰）。
具體實現過程主要有三個部分：注冊獨立進程、異常重新綁定進程以及跨進程通信優化。
目前 AoE SDK 已經在滴滴銀行卡 OCR 上應用使用，想更加清晰地理解 AoE 和推理框架、宿主 App 的關系，可以通過下面的業務集成示意圖來了解它：
已經開源的運行時環境 SDK 包括 Android 和 iOS 平臺，此外 Linux 平臺運行時環境 SDK 正在緊鑼密鼓地開發中，預計在 9 月底也會釋出。
