疫情給全球市場帶來了震蕩，但對人工智能(AI)企業的資本投資持續增長。CB Insights的一項新研究顯示，2021年，該行業正在打破融資記錄，僅在今年上半年，人工智能公司吸引了380億美元的新投資。超過了2020年全年在這個領域360億美元的融資。

[[441478]]

但是大規模人工智能部署面臨的一個新障礙——技術債務問題——威脅著人工智能應用開發的持續增長和采用。

所謂技術債務是指為了保證項目在承諾的交付日期前按時完成，軟件中一些開發工作被省略或推遲，即使所有功能在發布前還沒有完成。

對于人工智能來說，技術債務更加復雜，因為人工智能本身存在很大的未知性，為了迅速部署，許多工作被忽視了，但它是項目成本上升和延誤的關鍵催化劑。

構建和部署傳統的應用程序和軟件系統是一個確定性的、單向的正向迭代過程，隨后是必要的更改。在每個版本中，會預測、計劃和減少過程中的技術債務。由于這種形式的技術債務是可預測的，它像任何其他支出一樣被納入預算。

但人工智能技術債務并非如此，它有不同的構成。

什么是人工智能技術債務?

企業和人工智能初創企業的決策者們正在通過人工智能開發——比如聊天機器人、面部識別、智能語音助手和自動文本撰寫——追求新的業務能力，他們必須意識到人工智能技術的差異，并采取措施消除和防止它。

人工智能開發的目標是發現、訓練和部署準確可靠的預測模型。然而，人工智能技術債務包括實現這一切所需的復雜流程和程序的成本。在人工智能中，技術債務不是人類決策的結果，而是實現所需智能水平和軟件的功能要求的結果。

特別是在深度學習(DL)中，使用神經網絡和Transformer(前序編解碼預測器)算法進行自然語言處理(NLP)、機器視覺、聲音識別和合成等，模型的復雜性使得有效管理技術債務比應用程序開發困難得多。

這些功能性和程序性需求通常通過添加、特別編碼和人工方式在循環任務中滿足，這些任務用于管理和確保開發和部署AI模型的過程。問題在于，對于具有數十億參數和潛在數百萬美元訓練成本的新一代深度學習模型而言，以這種方式管理深度學習的人工智能技術債務是不可持續的。風險太大了。

避免AI技術債務

深度學習的復雜性迅速增加，導致人工智能技術債務激增，為了應對這種情況，企業需要幫助。這就是AI編排和自動化平臺(AI OAP-AI Orchestration and Automation Platform)動態軟件基礎設施可以提供幫助的地方。

研究公司Gartner將此類平臺定義為為企業提供規劃、自動化以及可生產準備和AI管線的能力。同時還提供企業級治理，包括可復用性、再現性、發布管理、沿繼、風險和法規遵循管理以及安全控制。這些平臺還可以統一開發;混合、多云和物聯網交付;以及操作流和批處理上下文。

傳統機器學習有很多人工智能編排和自動化平臺(AI OAP)，但只有少數支持深度學習的獨特需求，提供多云透明性的就更少了。

三大超大型云服務提供商——亞馬遜(AWS)、谷歌云平臺(Google Cloud)和微軟Azure——各自都提供自己專有的編排和自動化服務。對于使用單一云處理所有深度學習工作負載的企業，這些產品可以帶來巨大的技術債務減免。但對于許多出于經濟和監管原因而使用多云和混合云的公司來說，采用多個OAP會帶來操作復雜性，從而大大降低其對人工智能技術債務的作用。

幸運的是，現在出現了一批新興的AI OAP提供商，他們使用與云無關的產品和服務來解決多云和混合云用戶的深度學習需求，這些產品和服務提供單用戶界面和跨所有環境的通用功能。

這些平臺的潛在用戶會發現，這些平臺在如何平衡人工智能從業者、管理人員和利益相關者對易用性、問責制和價值實現時間的需求方面存在差異。這些都是AI技術債務的關鍵因素，它們會因用戶組織的不同而不同，因此選擇最佳AI OAP解決方案意味著采取一種協作方式，以確保服務和整個組織之間的最佳契合。與AI技術債務斗爭是一項團隊運動。

隨著深度學習繼續成為各行業創新的重要工具，控制人工智能技術債務變得越來越緊迫，因為它很容易將一個有前途的計劃埋葬在意外增加的成本中。AI OAP有助于消除AI技術債務，提高投資回報率，加快實現價值的時間，并確保廣泛的深度學習需求符合法規要求。考慮到這些好處，這種類型的基礎設施應該是每個公司未來AI戰略的一個基本元素。