根据IDC预测，企业直接用于数字化转型的投入在2020~2023年间将达到17.5%的年复合增长率，到2023年超过7万亿美元。2021年全球会有5.5万亿美元投资在数字化转型。
这次疫情加速了各行业数字化、智能化的转型速度，企业数字化、智能化转型已不再是锦上添花，而是在竞争中存活的必然选择。那么传统企业如何快速转型？已经拥抱数字化、智能化的企业如何在疫情下保持强有力的竞争力？
事实上，从计算机视觉到NLP，不管用例的差异有多大，它们的共同点都是数据。数据是核心，企业需要为AI部署做好充足的数据准备，本文我们将围绕“转型”、“演进”、“趋势”三个点为大家分享企业如何通过一站式数据处理、分析平台，更好的拥抱AI。
企业如何加速完成智能化转型的步伐?
现在很多企业都开始了数字化转型、智能化转型，国内企业信息化进程大概可以分为以下四个阶段：
• 业务操作电子化
• 业务流程信息化
• 业务和管理的数字化
• 业务决策智能化
业务决策智能化是一种新学术理论，它又分为辅助智能、增强智能及自主智能三步。自主智能阶段将是企业未来的发展方向。在企业内外部因素的驱使下， 智能化转型会给传统产业带来诸多益处，这其中包括：更敏捷的运营、更智能的决策、全新的价值主张及外部实现业务转型、创新和增长。
但对于传统企业，AI落地相对更难。据调查显示，在推进智能化转型中， 40%企业进展相对顺利， 这其中仅有13%的企业取得比较可观的效果，剩余的27%效果一般。另外60%的转型企业尚没有进入智能化转型的良性路径，这里面甚至有26%的企业智能化转型成为了吞噬企业资源的陷阱， 给企业造成了损失。目前来看AI落地还有很长的路要走。困难和挑战主要来自于以下几方面：
• 数据：智能技术的能力是由输入的数据广度深度和质量来决定的，有些企业数据多但是没有发挥出作用，主要原因有：数据质量问题、数据碎片化、数据广度和深度不够， 另外就是数据架构，很多企业的数据都无法满足实时获取与应用。
• 技术基础：智能技术必须与核心的系统基础设施紧密集成才能实现价值，但是一般的企业面临传统的系统与技术缺口，需要大规模调整才能部署。
• 业务流程：传统的业务一般是围绕人建设的，但人工智能驱动的流程跟前者难以匹配。比如金融行业中，现有流程以人与人之间的信息流动为基础，随着AI的发展， 需要考虑机器与人的交互。
• 核心竞争力：数据规模， 定制化产品， 优化匹配， 高留存效益都将成为核心竞争力。
• 监管：监管与技术达成一致存在较大的复杂性，现有监管制度难以跟上新型技术的步伐， 给智能化部署造成障碍。
• 组织：智能化转型追求精简与灵活，只有改变各部门的价值定位才能适应智能化所带来的变化。
• 人才：人才是智能化转型的核心动力，无论是企业内部还是市场中，符合智能化转型的人才比较匮乏，同时企业受限于过往的招聘框架和薪酬体系，而在人才竞争中错失补充关键人才的机会。
• 文化：大部分企业并没有构建智能化转型的主动性和初步计划，领导者转型动力不足，各层级组织未达成认知上的统一， 以数据、智能、敏捷为核心的工作文化无法建立，企业内部无法在智能化转型上形成合力。
所以企业想要成为真正的智能型组织，应考虑在每个核心业务流程和企业运营中系统地部署AI开发平台和其他认知工具，以支持数据驱动的决策，推动产品和商业模式创新。不同行业对于智能化转型的具体准备不同，但又有如下几个相同点：
• 企业文化升级： 产业升级的关键就在于如何更有效的排出推行的阻力，这是一个需要自上而下全员参与的过程，不仅需要统一行动，更需要统一认识和思想。
• 财务的支持： 智能化升级需要资金的投入来建设智能系统，所以企业想要智能化转型，需要提前在财务方面预判风险。
• AI系统或产品定制：建设AI系统，需要相关团队来运维、 运营相关产品。团队成员需要对智能化的链路，以及新增业务的实施路径有清醒的认识。
• 数据采集整理：数据是智能化的基础和原材料，智能化转型的第一步往往都是先进行数据连接。有些数据体量大的企业会搭建大数据平台，AI系统如何与大数据平台协作，如何从不同的数据源拿到数据等都是需要考虑的问题。
• 人力资源的招募与培训： 传统行业AI人才比较匮乏， 需要建设相关的人才及薪酬体系等。
• 项目的选定： 需要评估企业中哪些业务适合智能化转型。
百度BML给各行业带来了哪些创新应用?
百度作为AI的领军企业，自2016年以来，逐渐把积累多年的人工智能技术全面对外开放，打造了一套整体的人工智能开放生态，帮助企业、业界能够更快速的使用、应用人工智能的技术去发展。
最近百度智能云全面升级，融合了云计算、大数据、百度大脑等百度的核心技术，希望将人工智能输送到千行万业，促进各行各业的智能化升级。近期在云智峰会上，王老师提出以云计算为基础， 人工智能为抓手，聚焦重要赛道的战略来实现这个目标。
支撑这个战略的架构分为三层：底层百度大脑、 中层两大中台、AI中台、知识中台。其中中层的AI中台包括AI能力引擎、AI开发平台两部分核心能力以及管理平台，BML是AI 开发平台的一部分，其特点有三个，分别为：自主可控的飞桨、自主可控的BML、国际领先的模型和架构。
因其充分考虑没有深厚AI人才积累的公司的需求，BML内置了大量经过优化的场景解决方案和案例，用户可以快速构建自己的AI应用。同时BML也提供了模型产线和拖拽式建模低门槛的建模方式，用户可通过界面简单的点击就可以完成从模型训练到模型上线的AI全流程。与此同时，BML 对外提供AI 相关的培训赋能，平台产品结合业务，帮助用户尽快上手，落地场景。
金融行业是BML目前智能化转型做的最为成熟的行业之一，已在智能营销、智能风控、日常运营等业务场景中落地。其支持飞桨 、TensorFlow、PyTorch、scikit-learn、XGBoost、SparkM-Llib等主流开发框架；具备多种建模方式；拥有全工作周期的模型管理；交付方式灵活；产品接口友好，充分支持被集成。
我们了解到，大家一直比较关注大量算力的管理。BML针对AI作业类型特点，开发了经过高度优化的调度器，减少调度产生的碎片，提升资源使用率。同时BML调度充分考虑底层的硬件拓扑，保证作业能够充分发挥底层硬件能力。最后针对GPU使用率普遍不高的问题，BML开发了GPU共享的功能，通过显存隔离，多作业复用GPU算力，提升GPU使用率。
百度BML未来的发展趋势如何？
谈到BML的下一步发展方向，百度智能云机器学习平台BML高级产品经理李鸽滔表示：“我们会继续强化百度的差异化，提升产品核心竞争力，进一步集成飞桨、ERNIE、AIStudio模型积累等技术能力，创新AI开发产品体验，同时也会推出更加贴近应用需求的应用定制化产品。”