在过去，很多算法团队更像是算法外包团队，根据不同业务线的需求，各自构建阵地，逐个攻克目标。这样的形式虽然也取得了很多成绩，但存在重复建设、效率有限的问题。
我们将这些问题总结如下：
“烟囱式”开发，项目成本高、不易集成，过程重复，缺乏能力沉淀。
模型访问方式各异，调用关系错综复杂，缺乏编排优化、协同。
手工进行数据操作，缺少统一数据访问渠道，数据获取难、标准不统一。
模型研发缺乏标准指导、参与角色众多，缺少协同、自动化辅助，难以有效管理沟通协作。
模型交付难，缺少统一的模型运行、监控平台、服务管理接口及更新、维护机制。
基础资源分散隔离，无法动态进行资源的分配和管理，造成浪费。
这些都是AI中台需要解决的痛点，针对以上痛点，我们希望：
对于算法、模型的标准化平台化，对研发过程标准化指导，以提高可复用性。
统一的服务接口规范，支持服务的动态编排组合。
与数据中台对接，利用数据中台的能力对数据进行标准化处理和预处理。
流程优化，清晰角色定义，构建AI产品流水线，具备环节内部、环节之间的自动迭代、流转功能。
提供统一的模型交付部署、运行环境和监控能力，以及模型更新机制。
统一资源管理，包括计算资源、存储资源等，支持资源弹性调度。
总结起来就是：可复用化、服务统一化、对接数据中台、流程角色优化、运行监控化和资源管控化，最终让AI中台成为一个强大的AI能力支持中心，根据业务需求快速提供火力支援，迅速完成商业价值。
1.5 AI中台平台架构
下面介绍AI中台的平台架构。
最下面是数据中台，提供数据处理、数据分析、数据管理、数据安全、数据服务等能力。最上面是业务前台，包括各条业务线。AI中台处于数据中台和业务前台的中间位置。
如图所示，整个AI中台由几个模块组成：
AIHub智能服务：以服务的方式将模型封装起来，提供模型服务运行平台能力。包括模型发布测试、自动部署、模型更新、模型交付、产品封装等。
AIMon平台监控：对运行的模型进行监控和预警，提供平台的监控服务。包括性能测试、状态反馈、预警通知等。
AIKit智能工具箱：提供轻量级、低侵入的AI工具服务，AI应用团队可以自由选用。例如：通过无缝嵌入python语言开发环境，Moonbox可以提供虚拟查询数据、混算数据等能力。也提供数据标注能力，包括结构化数据，以及文字、图像等非结构化数据的在线标注。
AIMgt中台管理：AI中台的一些通用管理能力。包括：角色权限、租户管理、流程控制、资源管理等。
AILab智能试验室：提供标准的模型训练与优化过程支持。包括模型设计、模型训练、特征工程、特征处理、模型追踪、模型评估、算法库、模型库等。
AIAsset智能资产：用于模型资产管理，实现AI能力沉淀、复用、盘点。
CUI会话式UI：这是我们AI中台的一个产品，就是接下来我们要介绍的可用于问答、闲聊、任务、推荐等场景的聊天机器人平台，从机器人平台的角度也包含语音外呼机器人。
1.6 AI中台的能力架构
上图展示AI中台的能力架构。我们以能力的角度来描述AI中台对外输出。除了前文介绍的服务运行能力、监控预警能力、资源管理能力（就是图中左边的几个模块）以外，我们把AI中台的能力分为4层：
1）平台层比如数据获取能力、在线训练能力、在线标注能力、特征工程能力、自助训练能力等。这些能力是通过AI工具集和AIlab来实现的。
这层的用户主要包括：
算法工程师（AI中台、AI团队），他们可以使用AI中台提供的平台层能力来进行在线训练、复用算法库、复用平台计算资源、进行各种实验等。
高级研发人员、数据分析人员，他们可以使用AI中台的自助训练能力，进行自助训练，例如：根据自己已经标注好的数据，自助训练分类模型。
2）AI技术层AI技术层主要提供：AI基础能力，包括词法分析、语音合成、文章分类、图像识别等，这些本质上是AI技术NLP、语音、图像、视频等大分类里的能力。
3）AI业务层AI业务层主要提供AI技术与业务相结合后能提供的能力，比如：评论观点提取、文章标签、卡证类识别、人脸识别、视频审查等。