AWS Sagemaker has been a great deal for most data scientists who would want to accomplish a truly end-to-end ML solution——by John Moolayil
这是数据科学在线网站“towards data science”一篇文章中的一段话。时常有人问我，“为什么会有ModelArts存在”，这是一个很有价值的问题，结合国外专家对AWS Sagemaker的评价，我决定写一篇文章，讲讲我对华为云ModelArts全流程AI平台的理解。
ModelArts平台的初心为什么不能仅仅使用开源软件构建AI训练和推理过程？答案是，可以的，但是不能用于大规模生产环境下，至于为什么我这么说，让我们先谈谈人工智能产品。我认为，如果要将人工智能技术集成到各个行业，需要有一套完整的软硬件平台支撑。
人工智能平台大致的分层架构如下图所示：
完整的人工智能平台，水平方向上支持端、边、云三种场景，每个场景均涵盖了从底层硬件至上层应用。
最底层是芯片层（例如华为的昇腾芯片、Google的TPU芯片、NVIDIA的GPU卡），再往上是适用于端边云的硬件系统（包括服务器和终端设备等）及其基础软件环境（如云服务、操作系统）。
位于这三层之上的是AI计算引擎层，AI计算引擎可以借助计算资源，完成AI模型的训练和推理。当模型训练后之后，需要部署进行推理，推理模块由于计算资源消耗较少，更容易覆盖端、边、云三个场景。
在AI计算引擎之上，人工智能平台提供了常用的AI框架、算法、模型及其其他工具方便用户进行AI业务的开展。常用的AI工具包括但不限于：数据的格式转换、预处理、模型保存、模型评估、模型压缩等等。AI框架、算法、模型和工具是解决常用AI问题时必备的组件。这些可以大大降低AI应用开发的门槛，简化开发AI应用所需的代码量。在此之上，AI应用平台服务提供AI应用的开发和部署服务，支持一次开发、任意部署（含云、边、端）。
再往上是AI应用平台服务，它提供端到端的AI应用开发和部署服务。
最顶层是基于AI应用平台服务开发出的AI解决方案和AI应用，可用于解决业务问题。
自下向上的每一层，我们可以看出，AI平台需要提供从硬件到软件、算法工具再到云服务的全栈优化，才能够真正提升AI应用开发的效率，进而使能行业AI。
ModelArts平台的初心，除了降低以上所说的各层的复杂性之外，更是为了便于用户创造AI应用。为什么AI应用有别于传统软件应用？因为目前常用的人工智能算法，大多基于概率统计，所以具有一定的不确定性和概率性。例如在图像分类场景下，任何AI模型都不可能实现100%的分类准确率。当AI模型预测一张图像类别时必须伴随着一定的概率值，这个概率值不可能达到100%，只能无限接近。而传统AI软件基本都在执行确定性的操作，不会出现概率性。这就是AI应用和传统软件应用最大的区别。
如下表所示，从产品设计、方案设计、开发、测试、上线再到运维的全生命周期的每个阶段中，传统软件应用开发和AI应用开发都有很大的区别。
这是ModelArts的首页，有人会说为什么这么杂乱，很多功能都被平铺在了首页上？如果你换位思考，ModelArts是面向2C用户的AI平台，从完全不懂编程的小白，到精通AI开发全流程的工程师，我们要让更多人享受到AI带来的红利，我们自然需要覆盖更广的用户技能范围，所以，你看到了自动学习、AI全流程开发，这两个不同方向并排在了首页。普惠，了然于心。
进一步剖析ModelArts了解一下AI全流程开发，如下图所示：
