經(jīng)濟新常態(tài)下，如何對海量數(shù)據(jù)進行分析挖掘以支撐敏捷決策、適應(yīng)市場的快速變化，正成為企業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵。機器學(xué)習(xí)算法能識別數(shù)據(jù)模型，基于規(guī)律完成學(xué)習(xí)、推理和決策，正廣泛的應(yīng)用在金融、消費品與零售、制造業(yè)、能源業(yè)、政府與公共服務(wù)等行業(yè)的各種業(yè)務(wù)場景中，如精準(zhǔn)營銷、智能風(fēng)控、產(chǎn)品研發(fā)、設(shè)備監(jiān)管、智能排產(chǎn)、流程優(yōu)化等。企業(yè)傳統(tǒng)的機器學(xué)習(xí)雖然能有效支撐業(yè)務(wù)決策，但由于嚴(yán)重依賴數(shù)據(jù)科學(xué)家，其技術(shù)門檻高、建模周期長的特點正成為企業(yè)實現(xiàn)數(shù)據(jù)驅(qū)動的阻礙。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺是指覆蓋數(shù)據(jù)采集、數(shù)據(jù)探索、數(shù)據(jù)處理、特征工程、模型構(gòu)建、模型訓(xùn)練、模型部署與發(fā)布、模型管理與運營等建模全流程的平臺，提供一站式建模服務(wù)，能顯著提升建模效率、降低建模門檻。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺能支持并賦能企業(yè)各業(yè)務(wù)場景實現(xiàn)智能決策，幫助企業(yè)打造數(shù)據(jù)驅(qū)動型組織。本報告對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場進行重點研究，面向金融、消費品與零售、制造與能源、政府與公共服務(wù)等行業(yè)企業(yè)，以及人工智能軟件與服務(wù)提供商的數(shù)據(jù)部門、業(yè)務(wù)部門負(fù)責(zé)人，通過對業(yè)務(wù)場景的需求定義和代表廠商的能力評估，為企業(yè)數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的建設(shè)規(guī)劃、廠商選型提供參考。
廠商的產(chǎn)品服務(wù)滿足市場分析的廠商能力要求；
近一年廠商具備一定數(shù)量以上的付費客戶（參考第3章市場分析部分）；
近一年廠商在特定市場的收入達到指標(biāo)要求（參考第3章市場分析部分）。
1. 2023年數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場規(guī)模達到55億元
圖1：2022-2026年數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場規(guī)模
據(jù)愛分析推測，2022年數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場規(guī)模為41億元，2023年將達到55億元，同比增長35%。未來愛分析測算2026年數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場規(guī)模將達到154億元，2022-2026四年CAGR為40%。未來幾年，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場的快速增長主要受AI大模型驅(qū)動。ChatGPT的爆火推升了企業(yè)對生成式大模型的認(rèn)知，也提高了企業(yè)對AI解決方案的預(yù)算投入，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)模型作為AI解決方案的基礎(chǔ)設(shè)施建設(shè)，將與AI解決方案一起保持高速增長。目前，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺市場在金融、電信、互聯(lián)網(wǎng)等行業(yè)滲透率最高；大中型企業(yè)正加速平臺落地。分行業(yè)來看，受數(shù)據(jù)體量和質(zhì)量水平影響，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺在金融、電信、互聯(lián)網(wǎng)等行業(yè)滲透程度較高。大型企業(yè)均已通過采購或自建的方式搭建起數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺，中型企業(yè)也在加速部署落地。其次是政府機構(gòu)，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺在省級部門單位的滲透率逐漸提升。此外，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺在零售、新能源、工業(yè)、醫(yī)療等行業(yè)的滲透率較低，其中大型企業(yè)尚處于引入、籌備階段。從企業(yè)規(guī)模來看，大中型企業(yè)的業(yè)務(wù)線條復(fù)雜、潛在AI應(yīng)用場景數(shù)量可觀，且自身技術(shù)人員儲備充足，從長遠來看，使自身具備AI建模能力是更持久、性價比也更高的方式，因此待數(shù)據(jù)條件成熟后大中型企業(yè)更傾向引入數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺；小型企業(yè)業(yè)務(wù)簡單，技術(shù)人員有限，更傾向直接從算法商店直接購買成熟的AI算法部署實施，實現(xiàn)AI應(yīng)用的快速驗證，后續(xù)AI應(yīng)用場景增多或是采購的算法不支持個性化業(yè)務(wù)場景時，才會考慮采購數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺。2. 大模型將升級平臺使用體驗，成為廠商差異化競爭關(guān)鍵
AI大模型熱潮激發(fā)大模型與千行百業(yè)的結(jié)合，大模型與數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的融合已明確成為數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的進化新方向。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺廠商在功能上區(qū)別不明顯，平臺使用體驗成為差異化關(guān)鍵，大模型與數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的融合能有效改善平臺使用體驗，將成為廠商獲取未來競爭優(yōu)勢的發(fā)力點。據(jù)愛分析調(diào)研，廠商對大模型與機器學(xué)習(xí)平臺的融合實踐路徑主要基于以下三種形式展開：
圖2：大模型與數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺融合形式
通過預(yù)訓(xùn)練大模型進行智能標(biāo)注，如應(yīng)用CV大模型對圖片、語義進行智能標(biāo)注，高效生成訓(xùn)練數(shù)據(jù)。
用大模型對業(yè)務(wù)創(chuàng)新思路進行快速初步驗證。大模型的通用性使得它能快速給出結(jié)果，用戶可先通過大模型驗證業(yè)務(wù)思路后，再使用數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺開發(fā)訓(xùn)練小模型以保證模型效果和穩(wěn)定性。
通過大模型實現(xiàn)建模全流程智能化。既有的低代碼建模仍需要人工拖拉拽進行配置，過程中也需要對算子細(xì)節(jié)進行設(shè)置，人工操作不可避免，而自動化建模方式下，缺少數(shù)據(jù)科學(xué)家的專業(yè)性，只能適用于分類、回歸等簡單的場景。大模型建模的理想愿景是實現(xiàn)用戶通過自然語言與大模型互動，大模型可自動化完成數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型部署全流程。在這個過程中，大模型會為用戶提供數(shù)據(jù)科學(xué)家級別的專業(yè)引導(dǎo)。這一方式的落地難度系數(shù)極高，需完成包括不限于完成從自然語言（NLP）到數(shù)據(jù)處理（SQL）的轉(zhuǎn)化、數(shù)據(jù)的圖形化、建立模型訓(xùn)練知識庫等過程。
圖3：人通過自然語言與大模型互動智能完成建模全流程
目前，前兩種形式已經(jīng)落地實現(xiàn)，第三種形式還處于研發(fā)階段。3. 數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺廠商應(yīng)滿足企業(yè)信創(chuàng)需求信創(chuàng)國產(chǎn)化已經(jīng)成為國家發(fā)展的重要戰(zhàn)略之一。隨著信創(chuàng)產(chǎn)業(yè)的發(fā)展，以金融、政府為代表的領(lǐng)域正沿著從基礎(chǔ)設(shè)施到支撐平臺再到企業(yè)應(yīng)用的思路進行國產(chǎn)化替換，目前，大中型企業(yè)及機構(gòu)在基礎(chǔ)設(shè)施端的國產(chǎn)替換完成度較高，包括芯片、服務(wù)器、操作系統(tǒng)、數(shù)據(jù)庫、中間件等。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺支撐數(shù)據(jù)資產(chǎn)價值變現(xiàn)的關(guān)鍵環(huán)節(jié)，且與以上基礎(chǔ)軟硬件關(guān)系緊密，需要適應(yīng)企業(yè)國產(chǎn)化環(huán)境。這要求技術(shù)廠商盡快完成平臺軟件與國產(chǎn)化軟硬件環(huán)境的兼容、適配及認(rèn)證，保證平臺能在國產(chǎn)CPU、AI加速芯片以及操作系統(tǒng)上穩(wěn)定運行。圖4：數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的國產(chǎn)化適配要求
愛分析對本次數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺項目的市場分析如下。同時，針對參與此次報告的部分代表廠商，愛分析撰寫了廠商能力評估。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺
數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺是指覆蓋數(shù)據(jù)采集、數(shù)據(jù)探索、數(shù)據(jù)處理、特征工程、模型構(gòu)建、模型訓(xùn)練、模型部署與發(fā)布、模型管理與運營等建模全流程的平臺，提供一站式建模服務(wù)，能顯著提升建模效率、降低建模門檻。大模型開發(fā)平臺也屬于數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的范疇。
金融、消費品與零售、制造與能源、政府與公共服務(wù)等行業(yè)企業(yè)，以及人工智能軟件與服務(wù)提供商的數(shù)據(jù)科學(xué)家、風(fēng)控建模人員、營銷建模人員、業(yè)務(wù)分析人員、模型應(yīng)用人員。企業(yè)對機器學(xué)習(xí)的應(yīng)用越來越廣泛。一方面，數(shù)據(jù)量的激增、算法的突破以及CPU、GPU、DPU等多種算力技術(shù)的發(fā)展，為以機器學(xué)習(xí)為基礎(chǔ)的數(shù)據(jù)挖掘、計算機視覺、自然語言處理、生物特征識別等技術(shù)在企業(yè)的應(yīng)用奠定了技術(shù)基礎(chǔ)；另一方面，市場環(huán)境的快速變化對企業(yè)決策敏捷性要求增強，不僅推動企業(yè)將機器學(xué)習(xí)模型應(yīng)用到營銷、廣告、風(fēng)控、生產(chǎn)等更多業(yè)務(wù)場景，也對模型精度、模型開發(fā)敏捷性以及模型應(yīng)用廣度提出更高要求。然而，機器學(xué)習(xí)技術(shù)門檻高、建模周期長，難以滿足企業(yè)通過基于機器學(xué)習(xí)模型提升經(jīng)營效率的需求。數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺具備工具豐富集成、建模效率提升以及模型資產(chǎn)復(fù)用等特點，能充分滿足企業(yè)對智能應(yīng)用的需求，正成為企業(yè)智能化基礎(chǔ)設(shè)施的必要構(gòu)成。不同企業(yè)對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的需求不同，其差異取決于企業(yè)自身機器學(xué)習(xí)建模能力和對算法的需求。1. 對于金融、消費品與零售、制造與能源、政府與公共服務(wù)等行業(yè)企業(yè)除大型金融機構(gòu)外，傳統(tǒng)企業(yè)普遍不具備機器學(xué)習(xí)建模能力。大型金融機構(gòu)數(shù)據(jù)科學(xué)團隊人才完善，對機器學(xué)習(xí)算法的探索和應(yīng)用更前沿，如將機器學(xué)習(xí)模型應(yīng)用在精準(zhǔn)營銷、智能風(fēng)控、產(chǎn)品研發(fā)、客戶體驗管理等多個場景中。但更多的傳統(tǒng)企業(yè)面臨IT人才缺失、尚未開始智能化應(yīng)用或處于局部試驗的初期階段。傳統(tǒng)企業(yè)對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的需求主要體現(xiàn)在以下五個方面：圖5：傳統(tǒng)企業(yè)對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的需求
1）降低機器學(xué)習(xí)建模門檻，使非專業(yè)建模人員也能掌握機器學(xué)習(xí)建模技術(shù)，賦能業(yè)務(wù)。傳統(tǒng)機器學(xué)習(xí)建模技術(shù)門檻高，需要組建專門的數(shù)據(jù)科學(xué)團隊，包括數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、開發(fā)工程師等，人力成本高昂。傳統(tǒng)企業(yè)希望能降低機器學(xué)習(xí)建模門檻，如平臺能實現(xiàn)數(shù)據(jù)自動處理、自動特征工程、圖形化建模或自動建模等功能，使非專業(yè)的業(yè)務(wù)人員也能快速開展建模工作，廣泛賦能業(yè)務(wù)，實現(xiàn)普惠AI。2）提供定制化算法、模型部署和運營服務(wù)，快速創(chuàng)造業(yè)務(wù)價值。傳統(tǒng)行業(yè)多具備行業(yè)特性，行業(yè)垂直場景下的模型開發(fā)耗時耗力，而且傳統(tǒng)企業(yè)對AI智能應(yīng)用的探索尚處于初期，更傾向“小步快跑”，因此購買定制化算法能節(jié)約人力、實現(xiàn)快速產(chǎn)出以及驗證AI智能應(yīng)用效果。企業(yè)需要廠商提供定制化算法服務(wù)、模型在硬件平臺和操作系統(tǒng)平臺的部署服務(wù)以及模型運營服務(wù)。3）縮短建模周期，提高業(yè)務(wù)敏捷響應(yīng)度。以金融行業(yè)為例，金融企業(yè)的產(chǎn)品、服務(wù)、風(fēng)控模型均需隨著客戶行為改變而持續(xù)迭代更新。但傳統(tǒng)的機器學(xué)習(xí)建模周期長達數(shù)月，無法敏捷響應(yīng)業(yè)務(wù)需求。企業(yè)需要數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺內(nèi)置豐富的行業(yè)算法、模型模板、案例等，供建模人員直接調(diào)用，加速模型訓(xùn)練；或是提供一鍵部署功能，實現(xiàn)模型在生產(chǎn)環(huán)境的快速部署。4）提供咨詢服務(wù)，提升模型質(zhì)量。對于具備一定機器學(xué)習(xí)建模能力的金融機構(gòu)，需要廠商提供建模咨詢支持，協(xié)助企業(yè)完成數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型部署等環(huán)節(jié)，提升模型質(zhì)量。5）支持國產(chǎn)化適配。以金融、政府、電信為代表的行業(yè)，其底層軟硬件基礎(chǔ)設(shè)施已經(jīng)基本實現(xiàn)國產(chǎn)化，廠商需支持平臺對國產(chǎn)軟硬件的兼容、適配。對于中小企業(yè)或是剛開始試點智能應(yīng)用的企業(yè)，相較于數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺需要的組織、人才、流程上的變革與支持，采購適用于特定場景的AI智能應(yīng)用是性價比更高、更迅捷的解決方案。人工智能軟件與服務(wù)商如算法服務(wù)商、ISV即面向此類需求，提供模型和智能應(yīng)用服務(wù)。以算法服務(wù)商為例，盡管具備專業(yè)的數(shù)據(jù)科學(xué)團隊，但中小型企業(yè)的算法需求多樣且個性化，如雖然都是AI視覺算法，智慧城市、智慧工業(yè)下的應(yīng)用場景如安全帽識別、產(chǎn)品瑕疵識別的模型卻截然不同，需要基于業(yè)務(wù)數(shù)據(jù)集、業(yè)務(wù)思路分別進行訓(xùn)練。這使得算法服務(wù)商常常面臨嚴(yán)格的算法交付周期和算法精度要求。具體而言，人工智能軟件與服務(wù)提供商對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的核心需求主要體現(xiàn)在以下四個方面：圖6：人工智能軟件與服務(wù)提供商對數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的需求
1）提高機器學(xué)習(xí)建模效率。軟件開發(fā)公司、算法提供商面臨嚴(yán)格的交付周期，但在傳統(tǒng)AI應(yīng)用開發(fā)方式下，數(shù)據(jù)接入、數(shù)據(jù)處理、模型訓(xùn)練等一系列建模流程都需要人工操作，建模周期長。其中數(shù)據(jù)接入環(huán)節(jié)因開源算法工具對不同類型的數(shù)據(jù)兼容性較差，需人工將原始數(shù)據(jù)轉(zhuǎn)化為開源算法所支持的數(shù)據(jù)類型；數(shù)據(jù)標(biāo)注環(huán)節(jié)往往通過人工完成，并且部分領(lǐng)域的標(biāo)注過程嚴(yán)重依賴專業(yè)知識，整體數(shù)據(jù)準(zhǔn)備將耗費數(shù)周時間；模型部署中對模型的集成、監(jiān)控和更新需要大量的調(diào)研和實施工作，單個模型部署到上線需要3-5個月。企業(yè)需要完善的數(shù)據(jù)科學(xué)工具和建模功能，支持實現(xiàn)數(shù)據(jù)采集、數(shù)據(jù)準(zhǔn)備、特征工程、模型訓(xùn)練、模型部署等建模全流程，提高建模效率。2）滿足數(shù)據(jù)科學(xué)家復(fù)雜場景建模需求。平臺需支持?jǐn)?shù)據(jù)科學(xué)家在復(fù)雜場景下進行靈活建模，如提供豐富的算法，預(yù)置主流機器學(xué)習(xí)框架，支持NoteBook建模方式，以及支持?jǐn)?shù)據(jù)科學(xué)家在模型訓(xùn)練中手動調(diào)參等。3）對模型開發(fā)資源和計算資源進行統(tǒng)一管理，支持計算資源彈性擴容，加速建模計算性能。傳統(tǒng)開發(fā)模式中重復(fù)建設(shè)嚴(yán)重，如各項目數(shù)據(jù)準(zhǔn)備、特征工程、模型訓(xùn)練等各自研發(fā)，造成模型開發(fā)管理資源、計算資源浪費，難以適應(yīng)大規(guī)模智能應(yīng)用開發(fā)需求。另外，機器學(xué)習(xí)模型訓(xùn)練過程中耗費大量計算資源，而一旦結(jié)束訓(xùn)練，計算資源又處于閑置狀態(tài)。企業(yè)需要實現(xiàn)計算資源彈性擴容，滿足模型開發(fā)不同階段的計算需求。4）為多角色的數(shù)據(jù)科學(xué)團隊提供協(xié)作平臺。機器學(xué)習(xí)建模過程需要數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師等多角色共同協(xié)作完成，存在反復(fù)溝通、協(xié)作流程不明確等問題，帶來重復(fù)性工作。為滿足金融、消費品與零售、制造與能源、政府與公共服務(wù)等行業(yè)企業(yè)，以及人工智能軟件與服務(wù)提供商等甲方客戶的核心需求，廠商需具備以下能力：1. 廠商應(yīng)具備完善的機器學(xué)習(xí)模型開發(fā)功能，提供包括數(shù)據(jù)采集、數(shù)據(jù)準(zhǔn)備、特征工程、模型訓(xùn)練、模型部署等功能在內(nèi)的一站式端到端數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺。1）數(shù)據(jù)采集方面，平臺應(yīng)具備整合多源異構(gòu)數(shù)據(jù)的能力，支持實時接入結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)（如表格、圖片、時間序列數(shù)據(jù)、語音和文本等），并具備基本的ETL能力、數(shù)據(jù)實時更新和同步能力。2）數(shù)據(jù)準(zhǔn)備方面，平臺應(yīng)提供豐富的數(shù)據(jù)清洗、數(shù)據(jù)探索工具。其中數(shù)據(jù)清洗環(huán)節(jié)，應(yīng)能支持進行數(shù)據(jù)融合、數(shù)據(jù)缺失處理、數(shù)據(jù)分類、數(shù)據(jù)標(biāo)注、數(shù)據(jù)異常處理、數(shù)據(jù)平滑以及整合非結(jié)構(gòu)化數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)等數(shù)據(jù)清洗工作，減少人工干預(yù)。數(shù)據(jù)探索環(huán)節(jié)，廠商需具備單變量和多變量統(tǒng)計、聚類分析、地理定位圖、相似度度量等分析能力。3）模型訓(xùn)練環(huán)節(jié)，針對非專業(yè)建模人員，平臺應(yīng)提供簡便易用的建模工具，降低機器學(xué)習(xí)建模門檻。如平臺可通過建模全流程可視化降低用戶使用門檻，尤其在模型構(gòu)建環(huán)節(jié)，應(yīng)支持以拖拉拽的方式完成建模。針對專業(yè)建模人員，平臺應(yīng)具備較高的靈活性和開放性，提供主流開源算法和建模工具。如為專業(yè)的數(shù)據(jù)科學(xué)家提供自由靈活的NoteBook建模方式，并預(yù)置主流機器學(xué)習(xí)框架R、TensorFlow、Pytorch、Spark等，以及豐富的機器學(xué)習(xí)算法。4）模型部署環(huán)節(jié)，平臺應(yīng)支持模型一鍵部署，使建模人員可快速將模型從開發(fā)環(huán)境部署到生產(chǎn)環(huán)境中，并提供API接口供業(yè)務(wù)人員調(diào)用。此外，平臺還應(yīng)提供模型版本管理和模型監(jiān)控功能，實時監(jiān)測模型性能，保證模型質(zhì)量。5）資源管理方面，平臺需能對CPU、GPU資源進行管理和整合，以容器化方式對算力虛擬化，實現(xiàn)彈性擴容、性能加速等功能，且不同部門和項目之間可共享集群資源。6）平臺應(yīng)具備AutoML能力，包括提供數(shù)據(jù)自動清洗、智能標(biāo)注、自動特征工程和自動模型訓(xùn)練等功能，提高建模效率。其中特征工程環(huán)節(jié)，數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺應(yīng)能實現(xiàn)自動化特征構(gòu)建、特征選擇、特征降維和特征編碼；模型訓(xùn)練環(huán)節(jié)，平臺應(yīng)支持自動化模型選擇、自動化調(diào)參、自動化超參數(shù)搜索、模型自動驗證等，減少模型訓(xùn)練時間成本和人力成本。7）此外，平臺還應(yīng)支持多角色的數(shù)據(jù)科學(xué)團隊協(xié)作，協(xié)同數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、業(yè)務(wù)人員等不同角色在建模工作流程中的模型注解、討論、答疑、評論等，使建模過程可追溯、模型可復(fù)用，減少重復(fù)性工作。2. 廠商需具備垂直行業(yè)Know-how能力，為企業(yè)提供咨詢和實施部署服務(wù)。廠商的專業(yè)服務(wù)能力體現(xiàn)在三個方面：一方面，基于豐富的垂直行業(yè)知識和經(jīng)驗積累，廠商能為用戶提供行業(yè)場景相關(guān)的算法、模型模板，或是將行業(yè)經(jīng)驗與模型算法相結(jié)合，形成諸如精準(zhǔn)營銷、智能推薦、反欺詐、設(shè)備預(yù)警等智能業(yè)務(wù)模型，供用戶直接調(diào)用；另一方面，廠商能提供建模咨詢服務(wù)，通過數(shù)據(jù)科學(xué)專家團隊規(guī)劃有效的模型應(yīng)用到特定業(yè)務(wù)的運營方案，協(xié)助用戶完成數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練、模型部署、模型運營等工作，以及將企業(yè)既有的數(shù)據(jù)集經(jīng)驗、特征工程經(jīng)驗、模型經(jīng)驗等提煉形成數(shù)字資產(chǎn)，內(nèi)嵌到平臺中。此外，廠商應(yīng)具備較強的實施部署能力，包括提供定制化模型算法在硬件平臺和操作系統(tǒng)平臺的部署服務(wù)、以及數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺的部署服務(wù)。3. 廠商需支持?jǐn)?shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺與國產(chǎn)化軟硬件生態(tài)體系適配。如在服務(wù)器方面，應(yīng)支持華為、曙光、浪潮等國產(chǎn)服務(wù)器品牌，在操作系統(tǒng)方面，支持中標(biāo)麒麟、銀河麒麟的適配認(rèn)證；在國產(chǎn)CPU方面，支持與飛騰、鯤鵬、海光、龍芯等國產(chǎn)廠商適配。2.2022Q1至2022Q4該市場付費客戶數(shù)量≥10個；3.2021Q1至2022Q4該市場合同收入≥1000萬元。
力維智聯(lián)
深圳力維智聯(lián)技術(shù)有限公司（簡稱“力維智聯(lián)”），前身為中興通訊的子公司“中興力維”，是一家專注于泛在數(shù)據(jù)監(jiān)測預(yù)警和大數(shù)據(jù)人工智能技術(shù)的科技公司。公司擁有170+授權(quán)發(fā)明專利，承擔(dān)國家“科技創(chuàng)新2030—新一代人工智能”重大項目和“物聯(lián)網(wǎng)與智慧城市關(guān)鍵技術(shù)及示范”重點專項的研發(fā)任務(wù)，是國內(nèi)通用人工智能與機器學(xué)習(xí)平臺DSML軟件產(chǎn)品的核心供應(yīng)商。Sentosa數(shù)據(jù)科學(xué)與機器學(xué)習(xí)平臺（簡稱“ Sentosa_DSML”）是力維智聯(lián)自主研發(fā)的一站式通用人工智能開發(fā)部署應(yīng)用平臺，通過低代碼方式幫助客戶實現(xiàn)AI算法模型的開發(fā)、評估與部署，且具備完善的數(shù)據(jù)資產(chǎn)化管理模式、支持開箱即用簡捷部署。Sentosa_DSML 以 Sentosa Data Cube 數(shù)據(jù)魔方平臺為主體，集成了 Sentosa ML 機器學(xué)習(xí)平臺與Sentosa DL 深度學(xué)習(xí)平臺等組件，支持組合定制、靈活搭配。Sentosa_DSML已應(yīng)用在政府、出版、電信、科研院所、高校、能源等多個行業(yè)，通用性較強。
力維智聯(lián) Sentosa_DSML 在降低用戶使用門檻、縮短模型開發(fā)周期、平臺實用性以及運維服務(wù)等方面具有明顯優(yōu)勢。其中，在易用性方面，力維智聯(lián)已經(jīng)將大模型能力融入平臺中。此外，平臺可適配國產(chǎn)硬件，滿足信創(chuàng)需求。提供端到端一站式低代碼人工智能開發(fā)部署平臺，降低用戶使用門檻。為適應(yīng)非專業(yè)建模人員使用，Sentosa_DSML 可全流程零代碼實現(xiàn)數(shù)據(jù)準(zhǔn)備、模型開發(fā)、評估與部署。平臺部署近300個標(biāo)準(zhǔn)算子，包括數(shù)據(jù)讀入算子、數(shù)據(jù)處理算子、數(shù)據(jù)可視化算子、特征工程算子、機器學(xué)習(xí)算子、深度學(xué)習(xí)算子、模型評估算子等，支持用戶通過拖拉拽的形式自定義算子流，之后算子流可直接發(fā)布為服務(wù)進行部署。除零代碼可視化模型開發(fā)外，Sentosa_DSML 還支持自動化模型開發(fā)，支持自動化數(shù)據(jù)準(zhǔn)備、自動化進行特征工程、自動選擇模型、自動調(diào)參等模型開發(fā)全流程。此外，針對專業(yè)數(shù)據(jù)科學(xué)家，平臺通過提供數(shù)據(jù)視圖和模型庫訪問插件的形式支持低代碼Notebook開發(fā)，提升模型開發(fā)效率。
具備高效的項目執(zhí)行效率，顯著縮短開發(fā)周期。Sentosa_DSML 高效的執(zhí)行效率體現(xiàn)在模型開發(fā)、團隊協(xié)作、資源管理、數(shù)據(jù)資產(chǎn)管理等多個方面。
在模型開發(fā)的編譯環(huán)節(jié)，平臺對算子流編譯統(tǒng)一進行后臺優(yōu)化，包括優(yōu)化編譯器設(shè)計框架、代碼結(jié)構(gòu)以及內(nèi)存，提高編譯效率。
在團隊協(xié)作方面，基于力維智聯(lián)完全的自主研發(fā)，平臺定義了一套接口規(guī)范，保證建模各環(huán)節(jié)之間的銜接流暢，如清洗好的數(shù)據(jù)可直接拖入建模平臺中，數(shù)據(jù)讀入算子、統(tǒng)計分析算子等進一步處理分析。規(guī)范的接口可使數(shù)據(jù)工程師、數(shù)據(jù)科學(xué)家、軟件工程師等多角色無縫協(xié)作，減輕代碼開發(fā)工作量的同時也讓團隊更專注于模型精度的優(yōu)化與領(lǐng)域知識的落地應(yīng)用。
數(shù)據(jù)資產(chǎn)管理中，支持算子流、Notebook、模型、服務(wù)、工作流和應(yīng)用等全流程數(shù)據(jù)資產(chǎn)的版本管理，實現(xiàn)數(shù)據(jù)資產(chǎn)的沉淀和共享復(fù)用，提高模型開發(fā)團隊工作效率。并且，模型的版本管理中支持一鍵切換，更輕便靈活，減少繁瑣的更新部署工作。
在資源管理方面，平臺以容器化的方式對計算資源包括CPU、GPU、內(nèi)存和存儲等進行統(tǒng)一納管、分配和動態(tài)擴容，尤其支持對不同項目資源進行隔離，避免因資源錯配或搶占導(dǎo)致任務(wù)效率低及中斷的現(xiàn)象。
平臺操作界面互動友好，實用性較強。力維智聯(lián)秉持“用戶友好”的理念，對用戶操作細(xì)節(jié)進行改進。如Sentosa_DSML 支持一鍵部署，開箱即用，且具有良好的跨平臺特性，可在私有云和公有云上部署。又如在模型開發(fā)中，用戶對Notebook類型任務(wù)節(jié)點的條件參數(shù)構(gòu)建表達式時，平臺可自動提示數(shù)據(jù)集列名、自動校驗表達式正確與否。如在AI調(diào)度中心，可對算子流、Notebook、腳本等調(diào)度單元進行定時調(diào)度、周期調(diào)度、消息觸發(fā)調(diào)度等，作業(yè)執(zhí)行方式更靈活。
與此同時，力維智聯(lián)已將大模型能力融入機器學(xué)習(xí)平臺中，提高平臺的可用性，例如在深度學(xué)習(xí)數(shù)據(jù)預(yù)處理中，用戶可通過預(yù)訓(xùn)練大模型提供的AI自動標(biāo)注功能，輔助完成數(shù)據(jù)標(biāo)注工作。另外，在平臺Chat with Data 大模型功能模塊，用戶可通過自然語言輸入，實現(xiàn)對數(shù)據(jù)的預(yù)處理。
此外，Sentosa_DSML可滿足金融、政府、電信等多領(lǐng)域的信創(chuàng)需求。力維智聯(lián)對Sentosa_DSML有完全自主知識產(chǎn)權(quán)，且平臺在底層硬件上全面適配Intel、鯤鵬、飛騰CPU處理器和Windows、Linux、麒麟等操作系統(tǒng)。
實力雄厚，可為用戶提供持久運維服務(wù)。力維智聯(lián)前身為中興通訊子公司“中興力維”，公司已申請并積累700余項發(fā)明專利與軟件著作權(quán)，全業(yè)務(wù)覆蓋全球70+國家和地區(qū)，可為用戶提供算法更新、算法開發(fā)、人員培訓(xùn)以及后續(xù)運維升級等服務(wù)支持。
上海世紀(jì)出版集團、中海油惠州石化、南網(wǎng)科研院、航天科技、國家城安院