该报告称，华为云提供全栈预测分析及机器学习服务，是企业在公有云、本地、边缘复杂部署场景下的理想选择。
「华为云提供全栈预测分析和机器学习服务」
自 2018 年以来，华为在云服务领域加速发展，积极升级预测分析与机器学习服务，现在不仅提供了 AI 开发平台 ModelArts 用于机器学习模型的训练和推理，也在其服务体系中集成了开源深度学习框架 MindSpore，以及基于 Ascend （昇腾）芯片的 AI 算力。
作为华为 AI 面向政企市场的落地窗口，华为云长期扎根 AI 基础技术研究，覆盖计算机视觉、语音语义和决策优化三大 AI 领域，提出了六大基础研究计划，这些计划产生的许多研究成果，包括自动机器学习、小样本学习、联邦学习、预训练模型等，都以即插即用的方式逐步部署于华为云 ModelArts。
此外，在公开的竞赛和测评中，华为云 EI 的持续创新研究取得的成果，同样部署于 ModelArts，比如感知、认知、决策引擎均在各自应用领域中发挥很大的作用。
作为华为云 AI 使能的「基础技术底座」——ModelArts 平台自诞生以来持续升级。2018 年 10 月，与华为 AI 战略一起，作为全栈全场景解决方案的首批组件，华为云对外发布了一站式 AI 开发平台 ModelArts；2019 年 9 月，ModelArts 新增十余项重要特性全面升级。2020 年 3 月，正式发布全球首款企业级 AI 应用开发专业套件 ModelArts Pro；2020 年，华为云最新发布了 ModelArts 3.0，融合骨干模型、联邦学习、模型智能评估与诊断、高性能 AI 计算四大特性，加速行业 AI 落地。
在今年 9 月的华为全联接大会大会上，华为云发布了基于 ModelArts 的业界首个全生命周期知识计算解决方案，实现了 AI 与行业知识的高效结合。该解决方案包含知识获取、知识建模、知识管理以及知识应用四大模块，覆盖知识在企业的生产环节中应用的全生命周期。
Forrester 该报告还收录了企业用户的反馈情况，部分用户表示：「ModelArts 的智能标注功能，帮助他们极大地减少了人力投入。」
此外，华为云还为用户提供云上和边缘设备上完全一致的模型开发和部署体验。ModelArts 提供易用的模型验证和模型解释功能，能帮助开发者有效评估和诊断候选模型的性能和健壮性。此外，华为云 ModelArts 还支持模型压缩，帮助用户将在云端构建的模型，自动压缩后，部署到华为云边缘设备，让模型在边缘设备上有更强的算力。在新冠肺炎疫情期间，数字化转型需求呈爆炸性增长，ModelArts 的使用量同步大增。
ModelArts 平台加速行业 AI 落地
截至目前，华为云 ModelArts 平台已经在制造、零售、物流、能源、医疗、城市、钢铁、科研等多个领域应用，加速 AI 开发和行业 AI 落地。
杭州云深处科技有限公司应用华为 ModelArts 和 Atlas 200DK 给「绝影」系列机器狗赋予 AI 能力，致力于工厂园区的智能巡检。机器狗可实时感知现场环境，通过知识图谱交互分析，强化学习动态决策，并具有复杂的行进路径规划和动作的能力，端云协同守护工厂园区的安全。
华为云 ModelArts 也正在支持科研机构加速脑科学研究。中科院脑智卓越中心通过完整解析斑马鱼小小的透明大脑来揭示大脑的工作原理，对接类脑智能。其中绘制全脑结构图谱涉及到神经元形态重构，正在与华为云 ModelArts 合作应用 AI 实现自动重构，当前重构的准确率和召回率已达 95%。
盈智科技应用华为云 ModelArts Pro 文字识别开发套件，实施各类国际物流单证识别接口的开发，快速实现单证信息自动化、结构化输出。在同等人力投入情况下，单据信息录入效率提升 50 倍，提升工作效率的同时，单证流程节省 60% 的人力成本，信息处理效率大幅提升，为国际物流行业创新操作流程和服务模式奠定了坚实的基础。
可以预见，用户基于华为云 ModelArts 平台，未来将在 AI 行业落地方面有更快进展，加速行业智能化升级。
对挑选 PAML 解决方案厂商的一些建议
Forrester 报告指出，人工智能将进一步推动中国数字经济发展。在中国，尽管实体经济面临严峻挑战，数字经济仍展现出强大的发展韧性。为了支撑数字经济发展，政府推出以人工智能为核心之一的「新基建」。中国企业对于内部构建人工智能抱有极高的热情。本质上，人工智能依赖于机器学习模型。因此，选择正确的预测分析和机器学习（PAML）解决方案能够帮助企业提高 AI 生产力，增强机器学习模型开发、部署和扩展的能力，以支持预测分析和机器学习解决方案的广泛应用。
报告中，Forrester 建议，企业挑选 PAML 解决方案厂商时应该重点考察三点能力：
- 简化模型开发，满足不同团队要求。为了强化 AI 能力，企业需要把机器学习模型规模从几个增加到数千个，PAML 解决方案应赋能数据工程师、科学家、业务人员和应用开发人员，模型开发能力应能满足不同团队和人员的要求。基于此，厂商的解决方案团队应增强用户界面的可视化和使用体验，使用户能够顺畅构建模型开发流水线。除此之外，对于以代码为核心的数据科学团队来说，一个模型开发全生命周期的独立集成的开发环境更加必要；而缺乏深度机器学习知识的业务用户则需要功能齐全的 AutoML 功能来提高机器学习生产力。
- 快速、大规模部署机器学习模型。构建模型代表着大规模 AI 应用的开始。为了实现商业利益，公司必须将模型部署到应用上，并加以监控和管理。这对数据科学团队和业务线领导者提出了众多挑战。企业需要 PAML 产品来帮助他们组装从开发到生产系统的模型开发流程，监控机器学习模型的性能而不影响本身的业务，管理机器学习模型，实现跨 AI 职能团队的协作，并使用新数据重新训练在线机器学习模型，不断提升模型性能。
- 使用分布式、混合架构加速训练推理。模型训练需要许多样本和参数，对普通计算基础设施造成很大负担。PAML 供应商应帮助企业有效地将训练任务下发到分布式架构，以减少开发人员等待时间。由于模型推理将直接影响用户体验，PAML 客户们对于推理性能的要求极高。为了满足推理需求和隐私规范，供应商应支持混合模型部署架构，同时支持云上、数据中心、边缘的多种部署模式。
参考链接：
