考虑一下人工智能的每种应用场景。如果您想从“云”转到通过在软件，固件，硬件以及数据和服务逻辑之间进行连接，您可以从头到尾地集成软件和硬件。为了提供服务，Dragon需要许多不同的系统开发链接，但是每个链接都是紧密链接的。就人工智能的开发框架而言，选择选择哪种框架训练模型是重要的关键，以便开发人员可以将应用模型直接放在终端上进行推理并提供真正的智能服务。 Deep Sentinel的创始人温斯顿说，对于软件或网络服务开发人员来说，终端硬件通常不是我们所熟悉的环境。我们需要一个可以运行特定开发框架的芯片上完整的操作系统，例如Google的TensorFlow或Nvidia的CUBA，可以在其上放置经过训练的模型和终端应用程序的程序逻辑。用于开发人工智能算法的编程语言是一个门槛。提供智能服务的公司通常不仅需要应用人工智能。能否直接集成原始服务开发中使用的语言环境是第一个门槛。不同的开发语言通常会吸引不同的开发人员，因为它们适用于不同的应用程序环境。因此，稳定的开发人员来源也是公司在选择技术路线时必须考虑的长期因素。此外，即使大多数主流的人工智能开发框架都已开放代码，不同框架的社区规模，云服务的支持程度，工具是否易于使用，培训或推断是否支持所需的加速芯片，这些是关键考虑因素。不同开发框架的社区规模通常意味着有多少个开发人员应用程序。越来越多的开发人员在此框架中进行各种重写或重组，除了表明该开发框架将有机会在短时间内应用最新的深度学习算法外，这还意味着有更多人可以讨论或协助问题的发展。对于公司而言，这也是一个重要的信号，表明有更多的人才来源和支持厂商。另外，为了避免被锁定在特定的开发框架中，导致切换其他工具没有灵活性，是否允许将训练模型转换为其他不同的工具也是考虑因素之一。但是，性能和价格也是重要的关键。甚至具有良好性能的芯片也可能因为高功耗而昂贵，甚至因为开发团队无法快速安装经过训练的人工智能模型和服务程序。无奈地放弃了。尽管大多数开发工具都是开源的，这意味着公司有机会建立自己的开发团队来开发与AI相关的智能应用程序，但是公司仍然反复面临着自己做或将其外包给特定机构的需求。团队。选择。自我发展通常具有最高的控制力。开发进度和设计逻辑可以由自己控制，但这通常意味着现有团队必须学习新技能才能开发人工智能应用程序，或者必须招募新团队成员，这可能会有所不同。这些都是公司的企业文化和发展习惯之间的磨合，所有这些都是时间成本。一家大型金融控股公司的技术负责人表示，人工智能应用分散且分散在许多不同的服务流程中。我们必须分解每个过程的自学知识，确认不同阶段所需的相应工具，然后考虑应为该工具使用什么框架开发。就与语音识别相关的智能应用而言，这不是金融服务的核心项目。如果已经有更好的“语音到文本”，则返回“ Speech-to-text”。或“文字转语音”市场上的工具，我们可以考虑直接使用它们。但是，某些服务可能涉及处理公司收集的个人数据。例如，机器学习用于预测客户这次将执行哪种服务操作。这部分外包可能涉及数据安全性和核心知识逻辑外流，因此我们必须是自雇人士。组建团队进行数据分析。从软件或服务开始的技术团队需要具有硬件设计能力的顾问来协助设计，帮助排除硬件或固件问题并协助软件