序二

近年来，随着深度学习的快速发展，新一轮的AI技术已经深刻地影响着各行各业。如何才能使AI技术快速规模化地应用到各行业，是值得深入思考的问题，也是我国人工智能战略核心要解决的问题之一。

AI学者首先关注于算法的创新研究。然而AI算法要走进各行各业并发挥价值，只有创新的AI算法是远远不够的。在AI的实际开发过程中，数据的采集往往非常困难而复杂，需要借助各种工具和系统才能进行，数据还需要进行清洗、增强等多种处理，并经过复杂的标注、审核等流程，才可以进入深入学习的模型训练；

在训练之前，需要结合具体业务的需求、数据的情况、行业已有经验知识，选择或者开发合适的算法用于训练；在模型训练和调优过程中，又会涉及最优超参数的调优、模型评估、最优模型的选择问题；由于AI应用还可能包括其他算子或多个其他模型，因此从模型到应用的生成环节必不可少；在AI应用部署和使用时，需要能够进行异构资源的管理和灵活的伸缩；很多AI应用都比较脆弱，会对推理时环境和数据的变化非常敏感，应用的维护就非常必要。由此可见，从数据的采集到最终应用的维护，AI应用开发全流程是一个系统化工程，需要有一套完整的平台支撑。

不同于传统的IT（Information Technology，信息技术）应用，AI应用的开发尚处于早期快速增长期，缺乏针对开发流程端到端平台的支撑。令人非常高兴的是，能够看到华为推出了一站式AI应用开发平台——ModelArts，能够对AI应用开发全流程给出系统的支持，并且在AI开发流程的各个环节中提供各种丰富的能力，使得AI应用的开发不仅更加便捷，而且更加高效。这对于加速AI应用的开发和拓展非常重要，同时也会促进人工智能有关标准的建立和推广。

作者基于ModelArts详细介绍了AI应用开发全流程，从数据、算法、模型、应用等多个层面讲解AI应用开发流程中基本方法、挑战和难点，可供广大AI应用开发者借鉴。另外，当AI开发平台面向企业、复杂行业以及端-边-云复杂部署的时候，相应的AI应用开发将面临更多的挑战，本书实践环节也围绕这些挑战展开实例介绍。相信本书能够对AI应用开发者带来帮助。随着开发者的增多、人工智能标准和基础平台的逐步完善，我国在人工智能新型基础设施的建设上必将大步前进。

潘云鹤
中国工程院院士
2020年8月