MaaS (Model-as-a-Service)

2016年, AlphaGo击败李世石的时候, AI 热了一把, 但是炒了一轮概念就冷却了. 然而 2023 年这一轮的 AI 热, 却带来了许多机会, 即使这个行业以外的人都深切的感受到了 AI 的大规模破圈, 例如: AI 聊天机器人, AI 绘图, AI 编曲, 玩过的人越来越多. 在 "科学" 杂志公布的 2022 年十大科学突破里, 就包括了有创造力的人工智能. 这次的 AI 热之所以不同, 是因为比起以前擅长运算的 AI, 这一波 AI 在创造力上上升了一个层次, 例如: 注意力机制, 扩散模型等等具有代表性的算法, 在能力上超过了以前的卷积, 循环, 对抗等神经网络.

简单的说, 这一轮的 AI 技术, 非常好用. 随着这些新算法模型的功能越来越强, 成本越来越高, AI 领域形成了一种独特的商业模式, 叫做 MaaS (模型即服务), 英文是 Model as a Service. MaaS（模型即服务）可以通过云服务来帮助企业快速高效地开发，部署和管理AI模型. 那么 MaaS 究竟是什么, 它有什么优势, 以及如何选择合适的MaaS平台呢.

什么是 MaaS

MaaS 允许用户通过云服务的方式访问 Pre-Trained Models (预训练模型), 用户可以基于这些模型进行自己的 AI 应用开发. 简单的说, MaaS 为企业提供了一种经济高效的建立和部署 AI 应用程序的方法. 企业不必从零开始建立和训练自己的 AI 模型, 而可以使用 MaaS 访问预先训练好的模型. 这样就不需要企业在昂贵的硬件和软件上投资, 也节省了开发和测试自己模型所需的时间和资源.

MaaS 也是企业获取最新AI技术的好途径. 使用 MaaS, 企业可以快速轻松地访问最新的 AI 模型, 从而使自己能够跟上该领域的最新进展.

关于预训练模型

目前这些新算法的 AI 模型非常大, 所谓大, 就是指训练这些模型, 需要的数据极多, 周期极长, 成本极高. 例如: AI 聊天机器人, 2019 年行业一线水平的语言模型参数规模大概在十亿量级. 2020 年, OpenAI 的 GPT-3 模型, 参数规模大概是 1750 亿. 到了 2022 年, 很多模型的参数规模已经到达了万亿级别.

以 GPT-3 模型为例子, 这个模型训练一次的成本是 1200 万美元, 相当于去台积电做一款 7nm 芯片. 然而芯片作为硬件, 是可以在设计阶段判断出好坏的. 但是 AI 模型的训练有不确定性, 就和炼丹一样, 靠运气. 因此只有市值上亿美元的巨头, 才有赌一把的资本.

MaaS 这种商业模式, 其实就是为了让新玩家也可以加入到这个游戏里. 简单的说, 一个大公司, 开发出了一套 AI 模型, 这是一个底板, 可以想象成一个接受过良好教育的大学生, 虽然基础好, 但是对于专业领域, 还是个外行. 如果要让这个大学生做点专业的工作, 例如: 医疗, 教育, 销售, 那么就必须对这个大学生做深入的培训.

而 MaaS 这个模式, 指的就是把这个算法的培训过程, 分成两段. 基础教育阶段, 需要极大的投入, 这个阶段, 由大公司完成. 他们相当于模型的创造者, 给用户送来一个特别聪明, 基础特别扎实的通识型人才. 而第二阶段, 用户需要把这个通识型人才, 培养成可以在某个专业领域完成工作的人才. 这一步, 大公司并不擅长, 需要由细分领域里的公司来完成.

按照 MaaS 模式, 大公司会对外开放这些AI模型的调用接口, 吸引一些规模较小, 但是对行业理解更深的公司, 付费使用这些接口, 并将模型打磨成真正满足行业需求的应用. 在这种情况下, 大公司虽然承担了巨额的模型开发成本, 但是可以从其它行业中, 收取模型接口使用费, 从而避免了过度聚焦到某个特定行业带来的风险. 同时, 细分行业里的人, 也不用重新研发, 能以更低的成本来使用 AI 模型.

MaaS 优点

允许企业快速轻松地访问强大的 AI 模型, 而无需繁琐地从零开始开发和训练自己的模型.
提供了企业访问最新 AI 技术的机会, 从而跟上该领域的最新进展.
让企业更容易尝试不同的 AI 模型和技术. 通过访问预先训练好的模型, 企业可以快速轻松地尝试不同的 AI 模型和技术, 从而快速确定哪些模型最符合它们的需求.
MaaS 具有高度的可扩展性, 允许企业快速轻松地根据需求变化扩展其 AI 应用程序. 这使得企业更容易跟上需求变化并快速适应新的挑战.

训练 & 部署

使用 MaaS 部署模型非常简单.

首先, 选择一个符合需求的 MaaS 平台. 选择好平台后, 就可以开始训练和部署 AI 模型, 训练 AI 模型需要上传数据并选择要部署的模型类型, 然后, MaaS 平台将生成模型并提供模型的 API 的访问权限. 待模型部署完成, 用户就可以开始使用模型进行预测和推断. 例如, 可以使用模型预测客户行为或销售趋势. 还可以使用模型检测数据中的任何异常.

MaaS 平台还提供了强大的分析和可视化工具. 这些工具允许用户跟踪模型的性能, 并定位可优化项.

MaaS vs MLaaS

MaaS 和 MLaaS (机器学习即服务) 常常被混淆. 尽管这两种服务都提供了机器学习模型的访问, 但它们之间仍有一些关键差异.

MaaS 和 MLaaS 的主要区别在于, 在 MLaaS 中, 用户需要负责开发和训练自己的模型, 而在 MaaS 中, 用户可以访问预训练的模型.

MaaS 还提供了强大的分析和可视化工具. 这些工具允许用户跟踪模型的性能. 相比之下, MLaaS 更关注于提供机器学习算法和模型.

选择正确的 MaaS 平台

当选择 MaaS 平台时, 有几个关键因素需要考虑.

首先, 应该考虑平台提供的模型和算法类型. 不同的平台提供不同的模型和算法, 因此应确保所选平台提供自己所需的模型和算法.

还应考虑 MaaS 平台的定价结构. 不同的平台提供不同定价的模型, 因此应确保所选平台提供符合自己需求的定价模型.

最后, 应考虑 MaaS 平台提供的客户支持级别. 不同的平台提供不同级别的客户支持, 因此应确保所选平台提供自己所需的支持级别.

挑战

尽管使用 MaaS 有许多优势, 但在创建 AI 模型时企业也会面临一些常见挑战.

首先, 应该确保选择合适的模型类型. 不同的模型适用于不同的任务, 所以应该确保选择最符合需求的模型.

还应该确保用正确的数据训练模型. 不同的模型需要不同类型的数据, 所以应该确保使用适合的模型数据.

最后, 应该定期评估模型. 定期评估模型可以帮助用户定位优化项, 以便做出必要的调整, 确保模型的性能达到最佳状态.

总结

模型即服务 (MaaS) 是帮助企业快速高效地开发, 部署和管理机器学习模型的强大工具. MaaS 为企业提供预先训练模型的访问权, 使他们能够快速轻松地部署 AI 应用程序和服务. MaaS 还为企业提供了最新AI技术的访问权, 使他们能够保持最新的领域进展.

选择 MaaS 平台时, 企业应考虑平台提供的模型和算法类型, 平台的定价结构以及平台提供的客户支持水平. 选定平台后, 企业可以开始训练和部署 AI 模型.

尽管使用 MaaS 有许多优势, 但在创建 AI 模型时企业也会面临一些常见挑战. 这些挑战包括选择合适的模型类型, 用正确的数据训练模型和定期评估模型.

总的来说, MaaS 是帮助企业利用AI能力的强大工具. 通过使用 MaaS, 企业可以快速轻松地部署 AI 应用程序和服务, 使他们能够保持最新的领域进展.