通用目的技术（General Purpose Technology，GPT）是推进经济社会转型的主要动力。从农业社会到工业社会，从工业社会到信息社会，人类社会的生产方式、生活方式和管理方式发生了巨大的变革，经历了前所未有的经济社会转型。长期以来，人们一直在思索和探寻经济社会发展与转型的动因。从蒸汽机为代表的第一次产业技术革命到以电力技术为代表的第二次产业技术革命。纵观300年来的产业技术革命，可以看出，科学技术是推进经济持续增长的重要源泉。AI已成为新的通用目的技术。当前AI热门技术进入落地阶段，广泛地使能千行百业。

AI 是种新的通用目的技术

AI 引入网络成为产业共识

AI 落地面临着诸多的挑战

从技术上来看，AI用例训练过程需要跨专业（数据、算法专家、专家经验）联合开发，模型优化需要不断迭代训练，有以下难点：
1）AI项目的成功需要业务专家与AI专家的配合
2）业务专家转型AI专家困难重重
3）数据问题，数据来源少，数据需要治理（劳动密集）
4）算法工程化问题（从paper转换到代码，开源算法的效率）
5）算力难获取，算力是峰值使用的（英伟达禁止使用G系列显卡用于数据中心）

AI本质上会带来的是组织转型，从人力走向人机共存的AI Ops阶段。

网络人工智能引擎 —— iMaster NAIE

网络人工智能引擎iMaster NAIE是华为将AI技术引入到电信网络中的一站式AI应用开发云平台。基于公有云模式，提供数据服务，模型训练服务、模型生成服务和通信模型服务，涵盖了网络AI应用开发业务中最复杂部分的工作，如数据准备，数据特征探索，模型调优等，便于开发者快速获取到NAIE能力。

应用场景：智能流量分拣

需求描述

数据中心网络中同时承载着多种业务，常见有大数据业务、分布式存储业务、高性能计算业务、GPU集群等。流量分拣就是数据中心交换机实现对流量报文进行识别分类，确定每个数据流或者数据报文属于哪种业务。

解决方案

基于华为AI Fabric交换机嵌入式AI平台API（兼容Tensorflow和Caffe），实现一个流量分类的AI算法。

智能流量分拣模型训练：智能流量分拣实现需要的数据集、算法模型和训练环境均可由iMaster NAIE提供。

实验最终的目的是将训练好的模型部署到真实的环境中，因此我们希望训练好的模型能够在真实的数据上得到好的预测效果，即希望模型在真实数据上预测的结果和真实结果误差越小越好。最好的方式就是将真实数据区分为训练数据集和测试数据集。我们可以使用训练集的数据来训练模型，然后用测试集上的误差作为最终模型在应对现实场景中的误差。有了测试集，我们想要验证模型的最终效果，只需将训练好的模型在测试集上计算误差。误差越小，算法模型越优秀。

详细操作请参考：https://devstar.developer.huaweicloud.com/devstar/code-templates/e9078ee2d7024ffabbac3f8fd1bad806

参考 华为人工智能 认证，以获取更多人工智能相关内容；