今年因为广州疫情爆发，没能到现场参加阿里云峰会，只能线下看直播，从云原生，数据治理到AI开发范式，智能运维，低代码开发，无不揭示了云给大家带来的价值。可以看到今年所有主题的核心都是围绕如何为开发者构建高效的范式和架构支撑软件开发迭代，这也算是回归了云的初心。

从阿里一站式AI平台看清MLOps

虽然这次峰会涉及的主题很多，但最让我感兴趣的还是贾老师的“云上大数据与AI开发范式的演进”，因为AI后半段是拼地是工程落地能力，如何快速并准确地完成数据治理和模型迭代不仅需要NB的算法人员和方*，还需要有完善基础设施，不然只能是小作坊式作业。

学过近代史的都知道，小作坊的效率是永远比不过工业化革命的大工厂的，那么如何从小作坊变成高效的算法工厂呢？拆解开来，核心是三大块：

• 数据治理
• 算法探索
• 流程范式

为什么是这三块呢？其实从阿里云AI平台的布局可以看到，通过大数据与AI一体化平台来推动作为一起模型训练根源的数据治理工作，通过推出快速体验的云端 Jupyter 平台为算法人员快速探索算法，和通过打通机器学习全链路的PAI平台将AI工程化能以一种标准的流程范式的形式进行快速落地。

全链路数据治理

数据治理可以说是AI大规模落地的最大障碍也不为过。每个公司做算法工程落地地时候发现最多的工作都耗费在各种 kafka 的对接，数据集成，数据加工，数据清洗，数据核验上面，而围绕着开发效率优先的工作模式下数据体系快速腐化就变成了一个不可避免的事实了。

数据治理核心是提升数据服务的效率，将工程人员从数据的漩涡中拯救出来，而不是每天面对数据做各种低价值工作。

算法探索神器notebook

相信每个算法开发，甚至大部分 python 开发人员都使用过 jupyter notebook 这款 web IDE，可以说这款 IDE 把交互式地优势发挥到极致了，
今天贾老师提出 jupyter web server 的概念其实一点都不奇怪，不管是 google 一直在推的 colab，还是kubeflow 的 jupyter server，本质都是这样的产品，甚至jupyter server 的功能很早就作为 kubeflow 其除 pipeline 工作流以外最核心的卖点。
一个随时能使用的算法开发环境，这一定是每个算法人员的刚需，同时也是最适合和云技术结合的，利用云原生技术可以为算法人员在任何时候提供一个具有足够资源的完整开发环境，快速开始开发。这确实切入了很多算法人员的痛点。

AI流程范式

说到PAI平台，其实还瞒感慨的，因为16年的时候当时自己也带团队做过一个大数据的可视化建模平台，当时就是参照了PAI平台的界面进行的产品设计，不过这几年 PAI 平台的快速发展已经完全不是当年那个只是具有拖拉拽功能的大数据机器学习建模平台了，逐渐变成一个集可视化建模、交互式建模、弹性推理服务为一体的 MLOps 平台。
特别是和云原生的结合，让她在给开发者赋能上提供了更多地可能性，其实当年在做可视化平台的时候这个问题就暴露出来，就是完全的可视化操作在灵活性上和适应性上是很差的，这也是为什么这几年低代码平台兴起的缘故。

这里做个大胆地预测，后面阿里云 PAI 平台应该会引进 git 的版本管理，彻底将算法工程化全流程打通，通过提供全流程的高效开发为AI工程化铺路。