“我们在业界率先做到了让整个AI的训练和迭代过程完全不需要AI工程师参与，完全不需要写一行代码，而且精度高于行业平均水平。”
▍个人介绍
共达地高级市场总监；曾帮助腾讯、华为等公司B2B业务打造过亿商机的强壮获客管道；腾讯WeCity未来城市、华为无线SingleSite等领导品牌的核心缔造者与主理人。
▍第一标签
行业首个商用AutoML自动化AI训练平台布道者
▍公司简介
共达地创立于2020年，总部位于中国广东省深圳市，是全球领先的AutoML自动化AI训练平台提供商，在业界率先实现了AI视觉算法端到端的全流程自动化开发。
面向超大规模精细化的未来AI需求，共达地致力于为所有行业、组织和开发者提供前所未有的加速赋能，以0代码自动化方式实现AI算法的训练、部署和迭代，助力客户向AI化敏捷转型，构建无所不及的智能世界。
尽管在过去十年中，世界在自动机器学习中取得了显著的进步和创新，但在市场应用层面仍有很大的提升空间。随着更加多维的数据被采用，以及自动化学习技术的迭代，自动机器学习正在变得更加智能。佩戴口罩识别、垃圾满溢识别、路面损坏识别、工业零件质检……过去因为AI成本太高、实现难度较大而没有得到释放的市场需求，正逐步通过自动机器学习得到满足。未来，借助AI的领先生产力，将会有更多企业，尤其是传统企业在生产、交付效率上实现“跨量级”式的提升。
李苏南：共达地专注在通过AutoML自动化机器学习实现AI的大规模商业化落地。如果说AI行业发展的上半场是只有少数公司、少数科学家和高阶工程师才能参与的“小众”领域，那么下半场，共达地希望把AI的开发和训练门槛降到最低，让各行业中了解业务场景、业务需求的人，都能将AI当成一个高效解决实际问题的、便捷的工具。基于这个角度，我们拒绝“自嗨”，努力做到充分开放、充分好用、充分端到端，让更多的伙伴参与到AI的创作中来。
共达地目前大概有70人左右的规模，研发和产品团队占70%左右。团队核心技术人才来自包括香港科技大学、香港中文大学、大疆创新、百度、微软等海内外知名高校以及全球顶级科技企业。创业的初期会把更多的精力投入到产品的积淀和完善，以及去打造平台的易用性、稳定性和可靠性等方面，聚焦把产品做得更好。
李苏南：首先，前期的市场成熟度还不够。很多传统行业的客户并没有意识到，有许多问题是可以用AI解决的，而且应用成本和难度都很低。我们现在也有了案例，一些传统行业的先行者已经在用AI解决问题。让客户看到这些点其实是比较重要的。
此外，我们用机器学习做出来的算法，精度也很高，可以媲美8年以上经验的AI工程师的水平，从这个角度来说，我们的算法完全可以达到商用落地的标准，在具体业务场景中发挥实际价值。
例如，用我们自动化机器学习所做出来的AI算法，已经在仓储物流、园区港口、建筑工地、智慧城市、农牧场等三百多个场景落地了，24小时不眠不休监控场景中存在的潜在问题，帮助企业减少在安全巡检方面的人力投入，识别报警的可靠性和准确度甚至比人力还要靠谱。
我们要向行业证明，AI有价值并且能在场景中落地，这些是我们要去向这个行业输出的部分。
李苏南：核心优势主要体现在产品的全自动化上。
我们在考虑的事情就是，用自动化机器学习的方式，让算法训练的过程标准化，让机器学会学习并代替人力完成这些反复的、低效的工作，让AI工程师从这个过程中解放出来，这是我们现在AI训练技术的一个核心优势。而且，与过去的AutoML不一样的地方是，我们做的不是一个单点的工具，也不是辅助工程师做AI开发的一个工具，而是真正能够端到端地把AI门槛降下来的平台。从前端的数据分析，到中间神经网络的选择，到超参的调节，然后到数据的蒸馏，再到模型的生成，最后到模型的部署，环环相扣，全部都是自动化了的。
基于这种定位，所以我们的目标是希望赋能过去不具备AI能力的公司成长，比如说集成商、解决方案开发商，让他们拥有AI开发的能力，或者帮助传统的AI公司基于我们的平台提升算法的生产效率和交付效率。最终，我们和大家一起，挖掘市场中更多的潜在需求，比如游摊小贩识别、佩戴口罩识别、垃圾满溢识别、路面损坏识别、工业零件质检、油管道泄露、牧场养殖管理等等。通过共达地的平台，激活过去因为AI成本太高、实现难度较大而没有得到释放的需求，让千行百业，大小企业，都能基于AI这种领先生产力的力量，实现业务的升级。
如今的AI市场份额中，我们观察到大概90%左右是比较传统的需求，例如人脸识别、车辆识别、OCR识别等。目前共达地的平台服务了几百家客户，我们期望这个数字在明年可以有几倍的增长。
李苏南：过去AutoML更多是一个辅助的作用，在算法生产的某些单点环节，帮助专业的工程师提高工作效率。共达地做的AutoML并不是一个单点的工具，我们认为在整个AI的开发链路中，只要有一个环节没有做到自动化，那么整个链条都是不能自动化的。所以，我们一开始的理念就是要实现整个AI训练链路的自动化，并在业界率先做到了让整个AI的训练和迭代过程完全不需要AI工程师参与，完全不需要写一行代码，而且精度高于行业平均水平。
在部署环节，我们在行业中率先适配了市面上主流的100+硬件和芯片。在AI训练过程中，模型会根据硬件做好预先的适配，让客户在落地运行模型的时候，不需要额外的开发工作。
李苏南：我们认为长尾市场是非常需要自动化机器学习这样的工具的。一是需求多且杂，对算法定制的要求高，同样的算法从场景A迁移到场景B时，也需要定制，这个工作量是无法依靠人力完成的；二是需求散且小，如果成本过高、周期过长或门槛过高，是无法落地的。
这种情况就导致，长尾市场中的需求一直都存在，但是客户用不起，有些客户用得起又会认为你们做的太慢，做的效果不够好。
通过算法商城，即把市场上常见的、可复用的算法生产出来，让客户可以即买即用，就像在商城里买现成商品一样，是一个扩大算法的应用广度的好方法。但与其他算法商城相比，共达地基于自动化机器学习的算法商城，里面的算法是“活的”，并不会像一个实体的超市，好像商品摆在那里可能一年到头就不会动了。
举个例子，同样的安全帽识别算法，共达地的算法商城所提供的算法，是可以根据实际应用场景中，摄像头的远近、工地实景特征、日夜间光线变化等不同情况，进行自动迭代优化的，这就保障了算法应用到业务场景后的精度不低于92%。但如果是“死算法”的话，可能在算法商城中精度大于97%，但落地应用后实际精度不到10%，我们见过很多这样的案例。
李苏南：其实在售前阶段，有一个很重要的环节，叫需求定义。这个环节是解决懂技术的人不懂业务，懂业务的人不懂技术这一问题的重要手段，避免因为沟通鸿沟让简单的事情变复杂，延误工期或降低交付质量。我们的产品经理会跟客户一起去定义业务问题，分析清楚到底是要用AI解决什么问题，以及哪些问题是用AI视觉可以解决的。然后我们要跟他一起去分析，为了解决这些问题，需要提供哪些数据。以油管泄漏识别为例，油管正常的时候是什么样子的，泄露的时候是什么样子的，我们会去帮助企业一起进行数据的采集，确保这些数据能够训练出高精度标准的模型。
在最后的模型部署和落地的部分，我们也要跟企业了解方案大概需要什么样的硬件设备的支撑，需要多少算力才能达到识别的精度。我们现在也和很多硬件厂商建立了广泛的生态关系，比如说像英特尔、华为、英码、英伟达等主流厂商，将我们的AI的算法和他们的硬件打包在一起，帮助客户最终实现算法落地。
所以，从这个维度来看，算法的大规模应用，不只是一个技术问题，更是一个服务问题和生态问题，尤其是面对长尾市场的时候。共达地希望通过AutoML让算法的生产变成一件简单的事情，然后腾出更多精力去完善生态、优化服务，让客户都能用得起、用得好AI。
李苏南：一方面，我们在和大型客户，比如说像平安智慧城市，软通智慧还有千世通这样的公司做城市级或者金融级的AI项目落地。
同时，合作伙伴也有能力去承接更大规模、定制化的算法需求了。有些定制化的需求成本较高，精度要求也比较高，企业过去不敢接，但是在跟我们合作之后，他就非常有底气，也有能力去承接这些更中长尾的、碎片化的需求。
此外，我们也在针对一些中小型、非主流的AI应用场景，做个性化的定制开发，比如我们跟一家农牧行业的客户做了整体牧场的智慧化解决方案，帮助识别牧场上有多少头牛，然后这些牛是不是在一个栅栏里面吃草，哪些牛在吃，哪些牛拱草等等。这些非常细的需求，在过去是不敢想的，但现在只要客户提出来，原则上说都可以使用AI去解决，并且，共达地可以在几天之内帮客户把需求定义清楚，一两周内有一个测试版本可以上线，再通过快速的机器学习迭代，让算法的精度提升到商用级别，最终达到符合应用需求的程度。