正文序言1、设计和开发成本2、部署和维护成本3、边际成本总结
前言人工智能APP开发的成本对各行业人工智能的渗透率有很大影响。 成本越低，渗透率越高，人工智能对行业的影响也越快。 然而，人工智能APP应用开发的总体成本模型非常复杂，但大致有以下几个层面：
一、设计和开发成本如前篇所述，结合开发流程模板开发人工智能APP应用，比较简单。 而且，随着机器学习和深度学习等人工智能算法的发展，人工智能APP应用的使用门槛正在降低，可以结合巨大的计算力来选择和搜索最佳算法，因此可以让机器承担更多的成本，降低劳动力成本由于人工智能APP应用的不同，同一人工智能APP应用的不同阶段，人工成本与机器成本的比例也不同，因此人工智能APP应用开发者需要根据成本预算自行决策。
然而，人工智能APP应用开发最大的难点是如何识别业务问题，如何绑定与业务问题最匹配的APP应用开发流程模板，也就是如何进行端到端的设计。 这一点很难用机器代替，现在主要以人手为主。 例如，一位顾客希望建立智能接入系统，更好地管理人员出入，确保安全。 针对这样的问题，人工智能APP应用开发工程师可以考虑指纹识别、人脸识别、虹膜识别等各种可能性。 每种识别方案背后的算法技术所依赖的软硬件成熟度、成本以及算法本身的成熟度各不相同。 此时，需要与业务需求方进行沟通，从成本、研发难度、精度要求、体验等多个维度综合考虑后选择最佳方案。 即使对某一个方案很具体，也需要选择很多细节。 假设客户选择了面部识别程序，人工智能APP开发工程师会考虑以下一系列问题
以下几点：你采用的是什么类型和型号的照相机？ 另外，照相机怎么布局设置？ 光线变化如何处理？ 如何处理强光和弱光的场景？ 需要的识别者有多少？ 识别对象名单发生变化时如何处理？ 整个软硬件系统方案是什么？ 目标识别精度和速度是多少？ 如果你不能确定某人，你会怎么处理？ 如何动作约束识别者？ 例如，你需要面对照相机，从正面看。 如果认识对象不合作，需要如何处理？
它涉及如何针对业务问题和场景，分层分解客户需求，并将其转换为特定的APP开发流程模板选择问题，从而形成端到端解决方案。 在这个阶段，需要反复交流和设计或实验验证，开发成本也会增加。 从降低人工智能总体设计和开发成本的角度看，人工智能APP开发平台将分三个阶段演进到：第一阶段，大部分依赖人工设计和开发； 第二阶段，平台提供了大量的APP应用开发流程模板，开发者只需负责业务问题的转换和需求的分解，以及基于模板开发时部分参数的选择或调整； 第三阶段，通过开发流程模板，部分业务问题和需求更接近领域特定问题，平台将结合更强大的优化算法和大规模集群计算能力加快参与。 随着人工智能服务单位计算能力成本越来越低、平台积累越来越多，人工智能APP应用的设计和开发成本将逐渐降低
二、部署成本和维护成本体现在人工智能APP应用部署中，部署成本体现在多设备部署中。 未来的人工智能推理一定会与端到端云协同工作，因此特别需要具备一次性开发和任意部署的能力。
正如设计和开发成本所述，部署完成后，人工智能APP的维护往往非常重要。 人工智能APP本身的漏洞维护成本非常高。 在人工智能APP应用的执行状态下，推理数据量变大，在返回训练并集中进行再训练的情况下，再标记的成本可能会变高，再训练的计算能力成本也可能变高。 因此，如何自动判断人工智能APP应用推理表达的恶化，自动选择、标记导致其恶化的关键数据并对模型进行训练，是大幅度降低维护成本的关键。
从降低人工智能部署和维护成本的角度出发，人工智能APP开发平台通过三个阶段进化：第一阶段，依赖纯人工的部署和维护； 第二阶段，具备端端云多场景化部署能力，基于自动疑难病例发现算法，收集对应用恶化有重要作用的数据，然后基于这些数据进行半自动标记和再训练，降低应用维护成本； 第三阶段提供了完全自动化的模型部署和自适应更新，在重新部署时只需部署手动确认。
三、边际成本人工智能APP应用开发的边际成本主要体现在两个方面：一个是人工智能开发过程模型
板块进行场景间复制时的总成本增加； 二是增加了在场景之间部署和维护人工智能APP应用本身的总成本。
对于人工智能开发者来说，如果扩大已开发的开发流程模板以支持更多的业务场景，边际成本将很低。 但是，这些模板，尤其是专业模板通常与业务问题密切相关，业务问题和场景大不相同。 例如，即使是同一个面向图像目标识别的开发流程模板，如果存在一些比较简单的业务场景，如检测某个场景、某个光照条件下下单的、清晰的对象等，可以应用简单的模板来解决； 另一方面，也有从远处的影像中监视对象物体这样复杂的业务场景，在远处由于对象物体不清晰且小，照明条件的变化较大，识别的对象有多种，等级间的差异非常小的情况下，算法的复杂度会急剧上升，因此无法恢复因此，现有的人工智能开发过程模板必须确定可以涵盖的业务问题的范围及其限制。 的人工智能开发过程模板具有局限性，但局限性的大小不同。 为了尽可能扩大模板涵盖业务问题的范围，需要对许多场景进行预先针对性的设计和抽象，并结合计算能力自动选择适合当前问题的方案。
人工智能APP应用自开发以来被引入不同场景时，不同环境下的推理数据差异是一大难题。 如上所述，人
工智能应用需要根据推理数据的变化而不断进行维护。如果维护能够尽可能自动化,那么边际成本就会更低。从降低人工智能边际成本的角度看,人工智能应用开发平台会按照三个阶段不断演进:第一阶段,依赖已有的人工智能开发流程模板和应用,手工进行跨场景优化和复制;第二阶段,在已有开发流程模板和应用的基础上,增加一定程度的跨场景自适应能力;第三阶段,开发流程模板和应用所能支持的场景更丰富,并自动给用户的新场景提供最优模板变种,自动更新应用。
综上可以看出,当前人工智能应用的设计、开发、部署、维护阶段本身的可复制性都比较差,这使得边际成本难以降低,也造成了当前人工智能应用可复制性差的问题。
总结
综上所述,人工智能应用开发更需要借助大集群算力、模板库、业务知识库,以及每个模板内依赖的半自动标注、自动算法选择、自动模型训练和优化等人工智能应用开发平台的基础能力,才可以真正降低人工智能应用开发全生命周期的成本,使得人工智能应用更加普及,实现人工智能无处不在。