企业人工智能路线图：人工智能开发平台领域如何转型，改变买家评估投资回报率、用例等的方式

企业人工智能路线图： 人工智能开发平台格局如何转变，改变买家如何评估投资回报率、用例以及更多。 我们分析了CB Insights的数据，并采访了50多个AI开发平台买家——包括Databricks、Hugging Face和Scale AI——以了解他们如何部署AI模型、他们支付了多少钱，以及该领域的未来趋势。 任何公司都不想错过人工智能的机会。 随着生成式AI的兴起，商业应用AI的规模迅速扩张，企业正在竞相改造其基础设施以支持这些高级模型的部署和管理。 企业买家正越来越倾向于使用人工智能开发平台，以……他们的AI需求. 人工智能开发平台使企业能够管理人工智能生命周期从数据准备、训练和验证，到模型部署和持续监控——通过单一平台。 该领域由企业机器学习（ML）参与者构成，特点为混合格局（）。H2O.ai,DataRobot)，大型科技公司产品（谷歌云Vertex AI亚马逊SageMaker和Bedrock)，以及新兴的人工智能开发工具（。Predibase,闪电AI). 来源：CBInsights——人工智能发展平台市场 平台目前正面临巨大压力，需要适应人工智能时代的产品，以捕获更多企业人工智能支出，从而帮助企业实现：利用基础模型的力量. 我们挖掘了CB Insights的估值、员工人数和融资数据，以及50多份买家访谈，以绘制不断演变的市场格局并分析其未来。 以下我们将涵盖： 2.3.4.1. 人工智能开发平台市场格局企业买家如何评估其人工智能工具花费的投资回报率企业人工智能发展的未来行业样本买家案例研究 目录 人工智能（GenAI）正在改变人工智能开发格局4人工智能开发平台市场4遗留的机器学习公司失去势头5公司利用通用人工智能的势头6大型科技公司加入新创企业行列9 评估投资回报率（ROI）9生产力增长。9成本节约10 13企业人工智能发展的未来充分利用专有数据将解锁独特的用例。15家大型科技公司拥有多重优势。十七家企业面临探索开源模式的压力18个特定任务的模型获得采用22 随着生成式人工智能领域的成熟，合并正在到来。2023年6月 - 2024年6月27项选定的genAI收购企业在其人工智能支出上变得更加自律。29 客户案例研究人工智能开发平台用例摘要 人工智能生成（GenAI）正在改变人工智能开发格局。 人工智能开发平台并非新奇。该领域有几款成立于2010年代初的平台，那时企业开始应用机器学习。开始变得流行。. 但是，通用人工智能（genAI）有...显著人工智能发展进入新时代。日益复杂的模型正在开辟新的应用，企业急切地想要利用这些应用，这为市场中的供应商创造了机遇，同时也挑战他们必须快速适应以支持最新的AI任务。 以下，我们定义市场和其中的参与者。 人工智能开发平台市场 人工智能开发平台为企业提供了一站式服务，使其能够开发和推出内部人工智能项目。 一些该领域的公司直接竞争（例如，）。Dataiku并且 DataRobot 在数据科学工作流程中），而其他则是更专业的（例如，规模该平台专注于数据准备，同时也提供了一个通用人工智能（genAI）开发平台）。许多企业是多个AI开发平台的客户。 更广泛的机器学习运维（MLOps）格局该市场细分，包含12个类别中的130多家公司。 ML Ops市场地图 来源：CBInsights研究— 遗留的机器学习公司失去势头 企业机器学习开发平台，如2012年创立的DataRobot和2013年创立的Dataiku，已经在竞争激烈的市场中感受到了痛苦。 Dataiku于2022年12月进行了一轮降价融资，而DataRobot已经历过多轮裁员。 公司利用通用人工智能的势头 生成式AI现在正在搅动市场，因为这项技术“跳过”了更传统的企业级AI开发，正如……规模客户描述: “企业内部人们正在从事的项目类型实现了跳跃式发展。大量[传统人工智能开发]已被OpenAI、Anthropic、AI21 Labs和其他公司所吸收。内部完成这一任务的需求在过去12个月左右发生了变化，并以一种有趣的方式塑造了当前的整个类别，其中[企业]都在试图弄清楚他们如何实现下一阶段的增长。因为那不是来自传统的机器学习和人工智能数据管道。他们原本预期会指数级增长。” 风险投资支持的软件初创公司首席产品官， 企业如Scale、Hugging Face，以及达布里克斯在人头增长和资金方面迅速领先，因为他们捕捉到了围绕生成式AI的一些势头。 同时，Databricks也在积极收购以扩展其产品功能——包括购买LLMOps初创公司MosaicML2023年6月，金额为13亿美元，以及数据管理初创公司表格一年后，超过10亿美元。 来源：CBInsights—Databricks 收购洞察 大型科技公司加入新创企业行列 大科技公司也在为人工智能时代构建他们的产品套件。谷歌已经扩展了其Vertex AI开发平台，以便访问其Gemini模型和其他第三方/开源模型；而亚马逊云服务（AWS）于2023年4月宣布了为人工智能开发而设立的Amazon Bedrock托管服务。 此外，一个新一代专注于大型语言模型（LLM）的开发平台已经出现，包括小型且特定任务的平台Predibase和长矛以及统一的平台，如自适应机器学习并且chalk. 评估投资回报率（ROI） 我们采访了50多个人工智能开发平台的企业客户，使用案例涵盖了从预测性维护到程序员生产力的范围，以了解他们是如何评估投资回报率的。 两个关键因素显现：生产效率提升和成本节约。 生产力增长。 买家通过具体指标来衡量生产率提升，例如产出增加（例如，推出的功能）、任务速度和整体团队效率。 这个Hugging Face客户强调他们通过考虑在没有AI工具的情况下需要多长时间才能达到同样的成果来量化价值。这个“开发比购买”计算显示了该工具带来的生产率提升，从而证明他们的50万美元年投入是合理的。 “性价比棒极了。哦，我的天哪，这甚至无法与其他我们多年来所做的许多投资相提并论。我们考察已发布的模型功能，我们关注开发者生产力的提升，我们审视不同团队的速度和执行效率。，所以是的，绝对[我们有一些具体指标来量化成功]。如果我们完成Hugging Face允许我们完成的所有这些工作，这需要多长时间？” 高级数据与分析领导者财富500强公司 成本节约 与生产力提升密切相关的是由AI工具实现的直接成本节约。 一个C3 AI油气行业的客户强调通过使用该平台的预测分析来提高设备故障预测并减少维护周期所获得的“巨大价值”。 fewer 设备故障和生产中断意味着能够转化为实际货币的节省。 C3 AI 用户案例研究 请阅读完整的转录本，在CB Insights平台。 客户：财富500强公司数据与分析部门负责人 年度支出：200,000美元行业：石油与天然气满意度：9/10初始购买日期：2019年第三季度 我们从维护使用C3AI预测分析所节省的成本中获得了巨大的价值。我们的维护周期已经降低。我们不经常停止工厂，我们在预测设备可能出现故障时的错误和问题已经得到了改善。我听到与我们团队互动的运营人员给出了非常好的反馈。” 用例： ● 考虑地理位置和维护间隔等因素的石油和天然气行业设备预测性维护 ○ 减少了维护周期和停机时间，从而降低成本 ○ 集成并分析了不同类型的数据（例如，天气数据），以改善预测设备可能发生故障时间时的准确度 ○ 减少了维护所需的人力 产品使用与定价： ● 使用C3 AI的全套解决方案，实例遍布欧洲、北美和亚洲 ● 多年合同 ● 对与云计算部署和数据存储相关的日益增长的基建成本的担忧 未来展望： ● 计划在其他领域扩大C3 AI在预测性维护中的应用，例如智能计量、可再生能源和氢能工厂 此 H2O.ai 顾客进一步分解投资回报率（ROI）的计算。对他们来说，H2O AI Cloud（HAIC）产品所需的12.5万美元是由于每年为每位数据科学家节省4周的时间来证明其合理性。对于一个由10位数据科学家组成的团队，这相当于大约50万美元的节省——投资回报率的4倍。客户指出，这些节省已达到他们对这类工具的预算上限，表明他们是在他们认为能获得正向投资回报率的极限内进行支出。 “我有10个数据科学家，如果他们每人每年节省四周时间，那么我就节省了50万美元的时间与精力，这使我能够加速项目，从而做更多的事情。我可以说，这种价值是存在的。至于我的预算来说，我并没有比已分配给我的12.5万美元和5万美元更多。在那方面，我已经达到了MLOps工具和AI加速器工具的预算上限。” 上市公司公用事业公司分析部主管 企业人工智能发展的未来 传统人工智能和机器学习工作负载支撑着今天广泛的企业应用，从制造业中的预测性维护到零售业中的需求预测，再到金融服务中的欺诈检测。 同时，生成式AI在企业中的应用仍处于早期阶段。最常见的生成式AI应用案例，跨越企业各个层面，如戴尔首席运营官Jeff Clarke总结：在公司5月业绩电话会议中，有： 1. 内容创作3. 自然语言搜索2. 客户支持协助 4. 设计与数据创建 5. 代码生成 第六部分：文档自动化 对于某些客户，例如这位C3 AI买方，通用人工智能（genAI）仍然处在炒作的领域。 是的，我被无数次问到关于ChatGPT及其潜在集成的相关问题，但这并不是我认为在石油化工领域人们会立即采纳的事情。该级别的生成式人工智能，我们目前没有互联网带宽，也无法将其实际应用于运营设施层面。在我看来，这更多的炒作而非实质内容，至少在当前这个时间点是这样的。.” 上市公司化工公司经理 但大多数访谈揭示了共同的主题：快速发展的通用人工智能市场将显著塑造人工智能开发平台的未来。随着企业计划开发自己的人工智能应用，他们正密切监视供应商的通用人工智能路线图，以指导他们的决策。 以下是基于CB Insights数据和买家访谈关于景观未来发展的6个关键要点。 充分利用专有数据将解锁独特的用例。 AI模型，例如OpenAI的GPT-4，依赖于大量的训练数据。 企业专有数据，无论是结构化还是非结构化，对于定制化模型以适应其特定用例至关重要，如摘要和数据分析。 仅仅将企业数据作为起点进行管理，以便能够为这些用例利用它，仍然是一个难题。关于戴尔公司首席运营官Jeff Clarke的说法帮助客户理解他们的数据，以及如何为这些用例准备数据，这是我们今天正在做的事情。 与此同时，企业被迫投资于改善其环境污染处理状况。数据质量, 以最小化低质量数据对人工智能性能的下游影响。 一位客户基础设施提供商和模型开发者共同人工智能强调了数据管理的重要性。 “当前这个领域最具颠覆性的，将会是那些真正帮助公司在数据管理方面的问题上得到解决的解决方案。数据方面，数据质量，数据位置，数据状态，数据整理。这可能是阻碍那些已经投资于大型语言模型、架构和人员公司的最大因素。.” 技术咨询与服务公司首席技术官（Chief Technology Officer） 领先云数据管理公司如Databricks和Snowfake这些帮助公司连接其数据处理和分析数据源的技术正在转向以吸引更多企业人工智能客户。 双方近期都采取了支持更多数据格式的举措，例如开源Apache Iceberg表格格式，这对于希望利用自身数据进行人工智能应用的企业来说非常重要。 特别在2024年6月，Databricks收购了表格化数据。该系统基于Apache Iceberg构建，价值超过10亿美元——汇聚了领先的开放源代码湖仓格式Delta Lake（Databricks构建的基础），以及Iceberg。这将使Databricks能够为其客户提供更好的数据兼容性，并允许他们跨不同格式利用数据，减少数据孤岛。 大型科技企业具有多重优势。 大型科技企业如亚马逊,微软,谷歌，以及国际商业机器公司由于规模、基础设施以及现有的客户