↑↑↑關(guān)注后"星標"Datawhale

?Datawhale干貨?

來源：百度AI，百度黃埔學(xué)院

每一次技術(shù)革命，都是一次生產(chǎn)力與生產(chǎn)關(guān)系的大變革。AI時代呼嘯而至，深度學(xué)習(xí)、強化學(xué)習(xí)、圖神經(jīng)網(wǎng)絡(luò)顯示出強大的技術(shù)張力，但為何在產(chǎn)業(yè)應(yīng)用落地中又會遇到種種挑戰(zhàn)，讓不少產(chǎn)業(yè)從業(yè)者擔(dān)憂——AI到底離我們有多遠？

百度黃埔學(xué)院，作為“首席AI架構(gòu)師”的搖籃，結(jié)合AI產(chǎn)業(yè)落地分享了背后的難點和經(jīng)驗。

落地AI的兩個原則

跨上AI的戰(zhàn)車，從技術(shù)邏輯和商業(yè)邏輯雙面看

跨上AI戰(zhàn)車的第一步，企業(yè)首先需要確認現(xiàn)階段是否適合進行AI轉(zhuǎn)型。如果對AI本身的邏輯缺乏深入的理解，究竟能不能使用、如何使用AI去落地就成了難題。結(jié)合飛槳實踐落地過程中各行業(yè)AI應(yīng)用案例，企業(yè)想成功應(yīng)用AI系統(tǒng)，要遵循技術(shù)和商業(yè)邏輯兩大原則。

圖1: AI應(yīng)用可行的兩大前提

原則1 ?AI作為決策系統(tǒng)的前提：信息采集和自動化實施要完備

從技術(shù)邏輯來看， AI應(yīng)用作為一個決策系統(tǒng)不是單獨存在的，它包含完整的上下游。上游是我們采集的數(shù)據(jù)信息，下游則是我們要執(zhí)行實施的自動化。

因此，當企業(yè)發(fā)現(xiàn)所在的應(yīng)用場景上下游都完備，只需 AI決策系統(tǒng)時，企業(yè)AI場景應(yīng)用落地的步伐就可以加快。像如今互聯(lián)網(wǎng)、金融領(lǐng)域AI應(yīng)用最先落地，重要原因便是其產(chǎn)業(yè)鏈上下游完備。

原則2 ?AI要滿足商業(yè)邏輯的前提：對關(guān)鍵業(yè)務(wù)的效率提升要大于付出的成本

目前，中國無人超市的技術(shù)已非常成熟，但依然沒有在中國看到遍地的無人超市。是因為今天要實現(xiàn)無人超市的技術(shù)所花費的成本高于兩個店員的人力成本。所以無人超市這個技術(shù)雖已經(jīng)實現(xiàn)了效率上的大幅提升，但是因為效率提升程度不及花費的成本，所以目前還只能是實驗田。

所以，快速跨上AI戰(zhàn)車還需要考慮背后的商業(yè)邏輯。企業(yè)之所以運用AI技術(shù)滿足我們今天的商業(yè)發(fā)展，是想提升企業(yè)自身的關(guān)鍵業(yè)務(wù)。同時“成本”作為企業(yè)轉(zhuǎn)型考慮的重要因素之一，也成為選擇AI應(yīng)用的關(guān)鍵項。總結(jié)來看就是，選擇AI技術(shù)提升效率不能只“幫扶”企業(yè)效率提升一小步，但卻要“冒險”付出大成本。

——百度杰出架構(gòu)師&飛槳產(chǎn)品負責(zé)人畢然

《跨上AI的戰(zhàn)車》

AI產(chǎn)業(yè)落地的三個問題

從學(xué)術(shù)研究到產(chǎn)業(yè)落地，“多法結(jié)合”推動整個系統(tǒng)準確率提升

要想習(xí)得真經(jīng)，企業(yè)除了明白是否適合AI轉(zhuǎn)型，還需要切實的了解如何運用AI實現(xiàn)應(yīng)用。我們發(fā)現(xiàn)在產(chǎn)業(yè)落地這個過程中，通常會面臨三大問題：

數(shù)據(jù)的規(guī)模和平衡性
模型的泛化能力及魯棒性
場景領(lǐng)域的長尾、變化需求

圖2:面對AI技術(shù)難題的正攻法思路

我們有很多學(xué)術(shù)的方法去解決、突破技術(shù)難題，大家都可以去嘗試。也可以通過各種論文去了解先進前沿的技術(shù)。但還有很多時候，整個系統(tǒng)的準確率并不是單純的一個算法模塊的準確率。可能你需要嘗試配合一個傳統(tǒng)算法，或者是配合一個流程的設(shè)計，甚至必要的時候可以配合人員操作的兜底方式來協(xié)同配合，達到真正的場景可用。

這里提到一個信任機制的建立，比如醫(yī)療場景，如果是一個全自動的系統(tǒng)，患者能不能接受這樣一個機器直接給出結(jié)論？很多時候我們當然希望它是一個全自動的系統(tǒng)，但是這里往往要考慮的就是一個場景的容錯范圍，人命關(guān)天，就完全不能弄錯了。還有一些零售結(jié)賬的場景，質(zhì)檢上需要9個9，很多這樣的場景，可能目前還是需要一個human in the loop。

——百度資深研發(fā)工程師張洋

《產(chǎn)業(yè)計算機視覺落地難點與應(yīng)對》 ?

AI產(chǎn)業(yè)落地方法論

掌握主流和全面的技術(shù)，復(fù)雜任務(wù)先拆分簡化，抽象問題是關(guān)鍵能力

當遇到復(fù)雜場景的問題時，將其拆分成一些小的任務(wù)與目標。因為小的任務(wù)相對簡單一些，而復(fù)雜任務(wù)相對難一些，把復(fù)雜任務(wù)拆分成小任務(wù)本身就是一個技術(shù)建模的過程。拆分成小的任務(wù)之后，針對每一個小任務(wù)，我們都可以進行非常細致的技術(shù)選型。

圖3:抽象問題的拆分舉例

這在我們實際場景中其實是非常常用的，因為真實的業(yè)務(wù)場景它可能不是一個任務(wù)，而是眾多任務(wù)。比如說文本糾錯、復(fù)雜的問答系統(tǒng)、復(fù)雜的對話系統(tǒng)等，它可能包含了眾多的子任務(wù)。

——百度資深研發(fā)工程師&百度文心ERNIE平臺技術(shù)負責(zé)人?

龔健 《產(chǎn)業(yè)NLP任務(wù)的技術(shù)選型與落地》

很多油田電力和工礦企業(yè)，它里面存在很多傳統(tǒng)的機械指針式的儀表，這種儀表與數(shù)字儀表不同，機械表無法將表具的讀數(shù)實時發(fā)送到監(jiān)控系統(tǒng)，需要人工進行讀表檢查，這種表大部分是用來做監(jiān)控用的，比如說監(jiān)控設(shè)備的運行是否正常，而且這些表大部分是部署在廠區(qū)的各個位置，為了監(jiān)測儀器是否工作正常，或者系統(tǒng)是否工作正常，工廠或者是一些企業(yè)都要派大量的人力到現(xiàn)場去進行巡檢，檢查表的讀數(shù)是否正常，進而去判斷整套系統(tǒng)或者儀器是否正常，這樣的話就會消耗很多企業(yè)的人力成本，而且每次巡檢周期長，頻次非常低。實際解決問題之前，需要清晰的梳理出表計識別項目會面臨到的難點問題：

表具種類多，相似度大，樣本采集困難且不易分類
在復(fù)雜環(huán)境下，讀數(shù)精確度不易保證
室外環(huán)境惡劣導(dǎo)致讀數(shù)難以識別

圖4:技術(shù)方案拆解：目標檢測+語義分割

所以我們沒選擇直接識別的方案，因為直接識別會遇到多尺度的問題。我們選用了更為復(fù)雜的方案：目標檢測+語義分割，當我的讀數(shù)難度變小了，精確度會得到更好的保證，這是最核心的。同時，因為模型復(fù)雜度的提升，我的推理時間變長了。不過沒關(guān)系，因為在表計巡檢的場景里，對時效要求并不高。所以很多時候，大家問這樣的方案好不好那樣的方案好不好，還是要首先去回答自己的問題，你的場景到底有什么樣的限制條件。沒有最好，只有最適合。

——中興克拉科技首席AI系統(tǒng)架構(gòu)師黃埔學(xué)院二期學(xué)員?

朱玉石《能源電力傳統(tǒng)儀表綜合無人巡檢》

關(guān)于工具的選擇

Last but not least, 優(yōu)選工具

京東物流最開始自己要做快遞單識別，其工程是非常復(fù)雜的。中國的四級地址，有的用戶名字叫“一個橘子”，區(qū)號和電話號碼連在一起，還有大量的附言詞。在這之中我們要做大量的分詞、文本解析、結(jié)構(gòu)化處理、信息的補全、消歧等，最后進行語義相似度的打分和匹配。有監(jiān)督+無監(jiān)督的方法結(jié)合去應(yīng)用。整個團隊花了很長的時間，去建立一整套的系統(tǒng)。

圖5:京東物流快遞單識別所使用的ERNIE API

完成了這些工作，跨過了這些坑之后，當我遇到百度文心ERNIE，瞬間覺得豁然開朗，覺得它比我更懂我應(yīng)該做什么。剛才說的所有那些很復(fù)雜的東西，從以前的 Framework轉(zhuǎn)到飛槳以后，前面三個API其實就搞定了。最后一個API地址識別，我畫了小太陽，對我們的工作效率提升帶來了很大的幫助。很多應(yīng)屆生同學(xué)他們進來就能很快地上手。對于他們來說，一開始覺得這件事太難了，可能很難堅持下來。在新同學(xué)還不是特別懂深度學(xué)習(xí)的原理情況下，能夠把整個技術(shù)做出來，能夠有結(jié)果，這是件非常讓人興奮的事。

——京東物流智能供應(yīng)鏈產(chǎn)業(yè)平臺研發(fā)總監(jiān)、

黃埔學(xué)院三期學(xué)員王梓晨《京東物流快遞單智能識別》

對于從百度黃埔學(xué)院畢業(yè)的135名學(xué)員，老師們一直在強調(diào)“AI架構(gòu)師”要具備從復(fù)雜的業(yè)務(wù)問題抽象出AI技術(shù)問題的能力，要對主流AI訓(xùn)練和部署落地流程有充分的掌握，結(jié)合相關(guān)算法技術(shù)和業(yè)務(wù)場景需求，做出恰當?shù)腁I技術(shù)選型，設(shè)計高效合理、并具有充分預(yù)見性的實現(xiàn)方案。還要在業(yè)務(wù)場景下建立起以AI技術(shù)應(yīng)用為核心的完備技術(shù)體系，充分發(fā)揮AI技術(shù)對業(yè)務(wù)的助力作用，對技術(shù)團隊產(chǎn)生很強的技術(shù)影響力。