每一次技術革命，都是一次生產(chǎn)力與生產(chǎn)關系的大變革。AI時代呼嘯而至，深度學習、強化學習、圖神經(jīng)網(wǎng)絡顯示出強大的技術張力，但為何在產(chǎn)業(yè)應用落地中又會遇到種種挑戰(zhàn)，讓不少產(chǎn)業(yè)從業(yè)者擔憂——AI到底離我們有多遠？

?

黃埔學院，“首席AI架構師”的搖籃，對于這一產(chǎn)業(yè)之問，自然也是學院講師、學員必須回答的問題。

?

得其法者事半功倍,不得其法者事倍功半。

11月4日，百度黃埔學院第四期開啟為期6周的線上預科班。就是通過AI思維、AI方法、AI技術、AI選擇等環(huán)環(huán)相扣的課程，讓大家“得法前行”，找到新技術推動產(chǎn)業(yè)升級的全流程方法論。

上圖：黃埔學院第四期預科班課程表

跨上AI的戰(zhàn)車

從技術邏輯和商業(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。結合飛槳實踐落地過程中各行業(yè)AI應用案例，企業(yè)想成功應用AI系統(tǒng)，要遵循技術和商業(yè)邏輯兩大原則。

AI應用可行的兩大前提

AI作為決策系統(tǒng)的前提：

信息采集和自動化實施要完備

從技術邏輯來看， AI應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場景應用落地的步伐就可以加快。像如今互聯(lián)網(wǎng)、金融領域AI應用最先落地，重要原因便是其產(chǎn)業(yè)鏈上下游完備。

AI要滿足商業(yè)邏輯的前提：

對關鍵業(yè)務的效率提升要大于付出的成本

目前，中國無人超市的技術已非常成熟，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技術滿足我們今天的商業(yè)發(fā)展，是想提升企業(yè)自身的關鍵業(yè)務。同時“成本”作為企業(yè)轉型考慮的重要因素之一，也成為選擇AI應用的關鍵項。總結來看就是，選擇AI技術提升效率不能只“幫扶”企業(yè)效率提升一小步，但卻要“冒險”付出大成本。

——百度杰出架構師&飛槳產(chǎn)品負責人 畢然《跨上AI的戰(zhàn)車》

從學術研究到產(chǎn)業(yè)落地

“多法結合”推動整個系統(tǒng)準確率提升

要想習得真經(jīng)，企業(yè)除了明白是否適合AI轉型，還需要切實的了解如何運用AI實現(xiàn)應用。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

• 場景領域的長尾、變化需求

面對AI技術難題的正攻法思路

我們有很多學術的方法去解決、突破技術難題，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。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，人命關天，就完全不能弄錯了。還有一些零售結賬的場景，質檢上需要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對》

掌握主流和全面的技術

復雜任務先拆分簡化，抽象問題是關鍵能力

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

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)務場景它可能不是一個任務，而是眾多任務。比如說文本糾錯、復雜的問答系統(tǒng)、復雜的對話系統(tǒng)等，它可能包含了眾多的子任務。

——百度資深研發(fā)工程師&百度文心ERNIE平臺技術負責人?龔健?《產(chǎn)業(yè)NLP任務的技術選型與落地》

?

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

• 在復雜環(huán)境下，讀數(shù)精確度不易保證

• 室外環(huán)境惡劣導致讀數(shù)難以識別

技術方案拆解：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，因為模型復雜度的提升，我的推理時間變長了。不過沒關系，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)架構師 黃埔學院二期學員 朱玉石《能源電力傳統(tǒng)儀表綜合無人巡檢》

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，其工程是非常復雜的。你所在小區(qū)的四級地址是什么？估計很多人沒有清晰的概念，有的用戶名字叫“一個橘子”，收件地址中還附著著大量的附言詞。在這之中我們要做大量的分詞、文本解析、結構化處理、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)督的方法結合去應用。整個團隊花了很長的時間，去建立一整套的系統(tǒng)。

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該做什么。剛才說的所有那些很復雜的東西，從以前的Framework轉到飛槳以后，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。很多應屆生同學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。在新同學還不是特別懂深度學習的原理情況下，能夠把整個技術做出來，能夠有結果，這是件非常讓人興奮的事。

——京東物流智能供應鏈產(chǎn)業(yè)平臺研發(fā)總監(jiān)、黃埔學院三期學員 王梓晨《京東物流快遞單智能識別》

聽完這些課程，你是不是對AI產(chǎn)業(yè)落地有了不一樣，亦或是更深刻的認識？是不是也想加入其中，成為推動產(chǎn)業(yè)落地的AI架構師？

?

對于從黃埔學院畢業(yè)的135名學員，授課老師們一直在強調“AI架構師”要具備從復雜的業(yè)務問題抽象出AI技術問題的能力，要對主流AI訓練和部署落地流程有充分的掌握，結合相關算法技術和業(yè)務場景需求，做出恰當?shù)腁I技術選型，設計高效合理、并具有充分預見性的實現(xiàn)方案。還要在業(yè)務場景下建立起以AI技術應用為核心的完備技術體系，充分發(fā)揮AI技術對業(yè)務的助力作用，對技術團隊產(chǎn)生很強的技術影響力。

置身其中的技術人都說，AI落地不是學術問題，而是創(chuàng)意問題。

?

關鍵是，如何有創(chuàng)意的使用AI技術。

?

12月1日，百度黃埔學院第四期開放線下正式班申請，需要你帶著“AI項目開題報告”有備而來，與百度T10+架構師一起，面對面探索產(chǎn)業(yè)智能化升級的新場景、新未來。

點擊“閱讀原文”立即申請【黃埔學院第四期正式班】，回看六節(jié)預科班干貨視頻，獲取正式班申請材料模板。

????

現(xiàn)在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

總結

以上是生活随笔為你收集整理的CTO案头必备｜AI技术产业落地的42章经的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。