成为“首席AI架构师”的全流程方法论

允中发自凹非寺

每一次技能革命，都是一次生产力与生产关系的大变革。AI年代吼叫而至，深度学习、强化学习、图神经网络显示出强壮的技能张力，但为安在工业运用落地中又会遇到种种应战，让不少工业从业者忧虑——AI终究离咱们有多远？

黄埔学院，“首席AI架构师”的摇篮，关于这一工业之问，天然也是学院讲师、学员有必要答复的问题。

得其法者事半功倍,不得其法者得不偿失。

11月4日，百度黄埔学院第四期敞开为期6周的线上预科班

△

跨上AI的战车，从技能逻辑和商业逻辑双面看

跨上AI战车的第一步，企业首要需求承认现阶段是否合适进行AI转型。假如对AI自身的逻辑缺少深化的了解，终究能不能运用、怎么运用AI去落地就成了难题。结合飞桨实践落地进程中各行业AI运用事例，企业想成功运用AI系统，要遵从技能和商业逻辑两大准则。

△

图1: AI运用可行的两大条件

AI作为决议计划系统的条件：信息收集和自动化施行要齐备

从技能逻辑来看， AI运用作为一个决议计划系统不是独自存在的，它包括完好的上下流。上游是咱们收集的数据信息，下流则是咱们要履行施行的自动化。

因而，当企业发现地点的运用场景上下流都齐备，只需 AI决议计划系统时，企业AI场景运用落地的脚步就能够加速。像现在互联网、金融范畴AI运用最早落地，重要原因便是其工业链上下流齐备。

AI要满意商业逻辑的条件：对要害事务的功率提高要大于支付的本钱

现在，我国无人超市的技能已十分老练，但仍然没有在我国看到遍地的无人超市。是由于今日要完成无人超市的技能所花费的本钱高于两个店员的人力本钱。所以无人超市这个技能虽现已完成了功率上的大幅提高，可是由于功率提高程度不及花费的本钱，所以现在还只能是实验田。

所以，快速跨上AI战车还需求考虑背面的商业逻辑。企业之所以运用AI技能满意咱们今日的商业开展，是想提高企业自身的要害事务。一同“本钱”作为企业转型考虑的重要因素之一，也成为挑选AI运用的要害项。总结来看便是，挑选AI技能提高功率不能只“帮扶”企业功率提高一小步，但却要“冒险”支付大本钱。

——百度出色架构师飞桨产品负责人毕然《跨上AI的战车》

从学术研究到工业落地，“多法结合”推进整个系统准确率提高

要想习得真经，企业除了理解是否合适AI转型，还需求实在的了解怎么运用AI完成运用。咱们发现在工业落地这个进程中，通常会晤临三大问题：

数据的规划和平衡性
模型的泛化才能及鲁棒性
场景范畴的长尾、改变需求

△
图2:面临AI技能难题的正攻法思路

咱们有许多学术的办法去处理、打破技能难题，咱们都能够去测验。也能够经过各种论文去了解先进前沿的技能。但还有许多时分，整个系统的准确率并不是单纯的一个算法模块的准确率。或许你需求测验合作一个传统算法，或许是合作一个流程的规划，乃至必要的时分能够合作人员操作的兜底方法来协同合作，到达实在的场景可用。

这儿说到一个信赖机制的树立，比方医疗场景，假如是一个全自动的系统，患者能不能承受这样一个机器直接给出定论？许多时分咱们当然期望它是一个全自动的系统，可是这儿往往要考虑的便是一个场景的容错规模，人命关天，就彻底不能弄错了。还有一些零售结账的场景，质检上需求9个9，许多这样的场景，或许现在仍是需求一个human in the loop。

——百度资深研制工程师张洋《工业计算机视觉落地难点与应对》

把握干流和全面的技能，杂乱使命先拆分简化，笼统问题是要害才能

当遇到杂乱场景的问题时，将其拆分红一些小的使命与方针。由于小的使命相对简略一些，而杂乱使命相对难一些，把杂乱使命拆分红小使命自身便是一个技能建模的进程。拆分红小的使命之后，针对每一个小使命，咱们都能够进行十分详尽的技能选型。

△
图3:笼统问题的拆分举例

这在咱们实践场景中其实是十分常用的，由于实在的事务场景它或许不是一个使命，而是许多使命。比方说文本纠错、杂乱的问答系统、杂乱的对话系统等，它或许包括了许多的子使命。

——百度资深研制工程师百度文心ERNIE渠道技能负责人龚健《工业NLP使命的技能选型与落地》

许多油田电力和工矿企业，它里边存在许多传统的机械指针式的外表，这种外表与数字外表不同，机械表无法将表具的读数实时发送到监控系统，需求人工进行读表查看，这种表大部分是用来做监控用的，比方说监控设备的运转是否正常，并且这些表大部分是布置在厂区的各个方位，为了监测仪器是否作业正常，或许系统是否作业正常，工厂或许是一些企业都要派许多的人力到现场去进行巡检，查看表的读数是否正常，进而去判别整套系统或许仪器是否正常，这样的话就会耗费许多企业的人力本钱，并且每次巡检周期长，频次十分低。实践处理问题之前，需求明晰的梳理出表计辨认项目会晤临到的难点问题：

表具品种多，类似度大，样本收集困难且不易分类
在杂乱环境下，读数精确度不易确保
室外环境恶劣导致读数难以辨认

△

图4:技能计划拆解：方针检测+语义切割

所以咱们没挑选直接辨认的计划，由于直接辨认会遇到多标准的问题。咱们选用了更为杂乱的计划：方针检测+语义切割，当我的读数难度变小了，精确度会得到更好的确保，这是最中心的。一同，由于模型杂乱度的提高，我的推理时刻变长了。不过不要紧，由于在表计巡检的场景里，对时效要求并不高。所以许多时分，咱们问这样的计划好不好那样的计划好不好，仍是要首要去答复自己的问题，你的场景终究有什么样的约束条件。没有最好，只要最合适。

——中兴克拉科技首席AI系统架构师黄埔学院二期学员朱玉石《动力电力传统外表归纳无人巡检》

Last but not least, 优选东西

△
图5:京东物流快递单辨认所运用的ERNIE API

——京东物流智能供应链工业渠道研制总监、黄埔学院三期学员王梓晨《京东物流快递单智能辨认》

关于从黄埔学院结业的135名学员，授课教师们一直在着重“AI架构师”要具有从杂乱的事务问题笼统出AI技能问题的才能，要对干流AI练习和布置落地流程有充沛的把握，结合相关算法技能和事务场景需求，做出恰当的AI技能选型，规划高效合理、并具有充沛预见性的完成计划。还要在事务场景下树立起以AI技能运用为中心的齐备技能系统，充沛发挥AI技能对事务的助力效果，对技能团队发生很强的技能影响力。