人人都能搞懂的AI（三）- 企业中搭建AI

段落一前两篇主要讲解了

什么是AI

 以及

项目中如何搭建AI

；这一篇主要讲解之前提到的项目，如何加入到企业的运作中。 1.大纲

• 复杂AI产品的案例分析

• AI团队中的角色

• AI转型指南

• 走出第一步

• AI应用和技术的现状调研

2.案例分析：智能音箱

如何叫智能音箱给我讲个笑话？实现过程如下:（括号中为训练模型）

1. 触发关键词唤醒（输入音频数据，输出是否为唤醒语句）

2. 语音识别（输入音频数据，输出讲话内容）

3. 意图识别（输入讲话内容，输出意图类型）

4. 执行-播放一个笑话的语音文件

3.案例分析：无人驾驶

如何驾驶，简单版本的过程如下：

1. 输入图片/雷达/激光雷达数据-探测车、行人

2. 动作规划-规划路径、控制速度、方向

接下来看看更多细节，更真实的无人驾驶的工作流程

1. 收集数据

1. GPS-识别车辆的绝对位置，即地球坐标

2. 加速计-实时精准监测汽车的加速减速

3. 陀螺仪-观察汽车是否有倾斜

4. 地图-结合路线和GPS位置辅助下一步的决策

2. 处理数据

1. 汽车探测-行驶轨迹预测

2. 行人探测-行驶轨迹预测

3. 路线探测

4. 红绿灯探测

3. 输出决策

其中每个功能点都是一个组件，会交给不同的人去攻克，最后再把大家的成果都组合到一起，成为了一个可用的无人驾驶汽车。

4.AI团队中的角色

软件工程师：非ML类的代码工作，比如执行一个笑话的部分，或者确保无人驾驶的稳定性；

机器学习工程师：调试机器学习算法，训练模型；

机器学习研究员：研究新的或者更高效率的机器学习算法。

数据科学家：检查数据，并输出思考，给团队和高层提供决策的数据依据；现在也有的公司，把它设定为和机器学习工程师一样的工作职责；

数据工程师：组织数据；搭建数据系统，方便查询，安全和高效；（很多公司的数据量级是PB级，1PB=1000GB）

AI产品经理：帮助决定做什么，发现可行的和有价值的方式。

5.AI企业转型指南

1. 做个试点项目来积累动能：对于初始项目成功比实现最大价值来的更重要；项目周期控制在6-12个月内；可以自己开发也可以外包

2. 搭建一个内部AI团队：可以设定CAIO来专门负责AI，有专门的AI团队和其他业务部门沟通；

3. 提供面向各部门的AI培训：AI人才不够，一方面可以通过内部培训培养人才，一方面让各部门对AI有足够的认识，方便协作；

4. 开发一个AI战略：只有经过了如上3个阶段，才能对AI有一个更全面的认识，在此基础上设定的战略才更靠谱；战略需要依据更好的产品→更多用户→更多数据→更好的产品，这样的循环；AI战略还要有数据战略支撑，战略性数据收购，统一的数据仓库；创建网络效应和平台优势，在赢者通吃的大环境下，AI会是很好的推进器；

5. 开发内部和外部的交流：投资人关系，政府关系，用户教育，人才招聘，内部交流……

6.需要避免的陷阱

不要把AI当成万能的，多听AI团队的意见，这段没啥干货。

7.走出第一步

多学多沟通……

8. AI的主要应用领域调研

计算机视觉（Computer Vision）：图片分类，对象识别，人脸识别，物体探测，追踪，图像分割

自然语言处理（Natural Language Processing）：文本切割，情绪识别，信息检索，人名识别，机器翻译

语音识别（Speech）：语音转文字，文字转语音，语音唤醒，语音身份识

机器人学（Robotics）：可以识别周围的物体，可以跟随另一个机器人，可以发送指令给另一个机器人

9. AI的主要技术调研

监督学习（Supervised Learning）：输入A，然后输出B，必须设定好B是什么

非监督学习（Unsupervised Learning）：不设定B，而是让机器自己去发现输入的数据有哪些规律

有个经典案例叫谷歌猫，当时输入了大量的youtube视频，结果电脑自己发现了一个猫的图像，而显而易见的是youtube里确实有大量猫的视频。

迁移学习（Transfer Learning）：比如用车辆识别的算法，去训练识别一辆高尔夫车，这样就可以用更少的数据，训练处更高精度的模型

强化学习（Reinforcement Learning）：就像训练小狗，做对了就奖励，做错了就惩罚；用这样的方式训练一个无人直升机，一开始就让他随机飞行，在不断的告诉他对错了之后，她就知道如何躲避障碍物，如何走在正确的路上了（Alpha Go用的就是这个方式），但这个方式的缺点是需要超大量的数据。

生成对抗网络（GANs-Generative Adversarial Network）：非常擅长合成图片，用梵高的方式作画，和合成人脸都是用的这项技术。

知识图谱（Knowledge Graphs）：被低估，学术研究很少，有点像wiki或者百度百，不过准确说是一个把所有知识都关联起来的超大型的知识系统。

10.总结

还有最后一周啦，讲的是AI和社会，梳理下来感觉课程非常有体系，从最开始的什么是AI到如何在项目中运用AI，如何在企业中运用AI，如何在社会中运用AI，逐级放大场景，从讲述一个小问题，慢慢添砖加瓦，到最后可以清晰的叙述一个大问题。

每一个问题都有概念+案例+流程，既有技术，又有商业，真的非常全面。