人工智慧有多火每個人的心裡應該很清楚，所以在這裡不再闡述。很多科技公司把未來幾年的賭注壓在了ai身上-「all in ai「，同時也有數不清楚的公司正在準備轉型ai，另外也有很多公司雖然跟ai沾不上任何邊但喊著ai口號來吸引關注。 總而言之，ai會變得越來越火，會有更多的人才走進這個大軍裡。在ai轉型的程序中，並不一定是一帆風順的，甚至會很艱難。不知有多少人關注過人工智慧專案的失敗率？ 20%？ 30%？ .. 或者 50%？？ 可能想得太簡單，據不完全統計乙個資料類專案的失敗率達到了85%以上！ 其實這也不奇怪，現階段，乙個一般it類專案的失敗率也是50%以上呢，何況ai專案....
所以，很多情況下投入實施ai專案本身是風險，就看你有沒有足夠的風控能力，最後能把專案成功落地，並且產生價值！那為什麼會有大部分ai專案以失敗為告終呢？人的問題？ 不一定！ 可能的主要原因包括: 1. 解決了錯誤的問題，或者把偽需求當成了真需求 2. 選擇了演算法解決不了的問題... 等等。
1. 弄清楚是否是合適的時機？
人工智慧最大的價值是什麼？ 是可以幫你做決策！ 那為了做這種決策需要什麼條件？ 必須要有資料！ 沒有資料，人工智慧只是空談。所以第一點就是要弄清楚是不是切入ai的最好的時機或者是大力推進ai的最好的時機。
乙個ai專案的技術流程是：搭建資料蒐集系統->資料收集->清洗->ai... 如果乙個公司還沒有那麼多資料必須由機器來分析，那這時候可以做兩件事情：1. 提前想好未來應用場景，布局資料的蒐集工作 2. 先專注把業務做好，ai事情之後再看。總而言之，資料是ai的基礎，如果沒有資料，那首先得想辦法生成或者蒐集資料，而不是直接跳進這個「坑」，然後拖累了其他的業務。
其實這種例子不少見。尤其是對ai了解不深的高管或者策略者，經常急於這些「錦上添花」的事情，反而在自己需要發力的戰場上卻沒能做出成果。 所以對於第乙個原則，要不斷問自己：我們有足夠的資料嗎？ 現在是合適的時機嗎？ 現階段做什麼才能一年之後才能把ai技術提公升到公司的戰略層面？
2. 選擇正確的問題比使用哪一項技術更重要
機器學習，深度學習是ai領域的流行詞，聽起來高大上。在學校裡，學術界甚至在各模擬賽中，我們習慣於技術思維 - 「我有很厲害的技術，我要做***專案」。其實找對問題是最重要的，這是乙個人最高端別的技能。愛因斯坦等科學家為什麼會這麼成功？ 聰明只是一方面，核心是他們能夠找到乙個「好」的問題！ 為什麼美國很多博士生6，7年也畢業不了？難道他們因為笨嗎？ 其實不然，就是因為找不出合適的問題！ 所以，找乙個正確的問題可以說是ai專案成功的一半。
那怎麼去找到正確的問題呢？ 這是乙個沒有正確答案的問題，但其本質是找出業務中的痛點。以下幾點可以作為參考：
1.首先要理解業務，不是跟別人聊聊就行了，一定要深入。比如現在負責的業務是智慧型客服，那就在一線當幾天客服再來談接下來怎麼做！ 如果只是跟客服負責人簡單坐下來喝個咖啡聊一下，覺得能聊出真正的痛點嗎？ 所以，作為ai專案的負責人，一定要對業務敏感，試圖從業務人員的視角去了解。 現階段，從事ai的人彷彿會有種優越感，很難踏實地去了解業務，導致閉門造車，最後其實也沒什麼成果。3. 設定好專案的優先順序2.了解競爭對手在做什麼，他們在哪些事情上已經取得了成果。知已知比是商業界很重要的一點，要時刻了解別人在做什麼。如果他們在某乙個領域已經驗證出成功的案例出來，那這正是對你來說很好的參考。
ai是乙個非常開放的領域，即便對於乙個業務，我們可能想出各種各樣的問題。但需要記住的一點是：任何的ai專案必然是乙個長期的工程，它所帶來的成本也是比較大的。所以必須要有個優先順序。假設我們面臨三個選擇，專案1，專案2和專案3，首先需要做哪個？ 選擇最有意思的？ 選擇最優挑戰性的？ 還是選擇我最感興趣的技術相關的？ 別，千萬不要這麼做....
在實施ai專案的時候優先順序最高的還是對業務影響最大的那一類專案。換個角度可以想一想，公司裡的哪個業務因為效率低而天天被罵？ 那一批人每天做著重複性的工作但卻花費大量的成本？ 產品中的哪乙個環節的體驗最不好？
我們可以從這些痛點中出發，先把最「痛」的且「可以ai」化的專案列出來，然後再粗略算一下，專案預期所帶來的價值或者對業務上的提公升。那這部分價值怎麼計算？這方面要部分依賴於對ai技術的理解，比如現在有乙個系統a，但未來3個月開發出了乙個演算法之後，能夠提公升多少的效率？ 另外，也可以去參考一些領域內成功案例，實在不行就去看看**裡的結果，當然這裡的結果可以作為最高可以達到的預期結果。
還有一種方法是，想出乙個最簡單的路徑來快速嘗試。比如乙個創業公司想推出乙個機器客服系統，那搭建這種系統必然會耗時長。那這時候怎麼快速驗證？ 我們完全可以先以人工的方式來操作（客戶以為是機器），並觀察使用者的反饋，如果這樣的方式確實可行，那基本上心裡也會有數。所以這個階段，要想出各種捷徑或者「作弊」的手段來快速測試並找出最合適的專案。
4. 理解技術的上限，不要以為ai什麼都可以解決
ai就像3，4歲的孩子，它的能力是有限的，它不可能用來解決任何問題。對於一些問題它的作用確實比較大比如人臉識別，影象識別，物體檢測等。但對於另外一些問題作用未必明顯，或者投入產出比很低，比如通過ai去**a股的**，或者想做一款什麼都可以回答的智慧型機械人。
為了做出這樣的決策，必須要對技術的前沿知識非常敏感。只有這樣才能做到評估：1. 這專案到底能不能做？ 可行性怎麼樣？ 2. 這專案做完之後預計提公升有多少，這個提公升帶來的好處跟成本相比會是怎樣？ 3. 如果想讓目前專案具有可行性，需要具備哪些條件？或者哪些資料？ 為了擁有這些條件接下來規劃是怎麼樣的？
5. 快速迭代，持續迭代
ai專案的核心是迭代，不斷試錯的過程。這點需要跟產品經理還有開發人員要達成一致。那為了更好的迭代，需要去想乙個迭代的路徑，也就是什麼樣的迭代方法讓產品更快速地達到我們想要的效果？這裡面的學問很多，產品怎麼設計才能更好的獲得反饋？ 資料怎麼收集？等等。
乙個ai專案如果超過3個月看不到效果是比較危險的，為什麼這麼說？ 因為還沒看到任何效果等同於還沒有任何的迭代。迭代思路其實跟mvp(minimum value product)的思路非常相近，而且這個思路也跟強化學習（reinforcement learning）比較相近。
迭代本身分成兩個部分，乙個是整個專案的快速迭代， 還有乙個是每乙個專案模組內的快速迭代。我們可以以建模來打個比方，比如我們在建模時第乙個要搭建的模型叫做baseline，那什麼叫baseline? 邏輯回歸？ svm？ 在我眼裡，baseline 就是一天內能做出來的模型！不管資料有多大，場景多複雜，一天內需要看到乙個最簡單的結果。資料很多怎麼辦？ 那就取樣一部分； 資料太髒怎麼辦？ 那就把髒資料先去掉；資源不夠怎麼辦？ 那就用邏輯回歸這種簡單模型！ 其實總有辦法可以在最短時間內弄出乙個可執行的模型，並通過此結果來評估專案的可行性以及未來預期的效果。 這些資料對於後續專案的實施尤其關鍵。另外，讓別人盡快看到結果也會增加對你的信任，不然之後的工作會非常被動。
6. 專案上線前要做好業務評估
我們在建模的時候通常會考慮一些「ai型」指標，比如auc，f1-score等，這些應該很多人非常熟悉。那這裡的問題是，這些指標越高，對業務的價值就會越高嗎？ 其實不一定！ 從業務的角度評估和從模型的角度評估不一定是完全正比關係的。但至少肯定是有類似正比關係，不然採用這些指標是沒有意義的！所以作為ai人員也需要關注業務部門關心的指標，來思考什麼樣的模型狀態最適合當前的業務狀況。
另外，在很多場景下對於模型的解釋也是比較重要的。特別是對於金融，教育這類的場景。我們希望能夠在部署前有對這些模型的理解，比如乙個模型犯錯誤，理解為什麼？ 這也是目前深度學習的弊端-比較差的可解釋性。
參考：[1]
專案失敗的表現
專案失敗的表現 楊爭 上次的文章中我介紹了專案成功的標準。這篇文章是介紹專案失敗的表現。雖然說成功標準的反面就是失敗，不用再說了什麼了，不過我覺得單獨再說一次的好處是 失敗的東西更有警示性，更容易讓專案經理心裡留下更深的印象，在做專案中時刻警告自己。專案失敗的表現 1 專案延遲發布。專案延遲發布的原...
專案失敗的原因
據standish group每年對資訊系統專案進行的調查發現，只有17 的專案達到了既定目標，有50 的專案需要更改目標，剩下33 的專案則被取消了。是什麼原因導致那麼多專案失敗呢？通過總結大致分為13個方面的原因 1.未正確定義問題 專案就是乙個計畫要解決的問題。如果沒有很好的理解問題，那麼我們...
專案失敗的原因？？
每乙個專案都是獨特的，然而專案失敗的根本原因通常都是相同的。當我們知道這些原因後，我們可以最小化發生問題的機率，增加專案成功的概率。那麼，當我們面對粗糙的專案啟動 過弱的控制 缺乏資源 專案風險和不切實際的期望時，應該怎麼做？以下是五個常見問題和解決方法可供借鑑。1 簡單粗糙的專案啟動 沒有正確地啟...