AI项目落地中的“防摔”指南

    【导读】AI项目在落地应用的过程中，总会碰到或多或少的坑，为了避免项目掉进深不见底的裂缝里，本文将给大家介绍一些“防摔”指南。

    “喂，您好，我想咨询一下你们这个人工智能技术的一些问题。”

    “好的，您说。”

    “是这样的，我这边有个智慧驾校的项目，想要实现这个驾校内的人员信息识别，你能给我介绍一下吗？”

    跟上面类似的对话，发生在每一家AI公司的日常电话里。

    自从2016年的春天，李世石在那场惊世之战里投子认输后，AI行业便一路高烧。无数资金流入AI行业，众多企业开始尝试引进AI技术，人们开始设想一个又一个关于AI的绮丽故事。

    这是理所当然的，因为深度学习理论的突破、各行业大数据的爆发，新一代硬件带来的算力极大解放，AI就是通向未来的路，每个人都想先行一步。然而，几年时间过去，人们理想中的如科幻电影一般的生活生产场景似乎依旧遥远，自动驾驶汽车肇事致人死亡、知名企业家头像照片被误判为交通违纪人员、智能招聘软件性别歧视……

    通向未来的路旁，是不断滚落 “摔坏”的AI项目。

“引入AI技术好难啊”

    AI是通向未来的路，因为AI技术带来的是生产力的解放和进步，能够应用在几乎各个方面，进而推动人类社会生活的全方位革命。随着各国在AI领域的不断投入，全球人工智能市场规模保持着高速增长的态势。

    根据《IDC's Worldwide Semiannual Artificial Intelligence Tracker》，中国已经成为全球第二大人工智能单一市场，其2019年市场规模相比2018年增长超过60%。同时，由于中国企业普遍对AI技术持积极引入态度，产业智能化程度不断提高。

    产业智能化带来的市场表现，就是AI应用在多个行业完成大规模落地，存在明确AI需求的应用获得大力推广；而成功的AI应用案例也进一步扩大了AI技术的影响，更多潜在的应用场景被不断挖掘，涌现出各种各样碎片化应用需求。

来源：CIO视⻆：2019年⼈⼯智能应⽤指南, IDC，2019

    但从图中也不难发现，尽管各个行业中都已经发展了不少应用场景，总体而言已成熟落地的场景只占据了很小一部分，处于推广和待开发的应用场景仍然占据绝大多数。这说明，就算AI技术已经发展了数年的时间，AI项目落地的情况也不算乐观。

    2019《IDC&量子位人工智能行业调研问卷》调查结果显示，超过60%的企业认为部署AI存在较大难度。

来源：IDC &量⼦位⼈⼯智能⾏业调研问卷, 2019（N=143）

    AI项目的落地过程，一般都会涉及场景、开发、工程化、实施等多个方面，每一个方面都有不同的问题需要进行解决；除此以外，在AI项目实际交付的过程中，还要面对实际情境中许多由于客观因素导致的困难和挑战。

AI落地，砸出一堆坑？

    将AI技术从算法模型落地成为具体的交付项目，除了各行业项目交付过程都普遍存在的问题，还考虑有许多独有的因素。

    老板，AI做不到啊

    当人们想到一个应用场景时，当前AI行业的技术发展水平不一定可以实现相应的功能。这是因为AI技术目前对于大多数人而言，依旧处于一个相对概念的状态。很多希望引入AI技术的企业，对于AI能够做到什么程度，是缺乏相对清晰的认知的。这也是本文开头处的对话在AI公司中如此常见的原因。

    举个例子，有不少AI公司都收到过泳池场景下溺水识别的需求，市场上也有一些公司针对这个场景进行了一些尝试，但都各自存在着一些不足，要么是实用性比较低，要么是成本过高，导致至今还未出现成功获得大规模推广的应用案例。

    究其原因，是因为泳池场景下溺水的识别是比较困难的：

    1. 溺水动作的判别较为复杂，有些人的比游泳动作和溺水时的挣扎动作存在一定相似性，无法通过单纯的视觉算法完成判断；

    2. 摄像头的架设问题也难以解决，如果是架设在泳池上，水面上复杂的噪音（水波、溅起的水花、光影等）会对画面形成极大影响；而换成水下摄像头则会引发成本问题，难以推广。

    因此，要实现较成熟的泳池溺水识别，或许还需在继续推动算法研发的同时，考虑与其它技术进行结合，又或者是通过与硬件商家的合作，想办法降低部署时的硬件成本。

AI不一定是最好的他/她

    AI无法实现的场景，自然需要考虑其它的方法，但在那些AI可以实现的场景中，就一定要用AI吗？

    在回答这个问题前，可以先看看下面这个场景：在停车时，很多人都会出现忘记关上车窗的情况，于是有人就提出通过摄像头和AI视觉算法来判断车窗关闭情况的想法。

    这种想法，看似有道理，实际上是一种对AI的盲目追崇。

    要监控车窗有没有关好，其实可以通过简单的感应元件就可以实现。这种方法明显要比包含采集训练数据、训练算法模型、布置摄像头等多个步骤的AI方案的难度更小，成本更低。

    智能仪表读数也是一个比较常见的AI应用场景。对于一些新建的楼宇而言，考虑规划具备联网记录功能的仪表系统可能是更好的选择。新建楼宇的结构和线路都可以相对轻松地进行改造，甚至是建造时提前进行规划和部署设备，其搭建和运营管理的成本其实是低于使用AI视觉技术的。

    而在旧楼宇中，由于结构和线路已经完全固定，改造成本高、耗时长、涉及工程量巨大；使用AI视觉技术进行智能读表，确实可以有效提高楼宇管理工作的效率，降低人力成本。

巧AI难为无数据之炊

    “无数据，不AI”，在可以实现完全自我学习的AI技术出现前，所有的AI项目都离不开足够的训练数据。然而，很多场景数据往往难以采集，比如酒店、餐厅后厨情景下常见的夜间老鼠识别需求。为了采集到活老鼠的数据，AI公司甚至还要考虑购买活老鼠在办公室进行数据采集，这同时也带来潜在的卫生安全风险。

    类似的窘况也发生在工业制造场景中。制造业流水线上，质检人员每天都需要花费大量的时间，通过人工目视的方式来判断工业产品的质量。这种人工质检的方法不仅效率低，稳定性差，还会影响到质检人员的视力健康。不少厂家都希望可以通过AI技术实现工业产品质量的自动检测，提高产品的良品率。

    根据《亿欧2019中国智能制造研究报告》，虽然国内目前90%的制造业企业已配备自动生产线设备，但仅有40%实现数字化管理，5%打通工厂数据，1%使用了智能化技术。数据的隔断导致制造数据积累的困难，训练模型所需要的瑕疵数据量非常少，必须经过一个相对较长的时间才能完成足够数量的数据采集，支持完成AI模型的训练。

实施时，AI依然处处受限

    作为AI项目最终的落脚点，项目的应用和实施还是存在着许多客观上的局限性。

    许多传统企业在实施AI项目时，由于数字化的初级阶段尚未完成，比如数据类型不足、原有信息系统落后、不同平台间割裂问题严重、数据对决策管理支持的理念和流程不足、缺乏战略指导等，其项目实施的周期会被极大拉长，最终令成本大幅上升，却无法收获预期的效果。

    除此以外，由于模型训练过程中，训练和测试的数据与实际生产环境不可能保持百分百一致，数据必然的变化会令AI模型或算法无法按预期输出稳定结果；在项目实施的不同阶段，客户数据的特点和分布也会发生改变。这些变化意味着参数重新调整，网络架构重新设置，甚至算法也要根据实际情况进行取舍……数字化程度不足的企业，对于AI供应方驻场人员在IT方面的支持自然较少，这也进一步延缓了实施进度，增加项目难度。

    即使是数字化程度相对较高的企业，实施AI项目时，现场的干扰因素也不能忽视。

    在一些环境较为恶劣的场景，比如夜间的工地或者矿场等，光线条件较差，导致摄像头的画面质量较低，无法捕获到符合要求的画面，识别的效果受到严重影响，甚至出现无法识别的情况。

    又或者像今年以来，由于疫情的影响，出门在外都需要佩戴口罩。这就导致了人们的面部被遮挡，对摄像头获取人脸数据形成极大阻碍，极大降低了工地、机场、楼宇等地方人脸识别的效率和准确性。

成熟交付体系为AI落地保驾护航

    除了上文提到的种种问题，在AI项目的完整落地过程中其实还有许多其它的挑战，像数据安全的隐患、算法在不同环境下的迭代泛化问题等。这也表明我们距离理想中AI落地于社会生活的方方面面、生产力被全面解放的阶段还有较长的路要走。除了技术的发展，要推动AI项目更好地完成落地，AI公司应该建立更完善、成熟的项目交付体系。

    作为AI技术的供应方，极视角认为，AI公司在面对不同客户、不同现场、不同需求时，应该灵活地给出有针对性的解决方案。

    一些单纯依靠视觉算法实现难度过高的场景，比如上面提到的泳池溺水检测，应该通过详细的分析，帮助客户完成全方位的评估，考虑结合其他技术和硬件设备等；而一些并非必须通过AI技术才能解决的场景，也可以通过比较成本和实现难度，及时叫停，减少企业客户的损失。

    遇到数据采集困难的场景，像夜间老鼠检测这种，极视角一方面以玩具老鼠作为采集对象，另一方面也通过在后厨环境部署摄像头抓取数据，最终也成功完成了数据的采集；类似的，还有智慧安检仪违禁品识别算法，由于刀、枪、棍等物品属于管制物品，极视角还专门安排了相应人员驻扎在公安客户现场，利用真刀真枪来采集有效的训练数据。

    而面对来自实际现场的挑战，一方面可以通过协助客户对现场的环境进行优化升级，尽可能减少客观因素对设备的负面影响；另一方面还需要在保证数据安全的同时，通过算法的迭代升级提高识别的速度和效率。

做好准备，让AI不再落地“摔坏”

    在AI行业高速发展的今天，很多AI项目无法最终落地，很大一部分原因也在于没有做好充分的准备应对挑战：场景没有想清楚、盲目追崇AI技术、缺乏数据来源、实际环境没有充分考虑等等。

    让AI从想法到落地，实质上就是一个不断减少从技术和计划到实际应用间的偏差的过程。如何令这个过程更加快速和高效，如何在降低成本的同时提高最终的项目效果和质量，如何解决实际交付中存在的种种挑战，使AI项目更多、更好地落地，进而推动AI产业更进一步的发展和成熟，是需要所有关注AI的人们给予更多思考的。