F. 人工智能 — 教训总结
AI 防锅指南
- 没想好解什么问题（系统没有，你来帮我解决）
- 数据没有（领域知识、用户数据没有，你来帮我生成答案）
- 场景分类没有（系统准确率不高，你们的算法拿过来用用）
- Loss函数没有（达成目标不清楚，你帮我想想）
确保搞砸人工智能项目 — 文因互联 CEO 鲍捷
- 一下子砸很多的钱
- 案例
- 日本的五代机。当初日本举全国之力，砸了几百亿日元，最终没有做成。
- 一开始砸很多钱，为什么还会失败？你要想，做一个项目，通常是有目标的。当你有一个大预算的时候，你的目标通常也定得很高。像五代机的目标，不单当时是做不到的，三十年后的今天，也是做不到的。
- 罗马不是一天建成的，所以一下子砸很多钱，就会导致项目的目标过高，从而导致这个项目有极大的失败概率。
- 总结
- 目标越大，期望越大，失望也就越大，不如将大目标拆分，一步步实现，降低期望，贵在坚持
- 根据最新论文来决定技术路线
- 案例
- 从2003年到2012年整整10年，学术界所发表的自然语言处理论文的实体抽取子领域里，完全用机器学习的方法论文占到了75%，混合机器学习和基于规则的方法论文占到了21%，完全只用规则方法的论文，只有百分之一点几，非常低的比例。
- 但是当看到工业界的实际应用的时候，发现了完全不同的技术占比分布，用规则方法的占到了45%。
- 如果光看大型的供应商，比如说IBM这样的公司，67%的软件是完全基于规则方法的。完全基于统计方法即machine learning方法的软件，在所有的供应商那里占33%，在大型的供应商那里只占了17%。
- 总结
- 一定要根据现实的情况，根据现实的约束，来决定技术路线。
- 原因有几点：
- 工业界技术水平达不到
- 针对垂直领域，采用学术界的方法，成本太高，完全没有必要
- 工业界的使用环境，带有各种缺陷，不适合
- 脱离真正的应用场景
- 案例
- OWL WORKING GROUP 在开会的时候，写了大概好几十个应用案例，但是大部分的案例都是这样的：一个制药公司要做一个药，应该怎么表达制药的知识，或者一个医生如何表达病历、疾病或基因，大体上都是这样的应用。没有任何一个案例是在讲述在网上如何找一个朋友，或者如何跟朋友聊天，或者如何去订餐，日常生活中的案例都是没有的。
- OWL2最终写出来以后，有600页纸，这是一个非常复杂的语言。事实上，也就是在一些少量的企业级应用里面被用到了，在真正的日常应用当中，成功的案例几乎没有。这就是个典型的脱离了应用场景的项目，所以这个项目，花了很多钱，最终没有达到真实想达到的目标。
- 总结
- 跟上一条一个类型。脱离现实的应用场景，只能局限于某种领域。
- 使用过于领先的架构。
- 案例
- Twine的CEO Nova Spivack ，是我们领域非常值得尊重的一个先行者，也是一个技术大拿，同时也是一个非常成功的投资人。他就检讨了Twine的失败。他说我试图在太多的地方进行革新，我应该要么革新一个平台，要么革新一个应用，要么革新一个商业模式，但是我似乎在太多的地方都进行革新了，而且我使用了一种非常超前的架构，就是RDF数据库，导致了我要追求的目标太大，我无法达到这个目标。
- 总结
- 根据团队的实际情况决定项目的进度
- 在上应用的时候不要太着急，如果你只是一个在线应用，可以放一放，先把离线的这部分运维的工作搞清楚以后，然后再上线，也可以先用一个小数据集试一试。总之，步子不要太大。
- 不能管理用户预期
- 案例
- 我们最早提供了一个终端级产品，用户的评价就不是特别好，后来我们调整了一下定位，把它调整成用搜索界面来提供服务，系统顶层的智能程度没有太大改变，但是用户的预期和评价马上就好起来了，因为用户预期降低了。这样的语义搜索引擎，相比其他的搜索引擎，其实还是好一些的。
- 对话机器人其实也一样，如果你给用户的预期，是能够跟他平等对话的机器人的话，通常是很难达到的。用户通常玩一玩就会发现好傻，然后就不玩了，所以大家注意到谷歌机器人跟Apple的siri机器人定位有很大区别，谷歌机器人不仅仅做对话，它能够预先帮你去做一些事情，甚至主动地去帮你做一些自动化的事情，其实这是非常聪明的选择。
- 总结
- 目前能够跟人长期进行交互的机器人，其实是一个更加偏秘书型的，或者说它就是一个帮助你进行任务自动化的机器。如果你是立足于对话，其实很难满足用户预期，但是如果你立足于自动化，就比较容易达到用户预期。
- 同样的技术，你用不同的方法去服务用户，用户预期不一样，用户的感觉就完全不一样。所以要尽可能地让用户感知到产品的成熟度，在他的预期之上，这个产品才有可能成功，他才愿意付费。
- 不理解认知复杂性
- 案例
- 当时做的对比实验是找了一群RPI的计算机系本科生，让他们来看电视连续剧，看完以后描述情节。一部分人用自然语言来进行描述，一部分人用Semantic Wiki，以更加结构化的方式来进行描述。然后再找了学生来分别阅读前两组学生的描述，最后让他们来做题，看哪个组能够更精准地来复原电视剧情节。最后得到的结果发现是用自然语言描述是更容易，就是描述得更精准，速度更快。
- 实际上普通人所理解的复杂性不是这样的，比如说你半页纸就能说明白的东西，那是一个简单的东西，如果让我看到20页纸，才能看明白，那这个东西是一个复杂的东西。所以一个技术，你能不能够让程序员用起来，能不能让用户用起来，最核心的事情，你是不是能够让他们在认知上面觉得这东西，一看就懂，一听就懂，一打开就懂，不用解释，这才叫简单。
- 总结
- 输出是理解后的结果，要想让别人理解你的想法或技术，就要以他们的认知去思考并组织输出
- 专业性不足
- 案例
- 人工智能产品，的的确确是有它的专业性的。很多机构想试图自己去做这样的事情，花了1000万、2000万、3000万冤枉钱，结果做不到。确实，如果没有一个足够专业的人是很难把这种事情给做成的。
- IBM Watson 系统里面有几十种不同的算法，有机器学习的算法，有自然语言处理的算法，有知识图谱的算法。你要把所有的这些算法恰到好处地组合在一起，拿捏的尺度就是一个特别重要的能力。你该用什么样的东西，你该不用什么样的东西。
- 人工智能的很多事情，困难就在这儿。你到网上去拿一个什么开源包啥的，你把它做到80%，都很容易做得到。但难度就在于最后的20%，通常可能需要98%、99%的正确率，才能够满足用户的需求，但是如果专业性不够，最后的这些点是非常难的。
- 总结
- 工程能力不足
- 案例
- 一个人工智能的技术能不能做得好，核心往往不仅仅是算法，而是底下的架构，还有系统。比如论文中其实是很好的分布式推理算法，但是我因为缺少这个架构，就没有办法把这个东西实现出来。后来像深度学习也是这样的。最近看到陈天奇他们的实验室，把算法、架构、操作系统都放在一个实验室里面来运作，觉得这是一个特别好的事情。目前算法和架构之间的裂缝太大了。
- 工程是解决人工智能的核心钥匙。如果代码能力不行，架构能力不行，工程能力不行，在这个情况下，根本就不应该去谈算法。优先应该把工程能力补起来，然后再谈算法。
- 总结
- 阵容太豪华。
- 案例
- 我们也经常看到一些初创公司，不管是从商务上，还是从技术上，特别优秀的人组成了一个公司，最后还是会失败。为什么？因为比较优秀的人，就是想要做大的事情。一个大的事情，很难一下子就做对。通常大的事情，是从小的事情成长起来的。如果我们不能够让豪华的阵容，从小事做起，通常这样一个事情是会失败的。
- 总结
- 时机不到，运气不好
|