讨论一下AI在工业界落地难的问题

如题。朋友最近拿到一个小公司ML engineer的offer。但是，周围的人都说机器学习在工业界难以落地问题，比如：amazon go超市结账的时候，其实是有人在看监控视频并核实CV判断是否准确，如果不准，要人工进行调整等等。工业界类似于这样的例子比较多，就不一一列举了。请问各位感觉ML engineer这个岗位稳定性，前景和薪资方面，相对于传统的码农工作怎么样？

落地是不少， 但是都是大厂的几个成熟应用的多，放在全美或者全球看，真正落地的场景肯定比你想象中的少，再说一下很多公司的其中一个大问题，不谈Deep Learning的图像视觉和NLP，就普通传统的建个ML模型，咋一看可以建很多模型预测很多东西，但是很多你会发现根本准确率到不了可以上线的程度，无论你调多少参都是没用的，关键就是你那些数据根本没法完全预测到你的目标，机器学习大概只能说是尽量模仿人类专家的判断，而不是去超越人类，很多老板一拍脑门，这个也建模那个也建模，实际上那些数据是根本预测不到的，举个例子，信用卡防诈骗，有些公司连最基本的客户具体收入，职业，那些关键特征没搜集到，或者没途径搜集，没有第三方数据提供更多的个人“隐私”信息，你大概率没法从他们网上的几个订单就判定他们的信用卡有没有丢失，上帝都猜不准的事情你弄个模型去猜，只能大量FALSE Positive杀死一片好人也不放过一个坏人了。 另外更玄乎的是Churn Analysis，预测用户什么时候会cancel subscription, 很多时候用服务的人是因为失业了，没钱了，搬家了，竞争对手推出新品了，突然就取消Monthly  Subscription了，你没有拿到用户非常隐私级的数据你怎么去预测？ 大部分网站门户都搜集不到用户这些生活场景吧，很多只能够靠一些第一方特征，用户多久没买啦，站内搜索退出会员， 突然在最后一天买很多东西这类东西来猜，实际上猜测的成分太大了，换成人来看是十分不确定的预测，机器肯定超越不了人，最后汇报吹一波accuracy, 结果一看confusion matrix 惨不忍睹，如果配合coupon 发放，邮件折扣之类的方式来挽回顾客，算上成本收益之后往往不尽如人意，这也是落地难的一种体现

AI落地现在也很多了，只是有的时候只存在于某些业务环节而不是完全替代人类所以显得和吹嘘的有些差距。比如楼上有举例子关于信用卡欺诈检验，NN以及Tree model已经被广泛地应用在了提取用户特征上但是提取用户行为特征只是欺诈检验的一个环节。确实只用ML作为检验的分类器会导致很多false positive但是如果配合其他rules就可以比以前的模型更好的识别欺诈，降低误报。在金融其他的领域，NN也已经被广泛地使用但未必是作为一个数据产品的唯一技术。在推荐系统，用户分析这些领域，NN已经是非常dominant的算法。这些领域未必说可以用单一的metric来衡量AI/ML的作用，但是根据长期的performance monitor是可以肯定ML的作用的。对于human in the loop，楼上已经有人提及这是个获得fine tuning label的一种手段，所以倒也未必是cheating。 我个人的观点是，AI可能不会像那些夸大的宣传那样瞬间实现通用智能以及完全替代人类，但是它已经很广泛地深入到industry以及我们生活的各个方面。我觉得AI/ML在落地上还是相对顺利的。当然，是否能通过AI盈利这个取决于很多其他因素比如成本，比如政策。如果ML能作为一种data driven solution提高各行各业的效率，这已经在很大程度上实现了AI的价值。作为ML engineer应该还是要多关注cutting edge的research，多多思考哪些环节可以被ML替代以及替代到什么程度，而且如何更好的建立ML flow比如data storage/streaming，feature construction， model training，deployment， performance monitor and model retraining 这些都是很花时间的。对于一个有着长期提高效率需求的company，我觉得ML engineer的job应该是很稳定的而且随着ML技术的发展会有更多的应用场景，所以前景应该很不错。至于compensation, 现在ML engineer是in high demand。从长远看，model training也许会被AutoML 替换掉，但是如何将business problem 转换成 ml problem应该是能stand out的一种能力。

没落地的是技术本身就不够成熟的NLP还有供过于求拿着锤子满世界找钉子的CV。广告 推荐系统 搜索这些一直有实打实的落地，只不过很多时候落的不是大家追捧的neural nets

Human in the loop不等于不落地啊 反而是落地的体现

小六毛 发表于 2019-12-28 18:34
Human in the loop不等于不落地啊 反而是落地的体现

再比如，科大讯飞前段时间的在线翻译功能展示，实际上是一个团队的人在后台人工纠正机器的翻译，这样的产品就距离成熟差太多了。

zzupupup 发表于 2019-12-29 10:44
再比如，科大讯飞前段时间的在线翻译功能展示，实际上是一个团队的人在后台人工纠正机器的翻译，这样的产 ...

如果能极大提高单位人工的产出，也是很有价值的，同时还可以积累更多样本

ppsq 发表于 2019-12-28 19:10
如果能极大提高单位人工的产出，也是很有价值的，同时还可以积累更多样本

听起来您像是做AI的？

讨论AI落地难取决于怎样定义“落地”

如果是end to end的AI应用确实目前比较有限，只有一些比较成熟的领域比如CV的人脸识别、安防，NLP的机器翻译等方向用到了end to end DL model

但我觉得楼上说的很对，这种human in the loop也是应用的体现，事实上工业界很多应用注定了不可能全部依赖模型，我们对ml model的期待也不应该是让他们完全取代人类。AI落地难一是数据二是应用场景，我觉得这两个都解决了的话事实上AI或者说ML的发展在很多领域是实实在在提高了performance的

机器学习其实已经有很多很多应用了 远远多于你所见到的 真要说落地难 应该是deep learning 其实也不应该说是落地难 应该是落地容易 盈利难 但是不可否认的是 dl确实效果很不错 只不过还远远达不到强人工智能的程度  

最近旷视科技IPO失利，可能有一些蛛丝马迹

在制造业落地的还不少，比如拍张照用图像识别检测产品缺陷，实时优化生产参数等等。不过和互联网公司相比工资低了不少，不知道将来能不能变好。。

AI落地难，是因为有时候实际需求根本没达到，红利就被分得差不多了。