讨论一下AI在工业界落地难的问题

想想你日常用的Google 翻译，搜索排序，photo，Netflix推荐等等不都是落地？国内号称cv四小龙，至少也都是落地了，最多算是后期扩展方向不明吧。

感觉最近讨论落地问题的只要是rl，除了下棋打游戏，真正应用场景还在摸索讨论中

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

wryswa 发表于 2019-12-30 10:25
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 ...

确实是，没有neural nets都不好意思说AI

groundzyy1 发表于 2019-12-29 16:42
感觉最近讨论落地问题的只要是rl，除了下棋打游戏，真正应用场景还在摸索讨论中

我也这么觉得，哈哈

就像前面说的，ai在刚落地的时候总是需要human in the loop的。其实可以把amazon go的人工监控和科大讯飞的手动翻译理解成fine tuning，毕竟在实验室训练的模型不可能一上来就能适应工业界复杂的情况。

ai现在只适合做推荐系统，因为对错无所谓，只有贴近就可以。而对于那些需要尽量达到100%准确率的落地确实难

我就是ml engineer，你这个不叫人工调整，你这个叫model还没train好就deploy了。。。我只能说，干这行，做好天天都要学习的准备。。。新的东西太多了，念的paper都是半年内的。。相比于传统码农，数学得好。。现在cv有落地赚钱了的了，但是以细分小领域巨多，和传统cs动不动赚全球的广告钱没法比。。。

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

cv落地已经比较成熟了，我室友在cv四小龙，他们和公安局有深度的合作，上次说上线了一个新的模型又帮助警察抓到了几个罪犯，但是偶尔还是会出错；对于以广告和电商为生的互联网公司，广告算法/推荐系统的应用也早就非常成熟；说AI在工业界落地难，大多数是指的很多学界的paper难以在工业界应用；一方面，灌水的论文太多，让大家对AI抱有不切实际的想法；另一方面，工业界还是以赚钱为导向，AI的落地也只是为了更好的赚钱，不会为了落地而落地。