讨论一下AI在工业界落地难的问题

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。

ai落地首先是基础ai服务落地，而不是各种fancy的利用ai做各种不确定事情的东西落地。手机端移动端ai落地已经基本成型了，基本的语音、人脸、视频落地已经慢慢成熟，之后其他端会慢慢跟上