笔记|码隆科技CEO黄鼎隆：人工智能时代的产品经理修炼之道
image.png
码隆科技的CEO黄鼎隆根据自己公司在人工智能领域的3年经验，分享了自己的三个武功秘籍：猪跑学，杀鸡学，遛驴学。
阅读本文之前，邀请你思考几个问题：
人工智能领域有哪些知名的竞赛？
这类竞赛的目的和价值是什么？
PS：本身的所有的注释为个人的补充或诠释，不代表嘉宾的观点。
嘉宾主要分享内容如下：
- 工智能领域过去十年最成功的PM
- 武功秘籍：猪跑学，杀鸡学，遛驴学
1.谁是人工智能领域过去十年最成功的PM
假如你是18世纪的产品经理，出现了“蒸汽机”，你要看一看；
假如你是19世纪的产品经理，出现了“发电机”，你一定要看看；
假如你是20世纪的产品经理，出现了“计算机”，你一定要警觉了；
如今出现了“人工智能”，就跟之前的几个时代一样，你要放下手头的事情，抬起头了。
人工智能不是新的东西，已经几十年了，而过去10年嘉宾认为最成功的产品经理就是李飞飞。
李飞飞是斯坦福大学终身教授和该校人工智能实验室主任，因主导创立的 ImageNet 项目而在机器学习学界知名，加入了 Google 云计算部门（以下简称 Google Cloud）担任首席科学家，在该部门旗下领导一个新成立的人工智能和机器学习 (AI/ML)研究团队。
为什么嘉宾会觉得李飞飞是最成功的PM，因为她做了成了三件事情：
- 定义问题：让你开发一个计算机系统，让他去看一张图片，让他分辨这里面是猫是狗。
- 调动资源：聚合了大量的资源，争取了大量的经费，汇集了全球最聪明的人才来一起解决问题。
- 解决问题：2012年深度学习，识别率提高了10%；2015年让计算机的精准度超过了人类。
「ImageNet」斯坦福大学每年都会举行一个比赛，邀请谷歌、微软、百度等IT企业使用ImageNet——全球最大的图像识别数据库，测试他们的系统运行情况。每年一度的比赛也牵动着各大巨头公司的心弦，过去几年中，系统的图像识别功能大大提高，出错率仅为约5％（比人眼还低）。它的缔造者就是斯坦福大学的李飞飞教授，下一步就是图像理解，她开启了Visual Genome（视觉基因组）计划，要把语义和图像结合起来，推动人工智能的进一步发展。
2. 嘉宾分享了自己的“武功秘籍”
猪跑学：没吃过猪肉，还没见猪跑？
人工智能只是一个基础，就跟电力一样，最重要对使用这个能力的行业精通。嘉宾介绍了自己的公司都做了哪些事情：
- 纺织：找面料很难，很难用语言去描述，提供这样一个图片匹配技术，跟行业的人对接。
- 家具：如果你想要找自己的家具，图片去找柜子，桌子，椅子，盆栽。
- 陶瓷：拍一个杯子，找到这个杯子的生产工艺。
- 时尚：拍下自己的照片，通过衣服寻找到社区内同样衣服的人穿搭建议。
- 搜图：拍摄报纸的图片，找到这个图片的视频。
杀鸡学：杀鸡就要用牛刀
在互联网时代够用就好，而在人工智能领域了就要用牛刀，用最强的技术解决一个小问题。
- 在互联网里获得数据，数据是不干净的，里面有大量的噪音，很难用监督式的深度学习。
- 我们打造半监督学习方法，利用有噪声的数据，进行深度学习训练。
- 我们参加webvision取得了第一名，而且远远领先第二名，达到人眼识别的标准。
接棒 ImageNet 的 WebVision 竞赛：难度更高，更贴近实用。WebVision 竞赛由苏黎世联邦理工（ETH）、Google Research、卡耐基梅隆大学（CMU）等共同组织，被誉为接棒 ImageNet 的竞赛。ImageNet 和 WebVision 皆专注于物体识别，使用相同的 1000 个物体类别进行识别竞赛；但两者数据的纯度和平衡度有根本差异。
遛驴学：是驴是马拉出来遛遛
在人工智能领域，很容易提出很酷炫的想法，我们每天都会收到了很多天马行空的需求和想法，这里大部分都是不现实的，要不是技术达不到，要不是需求不够硬。
- 要把产品真的做出来，拿到市场上去验证。
- 对于技术边界很清楚，但人工智能技术边界推动的非常快，对于3到6个月之后技术到什么程度，要做一个预判。
分享后面部分都是介绍「码隆科技」公司的一些奖项了，这里就不做太多的说明了，以上就是就整篇的内容分享，以及我的部分诠释。
如果对你所有帮助，欢迎转发给自己的小伙伴或朋友圈，来给予作者支持，谢谢。
