如何从人工智能产业中受益

标签（空格分隔）： 思考

---

1. 数据是核心

这一轮的人工智能实际上是数据智能，深度学习算法通过输入数据训练算法，学习数据中隐藏的模式，最终实现分类和回归的任务。从而可以解决一大类以前对人类简单，但对机器很难的问题，例如：

• 人脸识别
• 车牌识别，交通统计
• 物体分类

人工智能系统的三大要素：

• 数据
• 计算资源（服务器，GPU）
• 算法工程师

计算资源只要花钱就能买到，算法工程师更多是工匠，除非顶级的算法工程师，否则差别不会特别大。因此人才和计算资源都是通用的，难以差异化。

数据，尤其是与行业结合的数据，其他人获取不到，才可能成为真正稀缺的资源。

如李开复所说，AI产业已经从发明时代进入了实干的年代，重点在于取得行业数据，解决细分领域的问题。

2. 训练才能成长

有监督的学习，通过训练提升性能。

反馈的方式：

• 客观结果
  下围棋的输赢
• 专家结果评价

3. 方向的选择

判断模式相对复杂，但结果很明确的领域

• 商品推荐和广告服务
  电商和社交网站
• 投资
  金融机构
• 法律文档
  法律行业，专利检查、审核
• 报税系统

医疗影像等行业的切入方式：

• 巨头大平台信誉可靠
  Google+DeepMind，腾讯
• 专业公司+医院合作
  依图+华西医院
• 医疗器械厂商自己做
  如鱼跃医疗

细分领域的应用：

• 按大小分拣黄瓜，CV系统
• 分析动物迁徙路线，CV识别
• 风格迁移，CV迁移学习

让机器为自己干活

TODO：

• 熟悉训练深度学习模型的套路
  掌握如何成功训练模型的方法论
• 能够评估训练一个业务的资源消耗
  需要多少GPU计算资源（费用），耗费多少人力，有哪些风险
• 找到深度学习的应用场景，能对接的业务性质
• 利用起原有的行业资源

4. AI应用的思考

明确目标

做窄应用，限定的场景
弱人工智能，宜窄不宜宽，宜特定不宜宽泛

领域

优势在于数据和行业经验

要回答的问题：

• 领域是否有数据
• 数据是否有壁垒
• 是否能够定义出可以用人工智能解决的问题
• 是否被市场接受
• 大公司是否做同样的事情
  • 信任问题
  • 挤压问题

最好和行业场景以及传感硬件结合，拿到大公司拿不到的数据。

开发

是否有清晰客观的结果
？？
没有理解

运营

算法上的优势很难构成核心优势。

把优势控制在数据+行业经验

了解行业的痛点。

个人思考

利用信息不对称赚钱

用现有的成熟AI方法，对传统行业降维打击。
比训练模型刷百分点更有意义的是，找到更合适通用AI的应用场景，结合新的行业需求。