人工智慧有多火每個人的心裡應該很清楚，所以在這裡不再闡述。很多科技公司把未來幾年的賭注壓在了AI身上-“all in AI“，同時也有數不清楚的公司正在準備轉型AI，另外也有很多公司雖然跟AI沾不上任何邊但喊著AI口號來吸引關注。 總而言之，AI會變得越來越火，會有更多的人才走進這個大軍裡。

在AI轉型的程序中，並不一定是一帆風順的，甚至會很艱難。不知有多少人關注過人工智慧專案的失敗率？ 20%？ 30%？ .. 或者 50%？？ 可能想得太簡單，據不完全統計一個數據類專案的失敗率達到了85%以上！ 其實這也不奇怪，現階段，一個一般IT類專案的失敗率也是50%以上呢，何況AI專案....

所以，很多情況下投入實施AI專案本身是風險，就看你有沒有足夠的風控能力，最後能把專案成功落地，並且產生價值！ 那為什麼會有大部分AI專案以失敗為告終呢？人的問題？ 不一定！ 可能的主要原因包括: 1.  解決了錯誤的問題，或者把偽需求當成了真需求   2.  選擇了演算法解決不了的問題... 等等。

在這篇文章裡，我們總結出了六條原則，這些原則對於實施一個成功AI專案來說尤其重要。對於這些原則我們也參考了 [1]。

1. 弄清楚是否是合適的時機？

人工智慧最大的價值是什麼？ 是可以幫你做決策！ 那為了做這種決策需要什麼條件？ 必須要有資料！ 沒有資料，人工智慧只是空談。所以第一點就是要弄清楚是不是切入AI的最好的時機或者是大力推進AI的最好的時機。

一個AI專案的技術流程是：搭建資料蒐集系統->資料收集->清洗->AI...  如果一個公司還沒有那麼多資料必須由機器來分析，那這時候可以做兩件事情：1. 提前想好未來應用場景，佈局資料的蒐集工作  2. 先專注把業務做好，AI事情之後再看。總而言之，資料是AI的基礎，如果沒有資料，那首先得想辦法生成或者蒐集資料，而不是直接跳進這個“坑”，然後拖累了其他的業務。

其實這種例子不少見。尤其是對AI瞭解不深的高管或者策略者，經常急於這些“錦上添花”的事情，反而在自己需要發力的戰場上卻沒能做出成果。 所以對於第一個原則，要不斷問自己：我們有足夠的資料嗎？ 現在是合適的時機嗎？ 現階段做什麼才能一年之後才能把AI技術提升到公司的戰略層面？

2. 選擇正確的問題比使用哪一項技術更重要

機器學習，深度學習是AI領域的流行詞，聽起來高大上。在學校裡，學術界甚至在各類比賽中，我們習慣於技術思維 - “我有很厲害的技術，我要做XXX專案”。其實找對問題是最重要的，這是一個人最高級別的技能。愛因斯坦等科學家為什麼會這麼成功？ 聰明只是一方面，核心是他們能夠找到一個“好”的問題！ 為什麼美國很多博士生6，7年也畢業不了？難道他們因為笨嗎？ 其實不然，就是因為找不出合適的問題！ 所以，找一個正確的問題可以說是AI專案成功的一半。

那怎麼去找到正確的問題呢？ 這是一個沒有正確答案的問題，但其本質是找出業務中的痛點。以下幾點可以作為參考：

1.  首先要理解業務，不是跟別人聊聊就行了，一定要深入。比如現在負責的業務是智慧客服，那就在一線當幾天客服再來談接下來怎麼做！ 如果只是跟客服負責人簡單坐下來喝個咖啡聊一下，覺得能聊出真正的痛點嗎？ 所以，作為AI專案的負責人，一定要對業務敏感，試圖從業務人員的視角去了解。 現階段，從事AI的人彷彿會有種優越感，很難踏實地去了解業務，導致閉門造車，最後其實也沒什麼成果。 

 

2. 瞭解競爭對手在做什麼，他們在哪些事情上已經取得了成果。知已知比是商業界很重要的一點，要時刻了解別人在做什麼。如果他們在某一個領域已經驗證出成功的案例出來，那這正是對你來說很好的參考。

3. 設定好專案的優先順序

AI是一個非常開放的領域，即便對於一個業務，我們可能想出各種各樣的問題。但需要記住的一點是：任何的AI專案必然是一個長期的工程，它所帶來的成本也是比較大的。所以必須要有個優先順序。假設我們面臨三個選擇，專案1，專案2和專案3，首先需要做哪個？ 選擇最有意思的？ 選擇最優挑戰性的？ 還是選擇我最感興趣的技術相關的？ 別，千萬不要這麼做....

在實施AI專案的時候優先順序最高的還是對業務影響最大的那一類專案。換個角度可以想一想，公司裡的哪個業務因為效率低而天天被罵？ 那一批人每天做著重複性的工作但卻花費大量的成本？ 產品中的哪一個環節的體驗最不好？ 

我們可以從這些痛點中出發，先把最“痛”的且“可以AI”化的專案列出來，然後再粗略算一下，專案預期所帶來的價值或者對業務上的提升。那這部分價值怎麼計算？這方面要部分依賴於對AI技術的理解，比如現在有一個系統A，但未來3個月開發出了一個演算法之後，能夠提升多少的效率？ 另外，也可以去參考一些領域內成功案例，實在不行就去看看論文裡的結果，當然這裡的結果可以作為最高可以達到的預期結果。 

還有一種方法是，想出一個最簡單的路徑來快速嘗試。比如一個創業公司想推出一個機器客服系統，那搭建這種系統必然會耗時長。那這時候怎麼快速驗證？ 我們完全可以先以人工的方式來操作（客戶以為是機器），並觀察使用者的反饋，如果這樣的方式確實可行，那基本上心裡也會有數。所以這個階段，要想出各種捷徑或者“作弊”的手段來快速測試並找出最合適的專案。

4. 理解技術的上限，不要以為AI什麼都可以解決

AI就像3，4歲的孩子，它的能力是有限的，它不可能用來解決任何問題。對於一些問題它的作用確實比較大比如人臉識別，影象識別，物體檢測等。但對於另外一些問題作用未必明顯，或者投入產出比很低，比如通過AI去預測A股的價格，或者想做一款什麼都可以回答的智慧機器人。

可以把利用AI預測A股股價作為例子（美股沒有預測過，所以不敢在這裡評論），這個目前很難做到。為什麼？股價本身是要依賴於人性的，同時也依賴於其他非價格類因素，那這些資訊顯然很難在我們接觸到的股市資料中獲得。或許有些人會說，那我們可以去分析人的行為啊，然後把它作為訊號不就行了嗎？ 當然可以，這也是下面我列的第三點。但即便如此，A股的這種不確定性使得目前的AI系統很難去提供準確地預測。

為了做出這樣的決策，必須要對技術的前沿知識非常敏感。只有這樣才能做到評估： 1. 這專案到底能不能做？ 可行性怎麼樣？  2. 這專案做完之後預計提升有多少，這個提升帶來的好處跟成本相比會是怎樣？ 3. 如果想讓目前專案具有可行性，需要具備哪些條件？或者哪些資料？ 為了擁有這些條件接下來規劃是怎麼樣的？

5. 快速迭代，持續迭代

AI專案的核心是迭代，不斷試錯的過程。這點需要跟產品經理還有開發人員要達成一致。那為了更好的迭代，需要去想一個迭代的路徑，也就是什麼樣的迭代方法讓產品更快速地達到我們想要的效果？這裡面的學問很多，產品怎麼設計才能更好的獲得反饋？ 資料怎麼收集？等等。

一個AI專案如果超過3個月看不到效果是比較危險的，為什麼這麼說？ 因為還沒看到任何效果等同於還沒有任何的迭代。迭代思路其實跟MVP(minimum value product)的思路非常相近，而且這個思路也跟強化學習（reinforcement learning）比較相近。

迭代本身分成兩個部分，一個是整個專案的快速迭代， 還有一個是每一個專案模組內的快速迭代。我們可以以建模來打個比方，比如我們在建模時第一個要搭建的模型叫做baseline，那什麼叫baseline?  邏輯迴歸？ SVM？ 在我眼裡，baseline 就是一天內能做出來的模型！不管資料有多大，場景多複雜，一天內需要看到一個最簡單的結果。資料很多怎麼辦？ 那就取樣一部分； 資料太髒怎麼辦？ 那就把髒資料先去掉；資源不夠怎麼辦？ 那就用邏輯迴歸這種簡單模型！ 其實總有辦法可以在最短時間內弄出一個可執行的模型，並通過此結果來評估專案的可行性以及未來預期的效果。 這些資料對於後續專案的實施尤其關鍵。另外，讓別人儘快看到結果也會增加對你的信任，不然之後的工作會非常被動。

6. 專案上線前要做好業務評估

我們在建模的時候通常會考慮一些“AI型”指標，比如AUC，F1-score等，這些應該很多人非常熟悉。那這裡的問題是，這些指標越高，對業務的價值就會越高嗎？ 其實不一定！ 從業務的角度評估和從模型的角度評估不一定是完全正比關係的。但至少肯定是有類似正比關係，不然採用這些指標是沒有意義的！ 所以作為AI人員也需要關注業務部門關心的指標，來思考什麼樣的模型狀態最適合當前的業務狀況。

另外，在很多場景下對於模型的解釋也是比較重要的。特別是對於金融，教育這類的場景。我們希望能夠在部署前有對這些模型的理解，比如一個模型犯錯誤，理解為什麼？  這也是目前深度學習的弊端-比較差的可解釋性。

參考：

[1] https://towardsdatascience.com/6-uncommon-principles-for-effective-data-sciences-7424a332c921

我們是誰？： 我們是一家專注於人工智慧領域的線上教育公司，由一群有情懷的矽谷科學家來創辦。我們提供最專業的AI課程以及每週4-5期的免費AI類公開課。關注此公眾號（“貪心科技”）可以獲得相關的資訊。