写完第一篇
人人都能搞懂的AI（一）
，感觉神清气爽，而且似乎领悟到了一个道理，知识需要一个层级一个层级的加工，我现在在做的，就是把老师的课程提炼成我理解的内容，下一步可以再加工成观点，甚至是其他项目的评价，行业发展的分析，所以第二篇来了～
1.大纲
本文主要讲解：
- 项目的工作流
- 如何选择AI项目
- 如何组织数据和团队
2.机器学习项目的工作流
先看智能音箱的例子，如何通过一句Hello, Alexa来唤醒音箱。
首先是收集数据，如果只是服务美国地区，那就尽可能找当地人录制Alexa，和hello这两个单词的语音，如果是服务世界范围，那就需要采集更大量级，更多样性的语音数据。
第二步训练模型，把足够多的训练数据导入系统，然后直到测试组的数据准确率达到预期水平。
第三步部署模型，上线后会收集到很多新的数据，清洗后可以用来进一步训练模型。
3.数据科学的工作流
就比如一个销售杯子的网站，可以通过分析用户行为数据，来优化购买流程。
最近发现个很好的行为监测工具叫Heap，而不是以前的流量监测工具如Google Analytics。可以无埋点监测到细致入微的行为数据，比如有些按钮是动态的，这工具都可以监控，用户点击按钮时，这按钮上显示为什么文字，然后进行各种纬度的漏斗分析。
回到工作流，
第一步收集数据，可以按照5w1h思维框架去收集，比如谁在什么时间/什么地点/做了一件什么事儿；
第二步分析数据，比如发现用户在家里的电脑购买东西多时间长，而在公司电脑购买东西少而且时间短，这样就可以针对不同场景去优化购买行为；
这里有2种分析方式，一种通过经验去分析验证（如同期分析/AB测试），一种是可以通过无监督学习-一种机器学习算法，找到目标用户的特征（后面会讲到）；
第三步提出假设/行动，把假设部署到线上，看实际的用户行为数据是否受到影响，然后再看数据进一步优化。
工业生产领域也是一样的，可以收集生产过程种的重要数据，来看在何种条件下生产环境（如温度/湿度/材料）下次品率最低，来达到提高生产效率的结果。
4.每个岗位都需要学习如何使用数据
比如销售，要知道打电话的优先级，这里AI可以帮你排序；
比如生产线，要知道哪个杯子有瑕疵，AI可以通过图像识别判断；
比如招聘，想知道哪个简历可以直接发面试邀请，AI可以训练出这样的模型；
比如网站内容，以前会通过AB测试那种最好，现在可以让AI自己判断，个性化展示；
比如农业种植，想知道哪里有杂草，AI可以自动判断位置，如下图，在知乎上看到的一个案例，精准识别咋造，定向喷农药，不仅清除彻底，还能节省90%的药水。
这家农业人工智能公司叫蓝河（Blue River），是创立于 2011 年的 60 人硅谷高科技公司，2017 年 9 月被约翰迪尔以 3.05 亿美金拿下。
5.如何挑选AI项目
之前都是在阐述AI可以做什么，因为懂得原理，才能知道AI的边界或者AI项目的难易程度，然后再去判断自己擅长的领域和AI可以怎样的结合，这样诞生的AI项目才是有前景有可行性的。
当有了一个点子之后，可以通过头脑风暴来细化，核心就在于拆解和挑重点。
拆解：比如客服中心，别一上来就AI取代客服，AI真的擅长的只是分配线路，比如客户来电，可以通过简单的对话，了解客服的需求类型，然后转接给对应的人工客服。就是把一个大类的工作拆成一个个任务，然后逐步通过AI来解决。
挑重点：不要因为AI可以做的事情就忽视了商业的初衷，先看商业价值的核心驱动力是什么，现有生意的核心点是什么，然后通过AI有针对性的去解决。
如何确定这个项目是值得投入的？-尽职调查：技术层面，商业层面和道德层面
技术层面：1.可行性 2.数据量 3.工程进度
商业层面：1.降低成本？ 2.提高利润？ 3.构造新产品or新的商业模式？
道德层面：是否有利于社会发展/行业发展
机器学习项目有些是适合外包的，因为可以抽象成很具体的任务，而且涉及的数据不敏感，外包也比较容易通过测试数据衡量算法的效果。
但数据科学的部分，最好都自己做，因为数据敏感，其次只有足够多的数据汇聚在一起，并且打通，才能实现其最大价值。
6.和AI团队一起工作
要约定好考核标准，比如目标：发现瑕疵，要保证95%的准确率。
其次的话要提供给AI团队一份测试数据，来衡量他们的准确率。
还有一个重点是，机器学习没法保证100%的准确率，只能是随着数据量无限增大，准确率就会无限接近100%。
7. AI团队需要的工具（可选读）
如下都是开源的机器学习框架，TenserFlow是Google推出的，PyTorch是Facebook推出的，大部分都是基于这2个框架再次封装的框架。
机器学习算法的部署方式目前有2种：
云端（Cloud Deployment）：优点是随时随地训练（进化），性能优越（可拓展）
边缘部署（Edge Deployment）：部分识别算法部署在本地（即正在使用的设备当中），如智能音箱和无人驾驶，这样可以保证最及时的响应。
内置部署（On-premises Deployment）：比如一个企业内部的识别算法，就使用自己搭建的本地服务器来运行识别算法。
8. 拓展
最后，总感觉还要再啰嗦点什么。学了这么多知识就应该用啊，所以我想找个AI项目分析一下，刚好前段时间看朋友圈有人分享一个APP，叫
叨叨记账
，说是AI恋人帮你记账。那我们来看看它是否通过AI实现了商业价值。记账这事儿最核心的是能把每一笔都清晰的记下来，记下来才有数据，才能知道这一段时间钱都花在哪儿了，才会产生粘性，以至于之后的留存和商业变现。
所以看下图，传统记账 vs AI记账，并没有想象的那么神奇，但是会觉得明显比传统的更温情更有趣一点，核心在于这样一个虚拟角色（监督者）的搭建，会让原本枯燥的事情变得更容易接受。
而其中对于AI价值的运用，可以说非常之少，首先输入数据非常单一，大部分都是花费类别+金额，无法根据太多的信息去训练回复的内容，所以很容易导致后期对回复内容审美疲劳。但其实这也不重要了，用户已经获取到了，甚至习惯都已经培养好了。
所以严格来说，这不算一个AI项目，只是用了一个最原始的if else就可以实现的效果，包装成了一个好像有感情的AI（吸引了大批爱豆脑残粉）。
突然想到《
人工智障 2
》里的一句话，正好可以用来表达我的观点，AI的产品经理就像一个魔术师，表演着这样一个满足用户期待的魔术，所以，向艺术致敬～
閱讀更多 增長浩克 的文章
