学术问题是真实世界业务需求的简化。我们做科学研究的时候，首先需要建模，把真实世界中的业务需求一般化，将其转化成一个可以通过方程去解决的问题。然后，科学家们不断摸索，去寻找到方程的解。这个方程也许只有局部最优解，于是，很多人都去寻找更好的局部最优解，这就是各类人工智能比赛刷榜的来由。
而工程化，就是产品化，面对的是一个真实的业务需求，各方面问题都需要考虑，不能简单做一个demo解决了。因此，科学与工程是两片水域。
一、标注数据。
数据标注相当于是教师信号的采集了。教师信号采集错了，机器学习就学歪了。学术界不关注标注数据，因为都是把数据标注好了成公开数据集了，然后去刷分的，而工程首当其冲的是数据的采集和标注。
首先，数据的收集就不是一件容易的事情。也不是靠一个标注团队就能干好的。你得全盘规划好，图片数据的质量把好关。歪歪扭扭的和模糊的，要通过自动化脚本去掉。
其次，数据的标注也不能光靠找公司或者招兼职就搞定。我们自己开发了一个半自动化标注工具，达到了事半功数倍的效果。成功消除了不少容易标签打错的问题。事实上，标注是一个枯燥的活，只要是人就会烦躁，你没法假定外包公司或者兼职人员能让你的标签完全百分百正确。所以需要做不少自动化的工作
二、好的策略是成功的一半。
算法总归有精度的问题，有的时候，真实环境的数据和采集到的训练集的数据还不一样，这时候，光上一个算法，有时根本提供不了业务价值。这个时候，也许搞一个好的策略，对算法外围组装个小模块，能收到事半功倍的效果。
三、工程化落地编程。
算法工程师不是说把一个demo写好了，就撒手交给开发人员不管了。事实上，算法落地，你得封装一个接口给系统集成的开发人员调用，这个接口的封装，很多时候是跟算法运行的原理紧耦合的，如果让不懂算法的人来写，算法工程师必须不耐其烦的把内部机理讲给开发工程师听，这样会导致双方都非常累：算法觉得开发怎么那么多问题，开发觉得我一个外行写这个接口真是太费劲了。我的建议是直接让算法工程师来包这个接口，大家都轻松了。
四、算法的优化，需要深入了解业务。
人工智能落地，当然需要算法优化。这个时候的算法优化跟公开数据集刷榜还不太一样，需要你了解业务。这个是关键问题。刷分得先找到靶心，我们落地的靶心是提升业务的价值。这个时候，很多情况下跟寻找更优的局部最优解还是两回事。算法工程师要问几个问题：1、业务关注的点是什么。2、如何优化算法能提升业务价值？3、我怎么样定义问题，找到对应的更优局部最优解，就能解决业务的痛点了？
五、落地还需要考虑哪些问题？
1、功耗。2、端和云的融合。3、算法的多用户多并行。4、成本。5、如何获得更加优质的数据。
也许你觉得虚，但当你开始着手项目，参与人工智能落地了，你会发现每句都讲到了点子上。
下面打个小广告，家父种植了数万棵八月金桂桂花树苗、宝塔松树苗和名贵楠木苗。高的几米，矮的也有2米。出价就卖。欢迎联系我。微信：Keithguofan.
原文作者：Agent的潜意识；如有侵权，请联系管理员删除。
