筆者就職于泛化智能，一家專注于 AI 落地的計算機視覺公司。三年來，我們服務了大量需要 AI 的行業，比如電網、醫院、無人機、機場甚至野生動物保護。在做這些項目的過程中，我們積累了很多經驗（踩過很多，也挖過很多坑）。為了避免在工程中重復犯錯，我們內部在做工程項目前，都會根據下面這個 check list 逐條檢查。這里擴展一下，整理為 AI 落地中的常見問題，分享給大家：

你有顯卡，我有顯卡，但用戶有顯卡嗎？

也許你不相信一個擁有幾百人 IT 團隊的公司會沒有顯卡，不過你真的確定你用戶那里有顯卡嗎？在自己公司或者實驗室內部，我們的硬件條件基本都能得到滿足；但到了用戶那里，一切可能都不一樣了。?

有很多項目，必須要在客戶的電腦/服務器上去運行，而很多環境下是沒有 GPU 的——或者說，如果你做工程化，GPU 可能是種奢侈品。對于計算機視覺項目來說，假如客戶需要把模型搭載到他特有的硬件上（比如智能制造領域的缺陷檢測設備），事先與用戶確認硬件配置是至關重要的。?

一個簡單的判別標準：和客戶交流的時候，客戶知不知道什么是 GPU，絕對是合作難易程度的分水嶺。知道且清楚什么是 GPU 的，合作起來會更簡單；而如果對 GPU 一無所知的，或者只用過 Intel GPU的，項目落地難度就指數級增加。?

顯卡難求，務必事先與用戶溝通。? ?

數據有了嗎？

我們所有項目，內部討論時的第一個問題一定是：這項目有數據嗎？

技術人員復現論文的時候，往往會有現成的數據集，清洗過的數據。一旦開始做工程化，取得數據集和數據集預處理才是最耗費時間的環節。我們接過很多項目，所有商務細節都談好了，項目啟動后，技術人員才發現客戶沒數據，或者數據不夠。

數據有了，你......能看懂嗎？

接著上一個問題，對于絕大部分計算機視覺項目來說，客戶的數據我們真不一定能看懂。比如醫療影像，數據標注是醫生都需要經過多年培訓才能做好的事情，沒有任何醫療背景的程序員很難在短時間內看懂這些數據。年初的時候我們給某工廠做缺陷識別，用什么網絡什么部署模式都想好了，結果就是看不懂圖片不能做標注。我們看所有地方都像是壞了，但工廠的質檢員就能一眼分辨出來正常和缺陷。這種行業的 know how 很重要。

▲?心臟造影圖，非醫務人員很難看出圖中哪些是對診斷有幫助的血管

你了解對方的預期嗎？

由于近年來媒體對人工智能行業夸大其詞的報道，給大家造成了一種印象「人工智能是萬能的」。用戶與技術人員的信息不對稱性就導致了對項目不同的預期。面對完全沒接觸過人工智能的用戶，要確保用戶明白以下幾點：

1. 只保證測試集的準確率，但不能保證這個準確率在任何跟訓練數據相差非常遠的情況下，還能復現；

2. 機器學習項目不能做到 100% 的準確率；

3. 訓練需要時間，不像是買個 Microsoft Office 下載就能用。

最后，工程化最煩的一點是，我們要給客戶做特別多的 demo。任何一個需求都需要先給他們做個 demo 看看。這些 demo 太浪費時間了，但又不能不做。所以我們為了節省每個計算機視覺項目的時間，制作了 TeguCV——一款可視化計算機視覺以及神經網絡工具。

TeguCV 支持 Windows，純本地運行，目前支持圖像識別、視頻分類、人臉比對和車牌識別，同時包含自動參數選擇、http server 等功能。十分鐘開始訓練計算機視覺模型。很多簡單工作，直接用 TeguCV 就能實現。方便開發者快速做技術落地，而且可以把很多簡單工作剝離出來。

▲?TeguCV軟件截圖

比如點擊閱讀原文，就可以看到我們如何用半小時內的時間，為無人機航拍圖像做識別。

掃描下方二維碼添加客服可以獲得 TeguCV 免費下載鏈接。

?

現在，在「知乎」也能找到我們了

進入知乎首頁搜索「PaperWeekly」

點擊「關注」訂閱我們的專欄吧

關于PaperWeekly

PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。

▽ 點擊 |?閱讀原文?| 查看案例分享

總結

以上是生活随笔為你收集整理的论文落地 101：算法工程化的那些坑的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。