每一次技术革命，都是一次生产力与生产关系的大变革。AI时代呼啸而至，深度学习、强化学习、图神经网络显示出强大的技术张力，但为何在产业应用落地中又会遇到种种挑战，让不少产业从业者担忧——AI到底离我们有多远?

　　黄埔学院，“首席AI架构师”的摇篮，对于这一产业之问，自然也是学院讲师、学员必须回答的问题。

　　得其法者事半功倍，不得其法者事倍功半。11月4日，百度黄埔学院 四期开启为期6周的线上预科班，通过AI思维、AI方法、AI技术、AI选择等环环相扣的课程，让大家“得法前行”，找到新技术推动产业升级的全流程方法论。

(黄埔学院 四期预科班课程)

　　跨上AI的战车，从技术逻辑和商业逻辑双面看

　　跨上AI战车的 一步，企业首先需要确认现阶段是否适合进行AI转型。如果对AI本身的逻辑缺乏深入的理解，究竟能不能使用、如何使用AI去落地就成了难题。结合飞桨实践落地过程中各行业AI应用案例，企业想成功应用AI系统，要遵循技术和商业逻辑两大原则。

(AI应用可行的两大前提)

　　从技术逻辑来看，AI应用作为一个决策系统不是单独存在的，它包含完整的上下游。上游是我们采集的数据信息，下游则是我们要执行实施的自动化。因此，当企业发现所在的应用场景上下游都完备，只需AI决策系统时，企业AI场景应用落地的步伐就可以加快。像如今互联网、金融领域AI应用 先落地，重要原因便是其产业链上下游完备。

　　而AI要满足的商业逻辑前提是对关键业务的效率提升要大于付出的成本。

　　目前，中国无人超市的技术已非常成熟，但依然没有在中国看到遍地的无人超市，就是因为今天要实现无人超市的技术所花费的成本高于两个人力成本。所以无人超市这个技术虽已经实现了效率上的大幅提升，但是因为效率提升程度不及花费的成本，所以目前还只能是实验田。

　　所以，快速跨上AI战车还需要考虑背后的商业逻辑。企业之所以运用AI技术满足我们今天的商业发展，是想提升企业自身的关键业务。同时“成本”作为企业发考虑的重要因素之一，也成为选择AI应用的关键项。总结来看就是，选择AI技术提升效率不能只“帮扶”企业效率提升一小步，但却要“冒险”付出大成本。

　　——《跨上AI的战车》

　　从学术研究到产业落地“多法结合”推动整个系统准确率提升

　　要想习得真经，企业除了明白是否适合AI转型，还需要切实的了解如何运用AI实现应用。我们发现在产业落地这个过程中，通常会面临三大问题：

　　1、 数据的规模和平衡性

　　2、 模型的泛化能力及鲁棒性

　　3、 场景领域的长尾、变化需求

(面对AI技术难题的正攻法思路)

　　我们有很多学术的方法去解决、突破技术难题，大家都可以去尝试。也可以通过各种论文，去了解先进前沿的技巧。但还有很多时候，整个系统的准确率并不是单纯的一个算法模块的准确率。可能你需要尝试配合一个传统算法，或者是配合一个流程的设计，甚至必要的时候可以配合人员操作的兜底方式来协同配合，达到真正的场景可用。

　　这里提到一个信任机制的建立，比如医疗场景，如果是一个全自动的系统，患者能不能接受这样一个机器直接给出结论?很多时候我们当然希望它是一个全自动的系统，但是这里往往要考虑的就是一个场景的容错范围，人命关天，就完全不能弄错了。还有一些零售结账的场景，质检上需要9个9，很多这样的场景，可能目前还是需要一个human in the loop。

　　——《产业计算机视觉落地难点与应对》

　　掌握主流和全面的技术复杂任务先拆分简化，抽象问题是关键能力

　　当遇到复杂场景的问题时，将其拆分成一些小的任务与目标。因为小的任务相对简单一些，而复杂任务相对难一些，把复杂任务拆分成小任务本身就是一个技术建模的过程。拆分成小的任务之后，针对每一个小任务，我们都可以进行非常细致的技术选型。

(抽象问题的拆分举例)