摘抄和总结--确保搞砸人工智能项目的十种方法

鲍捷 文因互联CEO
原文链接

目录

一下子砸很多钱

描述

一开始砸很多钱，为什么还会失败？你要想，做一个项目，通常是有目标的。当你有一个大预算的时候，你的目标通常也定得很高。像五代机的目标，不单当时是做不到的，三十年后的今天，也是做不到的。

罗马不是一天建成的，所以一下子砸很多钱，就会导致项目的目标过高，从而导致这个项目有极大的失败概率。

总结

目标越大，期望越大，失望也就越大，不如将大目标拆分，一步步实现，降低期望，贵在坚持

根据最新论文来决定技术路线

描述

从学术界的研究到工业界的实践，有一个非常巨大的差异。在发表论文的时候，完全不需要考虑现实中所会遇到的那些约束条件。在知识提取、实体提取领域，尽管现在从理论上来说，已经解决了，比如说实体识别问题、NER 问题、分词问题，但是到了真正现实的语料中，发现这些方法都不好用。这也可以用另外一个问题来验证这一点，就是问答系统。
能看到大部分发表的问答系统的论文都是基于统计方法的。特别是这两年基于 NLP 的方法，尤其是基于端到端的方法的。无一例外，能够真正在工业中应用起来的问答系统，除了小冰这样的闲聊系统之外，真正的面向解决任务型的问答系统，全部都是用规则系统的。

总结

理想和现实，学术和工业。从理想到现实很难，从现实回到理想呢？

脱离真正的应用场景

描述

OWL WORKING GROUP 在开会的时候，写了大概好几十个应用案例，但是大部分的案例都是这样的：一个制药公司要做一个药，应该怎么表达制药的知识，或者一个医生如何表达病历、疾病或基因，大体上都是这样的应用。没有任何一个案例是在讲述在网上如何找一个朋友，或者如何跟朋友聊天，或者如何去订餐，日常生活中的案例都是没有的。

总结

跟上一条一个类型。脱离现实的应用场景，只能局限于某种领域。

使用过于领先的架构

描述

在上应用的时候不要太着急，如果你只是一个在线应用，可以放一放，先把离线的这部分运维的工作搞清楚以后，然后再上线，也可以先用一个小数据集试一试。总之，步子不要太大。

总结

描述即是总结

不能管理用户预期

描述

如果你是提供了一个搜索引擎，那么大家的预期是比较低的。但如果你以一个问答引擎的形式，提供同样的内容，大家的预期就会高很多。
对话机器人其实也一样，如果你给用户的预期，是能够跟他平等对话的机器人的话，通常是很难达到的。用户通常玩一玩就会发现好傻，然后就不玩了，所以大家注意到谷歌机器人跟Apple的siri机器人定位有很大区别，谷歌机器人不仅仅做对话，它能够预先帮你去做一些事情，甚至主动地去帮你做一些自动化的事情，其实这是非常聪明的选择。
同样的技术，你用不同的方法去服务用户，用户预期不一样，用户的感觉就完全不一样。所以要尽可能地让用户感知到产品的成熟度，在他的预期之上，这个产品才有可能成功，他才愿意付费。

总结

首先确定用户预期（需求分析的一部分），然后开始计划和实施。

不理解认知复杂性

描述

当时做的对比实验是找了一群RPI的计算机系本科生，让他们来看电视连续剧，看完以后描述情节。一部分人用自然语言来进行描述，一部分人用Semantic Wiki，以更加结构化的方式来进行描述。然后再找了学生来分别阅读前两组学生的描述，最后让他们来做题，看哪个组能够更精准地来复原电视剧情节。最后得到的结果发现是用自然语言描述是更容易，就是描述得更精准，速度更快。

由于我们都经过十年以上的训练，所以就完全把这些东西当成是天然的事情。
所以一个技术，你能不能够让程序员用起来，能不能让用户用起来，最核心的事情，你是不是能够让他们在认知上面觉得这东西，一看就懂，一听就懂，一打开就懂，不用解释，这才叫简单。

好的文档可以极大地降低一个产品的认知复杂性，即使你的产品本身是复杂的，你把文档写好，也足以有助于推广这个产品，所以尽可能地让能够接触到你产品的人，不管是搞语言的，搞技术的，搞算法的人都感觉到这东西简单，是保证你的产品成功的一个关键。

总结

输出是理解后的结果，要想让别人理解你的想法或技术，就要以他们的认知去思考并组织输出

专业性不足

描述

人工智能的很多事情，困难就在这儿。你到网上去拿一个什么开源包啥的，你把它做到80%，都很容易做得到。但难度就在于最后的20%，通常可能需要98%、99%的正确率，才能够满足用户的需求，但是如果专业性不够，最后的这些点是非常难的。
如果专业性不足，你永远只是停留在80%的水平上，再也升不上去

总结

业余和专业的区别就是，专业决定你的上限

工程能力不足

描述

工程是解决人工智能的核心钥匙。如果代码能力不行，架构能力不行，工程能力不行，在这个情况下，根本就不应该去谈算法。优先应该把工程能力补起来，然后再谈算法。

总结

实践是检验阶段。系统优于算法

阵容太豪华

描述

我们也经常看到一些初创公司，不管是从商务上，还是从技术上，特别优秀的人组成了一个公司，最后还是会失败。为什么？因为比较优秀的人，就是想要做大的事情。一个大的事情，很难一下子就做对。通常大的事情，是从小的事情成长起来的。如果我们不能够让豪华的阵容，从小事做起，通常这样一个事情是会失败的。

总结

豪华不是关键，关键是团队合作。

时机不到，运气不好

描述

在2000年的时候，我在硕士毕业之后，就在研究一种分层的多层神经网络。我们把它称为hierarchical neural network，跟后来深度学习的想法非常接近。我带着这个想法，去见我的博士导师。说我想继续沿着这个方向往前走，但他说现在整个神经网络都已经拿不到投资了，你再往前走，也走不下去，所以后来就放弃了这个方向，准备做语义网了。10年之后，这个方法终于找到了机会，后来就变成了深度学习的东西。

总结

多读历史，理解“时机”和“运气”